企业官网建设流程全解析

做故障诊断的同学应该都深有体会，原始特征一旦上了几十维，分类器就开始变得不好伺候。归一化判别图嵌入（NDGE）是我在实际项目里用来处理多传感器故障特征的一套组合方案，它在判别图嵌入的基础上加了拉普拉斯归一化，输出侧也比一般降维方法更完整：最终投影矩阵、不同维度下的准确率曲线、每个测试样本对不同故障模式的概率，全都给到。配套的Matlab代码可以直接改数据路径跑通。无论你是刚接触流形学习的新手，还是已经在用PCA、LDA做特征压缩的老手，这篇内容都能提供一条可复现的故障诊断技术路线。

有人可能会问：做故障诊断为什么非要用降维？直接把手头几十个特征扔给随机森林、支持向量机不行吗？答案是能跑，但不好用。实际处理振动信号时，原始特征里经常混着大量冗余信息，传感器越多、统计指标算得越全，特征维度窜得越快。维度一高，需要的训练样本量就呈指数增长，分类器的泛化能力反而下降，这就是常说的“维度灾难”。降维不只是为了减少计算量，更重要的是把同类样本拉近、把异类样本推开，好让后续分类器在一个更干净的空间里工作。

1. 这个项目到底在解决什么问题

1.1 故障诊断为什么需要做降维

先看一个典型的故障诊断流程：从加速度传感器采到振动信号后，通常会在时域算均值、方差、峰值因子、峭度、波形因子，再在频域算重心频率、均方频率、频率方差，条件好的话还能做小波包分解，把各频带能量拼成特征向量。这样一趟下来，几十维很轻松，上百维也不稀奇。

问题就出在这里。特征维度高，本身不是坏事，但维度之间的相关性高就是麻烦了。很多特征本质上是对同一物理现象的重复度量，比如峰值因子和峭度都在描述信号中的冲击成分，二者高度相关却各自带着噪声。分类器面对这些冗余特征时，容易把噪声当成规律学进去，导致训练集上表现很好、测试集上一塌糊涂。

降维的意义就在这：在尽量保留判别信息的前提下，把特征压缩到一个低维子空间里。PCA是经典做法，但它只看全局方差，完全不理会样本属于哪个故障模式，压出来的方向往往是方差最大的方向，不一定适合分类。LDA则是监督方法，直接用类间散度除以类内散度来求方向，效果通常比PCA好，但有个硬伤——类内散度矩阵在样本量不足时很容易奇异，一奇异就没法求逆，程序直接崩。

NDGE走的是一条介于两者之间的路。它不要求矩阵可逆，不假设数据服从高斯分布，通过图结构去刻画同类与异类样本之间的几何关系，再借助归一化避免数值病态问题。这套思路在处理轴承故障、齿轮箱故障这类非线性工业数据时，比PCA、LDA都更稳。

1.2 NDGE的定位：判别式降维与归一化的组合

先说人话版本。NDGE做的事情可以类比成班级排座位：想让同班同学坐得近，让不同班的人尽量别挨着。传统LDA是拿班级平均位置来算，NDGE则细到看每个同学和周围几个人的关系，谁跟谁是同类、谁跟谁是异类，都直接在图上标出来，然后找一组方向，按这个方向重新排座位。

从技术归类上看，NDGE属于判别图嵌入家族，和局部保持投影（LPP）、边界费舍尔分析（MFA）有血缘关系。它同时构造两个图：

• 本征图（类内图）：同类样本之间连边，权重越大表示越希望它们在投影后靠近。
• 惩罚图（类间图）：异类样本之间连边，权重越大表示越希望它们在投影后分开。

目标函数就变成了一个比值问题：投影后异类样本之间的离散程度尽量大，同类样本之间的离散程度尽量小。这个比值问题进一步转化为广义特征值分解，特征值从大到小对应的特征向量就是投影矩阵的列。

那“归一化”又体现在哪里？在做图嵌入时，常用的非归一化拉普拉斯矩阵会因为样本度分布不均导致解偏向度大的节点。NDGE采用对称归一化的方式，把拉普拉斯矩阵变换成归一化版本。直观来说，这相当于每个节点的影响力先除以它的连接数，避免某些“社交达人”样本主导了整个投影方向。这一步数学上只是左乘右乘一个对角阵，但数值稳定性明显变好，实验重复性也更强。

2. NDGE的算法原理拆解

2.1 图嵌入框架下的本征图与惩罚图

假设有n个训练样本，特征维数是d，我们把这些样本看成高维空间里的n个点。第一步是定义点与点之间的相似关系，常用的方法是k近邻。对每个点，找到距离它最近的k个样本，然后在它们之间连边。

光连边还不够，边上有权重。权重计算最常用的方式是热核：

[ W_{ij} = \exp\left(-\frac{|x_i - x_j|^2}{\sigma}\right) ]

这里σ是热核宽度，控制着权重随距离衰减的快慢。σ太大，所有边的权重都差不多，图表达的信息模糊；σ太小，大量边权重趋近于零，图变得稀疏且对噪声敏感。我自己的经验是，σ取所有样本对距离的中位数或均值，通常效果比较稳，后续实验也用了这个策略。

本征图和惩罚图都要构建：

• 本征图 ( G_w )：当且仅当 ( y_i = y_j ) 且 ( x_i ) 在 ( x_j ) 的k近邻内时，连边权重为 ( W_{ij} )。
• 惩罚图 ( G_b )：当且仅当 ( y_i \neq y_j ) 且 ( x_i ) 在 ( x_j ) 的k近邻内时，连边权重为 ( W_{ij} )。

