企业官网建设流程全解析

拿到一批滚动轴承的振动数据，第一次跑“归一化判别图嵌入”这套流程时，我就意识到这个项目真正值钱的地方不是那个降维结果本身，而是它一口气把三个最关键的东西给了你：投影矩阵、不同维度下的准确率变化、以及每一个样本归属于每种故障模式的概率。换句话说，它不做“黑箱分类”，而是把整个判别过程摊开来给你看。

这个方向我建议所有做机械设备状态监测、故障诊断、以及模式识别相关课题的人都认真玩一遍。它特别适合两类场景：一是你手上已经有一套提取好的特征矩阵，想找一个比PCA、LDA更抗噪声、更擅长保留局部结构的降维方法；二是你需要在论文或技术报告里拿出“降维效果对比”这类硬指标，而NDGE天然就能输出一条维度-准确率曲线，省去反复调参取数的时间。本文就把这套算法的原理、Matlab实现、三个输出的用法和踩坑经验一次性说透。

1. NDGE到底在解决什么问题

1.1 为什么图嵌入适合故障诊断

传统思路里，做故障诊断最常用的是PCA和LDA。PCA只保留方差最大的方向，它看不见样本之间的局部关系；LDA虽然用了类别信息，但它假设数据是高斯分布、各类共享同一协方差，这在真实的振动信号特征上经常不成立。轴承故障特征往往高维、重叠、带噪声，样本在原始空间里可能紧挨在一起，PCA一压就糊了。

图嵌入的核心思路是“先建图，再降维”。它先把每个样本当作图上的一个节点，按邻接关系连边，再让降维后的空间尽量保留这张图的局部结构。同类故障样本在图上靠得近，降维后依然靠得近；不同故障样本之间即使原始距离不远，图上也有边来约束它们分开。比起PCA这种纯全局方法，图嵌入相当于既看了全局分布，又盯住了局部邻域，特别对故障数据这种“局部信息比全局信息更有判别力”的情况效果明显。

NDGE的“判别”二字，意味着它不只是保留结构，还把类别标签直接揉进了图的构造里。同类样本连成“类内图”，异类样本连成“类间图”，然后目标函数一边让类内样本投影后尽量靠近，一边让类间样本投影后尽量远离。这个思路和LDA有点像，但LDA用的是全局散度矩阵，NDGE用的是图拉普拉斯矩阵，在数据重叠严重时更稳。

1.2 “归一化”和“判别”这两个词的分量

很多人在看论文时会把“归一化判别图嵌入”囫囵吞枣地当成一个整体名词，其实拆开看，两个词各有各的坑。

先说“判别”。建图的时候要建两张图：类内图和类间图。类内图在同类样本之间连边，通常是k近邻或者半径内近邻，边权可以是1，也可以是热核权重，即如果第i个样本和第j个样本是同类邻居，权重设为exp(-||xi-xj||²/σ)，距离越近权重越大。类间图则是在不同类别的样本之间连边。注意，不是所有异类样本都要连，一般也只取彼此靠近的异类样本连边，否则远处的异类样本反而给目标函数加了一堆不必要的大距离惩罚，判别力会变钝。

再说“归一化”。这里的归一化指的是对图拉普拉斯矩阵做对称归一化，公式是L_sym = D^(-1/2) L D^(-1/2)，L是原始拉普拉斯（D-A，D是度矩阵，A是邻接权重矩阵），D^(-1/2)是对角阵，对角线元素是每个节点度的负二分之一次方。做过图论相关工作的朋友应该眼熟，这就是图神经网络里常用的GCN那套归一化。为什么非归一化不可？因为如果某个故障类别样本特别多，它的节点度就大，拉普拉斯矩阵的特征分解会被高密度节点牵着走，少数类样本的判别结构被稀释掉。归一化之后，每个节点的“影响力”被度拉回同一量级，类别不平衡对降维结果的干扰会小很多。这一点在滚动轴承诊断里特别重要，因为实际工况下正常样本往往远多于故障样本。

2. 数据准备与预处理

2.1 特征提取：把振动信号变成算法能吃的矩阵

NDGE的输入是特征矩阵X，形状是N×n，N是样本个数，n是每个样本的特征维数。它不直接吃原始振动波形。所以做这个项目之前，第一步是把传感器采到的振动信号切成段，每一段提取一组特征。这个环节直接决定后续算法的上限，特征提得不好，后面NDGE再努力也白搭。

我自己常用的特征组合分三块。时域特征：均值、标准差、均方根、峭度、峰值因子、波形因子，六个基础指标就能比较明显地分辨裂纹、磨损和正常状态。频域特征：对每段信号做FFT，取频谱重心、均方频率、频谱方差，或者把主要频带能量占比拿出来。第三块是时频特征，用经验模态分解或小波包分解，把频带能量作为特征。比如某个项目里我对轴承振动信号做三层小波包分解，得到8个频带的能量占比，再拼接时域和频域特征，一共凑到20多维，效果比单纯用时域特征好不少。特征维数最好不要太高，一般20到50维比较合适。如果你手上特征有几百维，建议先用PCA粗降一次到50维以内，后面再跑NDGE，否则小样本高维情况下图矩阵容易奇异，这个坑后面详说。

2.2 数据标准化与划分

特征矩阵的每一维量纲不一致，标准差、均方根都是带量纲的，直接拼在一起会让欧氏距离被量纲大的特征主导。所以建图之前必须标准化，最稳妥的是z-score，每列减去均值除以标准差，让每个特征都落在同一个尺度上。

样本划分也要提前想清楚。故障诊断里经常犯的错是“用同一段连续信号切出来的样本乱分训练测试”，结果训练集和测试集实际上有大量重叠信息，准确率虚高得离谱。正确做法是按段划分——比如一个工况采了若干组数据，按采集时间段分成训练段和测试段，保证测试集样本的时间窗口和训练集没有交叠。我在实际项目里吃过这个亏，早期图省事把连续信号叠窗切完随机打乱，测试准确率能做到98%以上，换到真实设备上一试立刻掉到80%出头，原因就是信息泄漏。这也是这一类图嵌入算法论文里最容易被审稿人攻击的点，最好从一开始就按工况或时间段划分数据。

3. NDGE算法的Matlab实现

3.1 类内图与类间图的构建

NDGE的实现流程在Matlab里一共分四个步骤：建图、计算归一化拉普拉斯、解广义特征值问题、输出投影矩阵。

第一步是建图。我先给出一个简洁的类内图权重矩阵构造函数，采用“同类k近邻 + 热核权重”的方式。所谓同类k近邻，就是只在标签相同的样本里找近邻，这比在全体样本里找近邻再筛同类更可控，尤其当某类样本数量很少时，后者可能导致少数类一个邻居都找不到。

function [G_w, G_b] = construct_graphs(X, label, k_w, k_b, sigma) % X: N x n 特征矩阵, label: N x 1 类别标签 % k_w: 类内邻居数, k_b: 类间邻居数, sigma: 热核宽度 % G_w: 类内权重矩阵, G_b: 类间权重矩阵 N = size(X, 1); G_w = zeros(N, N); G_b = zeros(N, N); for i = 1:N dist_all = sum((X - X(i,:)).^2, 2); % 所有样本到当前样本的平方距离 % 类内：只看同标签样本 idx_w = find(label == label(i)); [~, order] = sort(dist_all(idx_w)); neighbors_w = idx_w(order(2:min(k_w+1, length(idx_w)))); % 去掉自己 for j = neighbors_w' G_w(i, j) = exp(-dist_all(j) / sigma^2); end % 类间：只看不同标签样本 idx_b = find(label ~= label(i)); [~, order] = sort(dist_all(idx_b)); neighbors_b = idx_b(order(1:min(k_b, length(idx_b)))); for j = neighbors_b' G_b(i, j) = exp(-dist_all(j) / sigma^2); end end end

这段代码有两点值得说明。第一，类间图只连接最近的k_b个异类样本，不是所有异类都连，目的就是避免远处的异类样本在目标函数里占据超额权重，把优化方向带偏。第二，热核权重里的sigma怎么选，我一般取所有样本两两距离的中位数再乘0.5到1，太大会导致所有权重趋同、图的局部信息退化，太小又会把邻接矩阵变得过于稀疏，后面特征分解时容易出数值问题。

3.2 归一化拉普拉斯与广义特征分解

有了类内权重G_w和类间权重G_b，下一步是把它们分别变成拉普拉斯矩阵。拉普拉斯矩阵的通用形式是L = D - G，D是对角矩阵，D(i,i) = sum(G(i,:))，也就是节点i连出去的所有边的权重之和。之后做对称归一化，即L_norm = D^(-1/2) * L * D^(-1/2)。

NDGE的优化目标是让投影后同类样本尽量靠近、异类样本尽量远离，这可以写成一个广义特征值问题：

min_w (w^T X L_w X^T w) / (w^T X L_b X^T w)

其中L_w是类内图对应的归一化拉普拉斯矩阵，L_b是类间图对应的归一化拉普拉斯矩阵。求解的时候令分母为约束，转成广义特征分解：

X L_w X^T w = λ X L_b X^T w

取前d个最小特征值对应的特征向量组成投影矩阵，因为目标函数极小化这个瑞利商，特征值越小说明投影后的类内紧凑程度越高、判别性越强。

Matlab实现直接调eig函数，比eigs稳，因为eigs对稀疏性要求高而且容易丢特征值。代码段如下：

function [W_ndge, eigvals] = ndge_project(X, label, k_w, k_b, sigma, d, reg) % 输入: X标准化后的特征矩阵, label标签 % k_w, k_b: 图近邻参数, sigma: 热核宽度 % d: 目标维度, reg: 正则化系数 [G_w, G_b] = construct_graphs(X, label, k_w, k_b, sigma); D_w = diag(sum(G_w, 2)); D_b = diag(sum(G_b, 2)); L_w = D_w - G_w; L_b = D_b - G_b; % 对称归一化 D_w_inv_sqrt = diag(1 ./ sqrt(max(D_w, 1e-12))); D_b_inv_sqrt = diag(1 ./ sqrt(max(D_b, 1e-12))); L_w_norm = D_w_inv_sqrt * L_w * D_w_inv_sqrt; L_b_norm = D_b_inv_sqrt * L_b * D_b_inv_sqrt; % 核心：求解广义特征值问题 S_w = X' * L_w_norm * X; S_b = X' * L_b_norm * X + reg * eye(size(X, 2)); % 关键的正则化项 [V, D_matrix] = eig(S_w, S_b); eigvals = diag(D_matrix); % 按特征值升序排列，取前d个 [~, idx] = sort(eigvals); W_ndge = V(:, idx(1:d)); end

这里最容易翻车的细节是reg这个正则化系数。S_b这个矩阵在样本数比特征维数少的场景下几乎必然奇异，Matlab的eig面对奇异分母会输出Inf或者NaN，直接让后面所有结果报废。加一个reg*eye()，就是在分母矩阵对角线上放一个极小值，把奇异问题拉回来。reg的取值建议在1e-4到1e-8之间，太小没效果，太大会把类间约束过度平滑导致判别性下降。我的习惯是先试1e-6，然后看特征值序列里有没有明显的Inf或负数，再考虑调大或调小。

3.3 投影矩阵和低维嵌入

拿到W_ndge之后，低维嵌入就一句话：Y = X * W_ndge。Y是N×d的矩阵，每一行就是原样本在低维空间的新坐标。这个Y可以喂给kNN、SVM或者任何后续分类器，也可以用在前两维上画散点图，直观地看各类故障样本有没有被分开。

关于d的取值，这里有一个工程经验和理论相结合的点。投影矩阵W_ndge的每一列是一个嵌入方向，特征值越小的方向越适合判别，但并不是说方向越多越好。我在实验里跑维度准确率曲线时，经常看到d从2升到10时准确率稳步上涨，到了12左右开始掉，原因在于排名靠后的那些方向对应的特征值已经接近噪声水平，投影矩阵里的信息被噪声污染了。所以后面第四部分那个“不同维度的准确率曲线”，本质上就是在帮你找d的上限。曲线到了平台期就别继续加了，加得越多，过拟合风险越大。

4. 三个输出结果的解读与应用

4.1 最终投影矩阵怎么用

标题里要输出的第一个东西是NDGE的最终投影矩阵，也就是上面代码里的W_ndge，尺寸是n×d。它代表的是“从原始特征空间到判别低维空间的线性映射”。投影矩阵的行数等于原始特征数，列数等于目标维度。

很多人拿到投影矩阵不知道该怎么分析。我的建议是至少做两件事。第一，检查每一列向量里的非零元素分布，看哪些原始特征在判别方向上权重最大，这能反过来验证你的特征提取是否有物理意义。比如某一次实验里，投影矩阵第一列里峭度和频谱重心对应的系数明显大于均值，说明这两个特征对分辨当前故障模式贡献最大；如果某一个自认为很重要的特征在所有列里系数都接近于0，那它可能既无判别性又无冗余价值，可以考虑删掉。第二，把W_ndge存成一个单独的mat文件，作为后续在线诊断的固定参数。离线训练阶段把投影矩阵学好后，在线阶段只需要把新样本的特征向量塞进同样的z-score标准化，再乘W_ndge，再做距离判别，不需要重新建图、重新分解，这个投影矩阵就是把整套算法部署到现场的“核心钥匙”。

4.2 不同维度的准确率怎么看

第二个输出是不同维度下的准确率。这个实验结果一般画成一条折线图，横轴是维度d（通常从2到20逐点取），纵轴是测试集分类准确率。理论上曲线应该先快速上升，然后进入平台期，少数情况会轻微下降。

读这条曲线有三个关键点。一看是否有明显的“拐点”。比如d=4的时候准确率已经92%，d=8只有93%，那说明核心判别信息集中在前4维，后面加的是边际收益，这种情况实际应用时直接选d=4能省不少计算量。二看曲线的抖动程度。理想的曲线应该平稳，如果你看到d=5是90%，d=6突然掉到80%，d=7又回到90%，大概率不是算法随机性，而是图构建时S_b矩阵在某个维度组合下出现近奇异，特征向量不稳定。出现这种情况时优先把reg调大一个量级再重新跑，通常能压下来。三看曲线有没有过拟合尾巴。d超过某个值之后准确率持续下滑，说明后面那些维度学到的不是判别结构而是训练集噪声，这就是加维加过头的信号。

跑维度实验时有一个偷懒但有效的技巧：不用每个d都重新解一次特征分解。因为Matlab的eig一次就能把所有特征值和特征向量全求出来，你只需要按特征值排序后依次取前d列，然后重新算一次分类准确率就行。也就是说，建图、拉普拉斯、广义特征分解这些昂贵步骤全程只做一次，后面循环里只做矩阵乘法和kNN分类，几十个维度几分钟就能跑完。

4.3 每个样本的故障模式概率怎么解读

第三个输出是“每个样本对不同故障模式的概率”，这一项最容易被人忽略，但其实是实际诊断里最有价值的信息。NDGE本身是降维方法，不直接输出概率，所以需要在降维后的空间上接一层概率输出头。

我在项目里习惯用两种方式做这个概率输出，各有适用场景。

第一种是Softmax温度缩放：以每个类别的中心点为参考，计算样本投影到各类别中心的距离，再套一个Softmax函数把距离转换成概率，公式是P_k = exp(-dist_k / T) / Σ_j exp(-dist_j / T)，T是温度系数。T越大，概率分布越平滑，样本在模糊区域时各类概率会更接近；T越小，分布越尖，几乎变成硬分类。这个方法的优点是不需要额外训练分类器，缺点是它假设每个类别的形状是球形分布在中心附近，真实数据不满足时概率置信度会失真。我一般把T设为所有距离的平均值，这样概率处于一个比较自然的范围。

第二种是直接训练一个多分类逻辑回归或kNN后验估计，在训练集的低维嵌入Y上拟合，让模型自己学出软分类边界。这个方法概率更可靠，但多了一步训练和交叉验证。如果只是做实验对比，用第一种就够了；如果是给现场诊断提供参考置信度，建议用第二种。

拿到概率之后怎么解读，我这里说一个真正有用的经验：不要只看最大概率的类别，要看概率分布的“形状”。如果某个样本在正常状态概率0.45、内圈故障概率0.43，那这个样本是典型的“边界样本”，算法几乎无法可靠判别，现场应该提示复检或者补充特征。真正状态清晰、特征明显的样本，概率分布会有一个绝对峰值，比如98%指向同一故障模式。把那些最大概率低于0.6的样本全部捞出来，看它们的原始信号长什么样，往往能发现新的故障演化阶段或者特征质量问题。这一步做得好，比单纯刷准确率值钱得多。

5. 参数调节与常见问题排查

5.1 邻接图参数怎么选

图嵌入算法的效果一大半由建图参数决定，模型本身的容错能力反而不高。三个核心参数分别是类内邻居数k_w、类间邻居数k_b、热核宽度sigma。

k_w太小，比如取1到2，类内图会变得非常稀疏，图可能分裂成多个不连通子图，降维结果出现碎片化；k_w太大，比如取到样本总数的30%以上，类内图把所有同类样本全连上了，局部结构信息被平均掉，算法退化成接近全局方法。我的经验范围是k_w取5到15之间，具体看每类样本数量，最好保证k_w不超过最少的类别样本数减1。

k_b的取值逻辑不太一样。它不是越大越好，而是通常比k_w小。因为类间图的主要作用是推开异类的近邻样本，一个样本身边真正构成“判别压力”的异类其实就那么几个，取3到8就够。k_b取太大会把各种边远地区的异类全部拉进目标函数，反而让局部判别结构被全局分布拉扯。

sigma的选取最容易迷惑人。热核权重exp(-dist²/sigma²)对sigma极其敏感，sigma太小时，距离稍微远一点的邻居权重直接趋近于0，图矩阵变得非常稀疏；sigma太大时，权重差异极小，所有连边的权重都接近1，等于用了无权重图。我推荐一个实操标定方法：计算训练集所有样本两两距离的中位数med_dist，让sigma从0.5med_dist到2med_dist之间按倍数扫一遍，挑验证集准确率最高的值。这个方法虽然土，但比强行套某个理论公式要稳定得多。

5.2 典型问题实录速查表

在实际跑NDGE的过程中，下面这些是我和身边同事踩过、也帮别人排查过的高频问题，整理成速查表方便对照。

这里面最隐蔽的坑是“PCA白化”这一步。很多做实验的人习惯把特征矩阵标准化后直接建图，但标准化只解决了尺度问题，没有解决特征之间的相关性。如果特征里有两个高度相关的维度，那么XL_bX'的奇异程度会更高。我的做法是在标准化之后，先对X做一个PCA旋转并保留95%能量，把相关性和冗余在进入NDGE之前先去掉一层。这不会破坏NDGE的判别信息，反而让广义特征值求解的稳定性显著提高。

5.3 概率置信度不靠谱怎么办

概率输出不准的问题一般有两个来源。

第一个来源是建图本身的标签不平衡。如果某种故障模式的样本量只有另一种的十分之一，类间图里少数类样本被正常类包围，概率输出里少数类的后验估计天然偏低。这时候不要直接怪分类器，先看训练集的类别构成。可以给少数类在训练阶段提高样本权重，或者在构造图的时候把节点度归一化做得更细。另一个办法是生成少数类的合成样本，比如用简单插值或者SMOTE技术给少数类扩充数据，但要记得插值之后必须重新标准化再建图。

第二个来源是测试样本落在训练数据分布之外。现场数据往往带着新的工况、转速、载荷变化，模型在训练分布上表现再好也没用。判定的办法简单直接：拿测试样本在嵌入空间里找它的k（比如5）个最近邻居，算一下这5个邻居的平均距离。如果这个平均距离超过训练集里所有样本的平均距离的三倍以上，直接把这个样本标记为“低置信度样本”，概率结果不要作为最终判据。这在实际项目里比调温度参数有用得多，本质上就是给算法加了一个“我不确定”的出口。

6. 与同类方法的横向对比

6.1 三种方法放在一起比什么

做学术或写实验报告时，NDGE很少单独出现，通常要和PCA、LDA、LPP这类方法放在一起做降维对比，你能拿出来讲的核心亮点就是“利用判别信息 + 归一化抵抗类别不平衡”。

PCA作为无监督基线，不关心标签，只看方差。LDA是全局判别方法，假设各类高斯分布同协方差。LPP是局部保结构但不利用标签的流形方法。NDGE和这几类相比，最大差异在于：它同时在类内图上收紧同类样本的距离、在类间图上推开异类邻居，并且用归一化拉普拉斯解决了类别不平衡问题。对比实验时固定同一套特征矩阵和分类器，分别用这几种方法降到同一维度，比较测试集准确率，NDGE通常在中低维度上占优，特别是在样本重叠度高的情况下。

有一点需要特别提醒：LDA有个天然限制，类别数减1是它的最大可投影维度，所以多类故障诊断场景下LDA降到二维做可视化是不成立的，最多只能降到类别数减1维。NDGE没有这个限制，维度可以从2一直取到几十，这也是它适合画维度准确率曲线的原因之一。

6.2 实验设计的一些个人经验

这类算法实验的设计很容易踩“看起来热闹但证明不了什么”的坑。我总结下来，一套能站得住的对比实验至少包含三个部分。

第一部分是维度扫描曲线。所有方法在同一个维度范围下逐点取准确率，画成一条线，而不是只在某一个维度下比一个数字。这样一来，你可以看出谁的信息压缩效率高，谁在高维下开始过拟合。

第二部分是可视化。选一个固定维度（比如二维或三维），把测试样本的投影结果散点图放出来。连续看几个不同方法的散点图，你会有很强的直觉判断：NDGE的同类簇是否更紧凑、异类边界是否更清晰。很多时候散点图的说服力比准确率数字强得多，因为它直接展示了算法的判别几何。

第三部分是稳定性检验。把训练测试的划分方式换几种，比如按不同时间段划分、在不同转速工况下测试，看准确率是否保持稳定。NDGE如果连换几种工况都不掉链子，那才是真正的实用价值。只在一个固定划分上跑出来的高准确率，参考价值有限。

最后分享一个我实际项目里反复用到的习惯：这类图嵌入算法不必一上来就追求最高准确率，而是先把重心放在“错误样本长什么样”上。把NDGE分错的样本和PCA分错的样本单独打印出来对比，你会很明显地看到，分错样本的分布是有规律的，通常是处于故障早期或者故障模式混合状态的样本，而这些样本本来就处于模糊地带。算法把边界样本识别出来，其实比硬把它们塞进某一个类别更有用。这也是我为什么越来越喜欢带概率输出的故障诊断流程——它不只是给一个答案，还告诉你这个答案有多可靠。把每个样本的概率分布存下来，累积一段时间后回看，那些反复处于低置信度状态的样本，往往就是设备变化最早的信号。