构建完成后，分别计算两个图的拉普拉斯矩阵：

[ L_w = D_w - W_w ] [ L_b = D_b - W_b ]

其中 ( D_w ) 和 ( D_b ) 是度矩阵，对角线上分别是每行权重之和。

有一个容易被忽略的细节：类内图如果过于稀疏，L_w可能非常病态；类间图如果太密，L_b的信息又被稀释。所以k值既不能太大也不能太小，正常范围是5到15。样本量大的时候可以适当增大k，让类间图覆盖更多边界样本。

2.2 归一化在干什么

构建完拉普拉斯矩阵后，NDGE引入了对称归一化：

[ \tilde{L}_w = D_w^{-1/2} L_w D_w^{-1/2} ] [ \tilde{L}_b = D_b^{-1/2} L_b D_b^{-1/2} ]

用生活类比来解释：如果把每个样本点看成一个社交账号，度矩阵就是它的粉丝数。未归一化的拉普拉斯矩阵在优化时天然更重视粉丝多的节点，投影方向会被少数高连接度样本左右。归一化之后，每个节点的贡献先除以粉丝数的平方根，整体影响力更均衡，投影结果对样本分布不均衡的情况也更加鲁棒。

从优化目标看，未归一化时：

[ \max_{W} \frac{W^T X L_b X^T W}{W^T X L_w X^T W} ]

归一化后变成：

[ \max_{W} \frac{W^T X \tilde{L}_b X^T W}{W^T X \tilde{L}_w X^T W} ]

分母中 ( X \tilde{L}_w X^T ) 在样本量不足时往往奇异，归一化并不能百分百消除奇异性，但能明显减缓病态程度。在Matlab中求解时，建议对分母矩阵加一个微小的正则项：

[ X \tilde{L}_w X^T + \epsilon I ]

这里 ( \epsilon ) 建议取 ( 10^{-6} ) 到 ( 10^{-8} ) 之间的值。这个操作几乎不影响投影方向，却能避免特征值分解时出现极端大的数值。

2.3 最终投影矩阵的求解路径

整理一下完整的求解路径。输入是特征矩阵X（维度d×n）、标签向量Y（1×n）、近邻数k和热核宽度σ，输出是投影矩阵W（维度d×m）。

步骤如下：

1. 计算所有样本之间的欧氏距离矩阵。
2. 根据标签构建类内图权重矩阵 ( S_w ) 和类间图权重矩阵 ( S_b )。
3. 计算度矩阵 ( D_w )、( D_b )，再构造拉普拉斯矩阵 ( L_w )、( L_b )。
4. 做对称归一化得到 ( \tilde{L}_w )、( \tilde{L}_b )。
5. 构造矩阵 ( A = X \tilde{L}_b X^T )，( B = X \tilde{L}_w X^T + \epsilon I )。
6. 对 B 做Cholesky分解或直接用广义特征分解，求解 ( A v = \lambda B v )。
7. 按特征值从大到小排列，取前m个特征向量作为投影矩阵。

m的选择通常在2到min(类别数-1, d)之间。注意这里的m不是类别数减一这种固定值——图嵌入方法不受这个约束，可以从1一直试到特征维度上限，看准确率曲线哪里趋于平稳就选哪里，这是NDGE灵活性上的优势。

3. Matlab实现与关键代码

3.1 整体代码结构与数据准备

整个Matlab实现分成三大块：主脚本、NDGE核心函数、分类与概率输出模块。主脚本负责加载数据、调用模型、绘制准确率曲线；核心函数负责图构建和特征值分解；概率输出模块用softmax把高维判别向量转成每个类别上的概率。

先放主脚本：

clear; close all; clc; rng(42); % 加载数据 % data = load('fault_dataset.mat'); % X: d x n 特征矩阵，每一列是一个样本 % Y: 1 x n 标签向量，取值 1 到 C % 这里以随机数据做演示结构 m = 44; % 特征维度 C = 4; % 故障模式数量 nPerClass = 80; % 每类样本数 X = randn(m, nPerClass * C); Y = repmat(1:C, nPerClass, 1); Y = reshape(Y, 1, []); % 拆分训练与测试集 splitRatio = 0.7; idx = randperm(size(X, 2)); nTrain = floor(size(X, 2) * splitRatio); trainIdx = idx(1:nTrain); testIdx = idx(nTrain+1:end); X_train = X(:, trainIdx); Y_train = Y(trainIdx); X_test = X(:, testIdx); Y_test = Y(testIdx); % 标准化：按训练集均值和标准差 mu = mean(X_train, 2); sg = std(X_train, 0, 2) + 1e-8; X_train = (X_train - mu) ./ sg; X_test = (X_test - mu) ./ sg; % 调用 NDGE params.k = 8; params.sigma = 'auto'; params.epsilon = 1e-6; [W, projTrain, projTest] = NDGE(X_train, Y_train, X_test, 12, params); % 训练分类器并输出概率 [probTest, Y_pred, acc] = classifyWithSoftmax(projTrain, Y_train, projTest, Y_test); disp(['测试准确率: ', num2str(acc * 100), '%']); % 绘制不同维度下的准确率 dimRange = 2:2:30; accDim = zeros(size(dimRange)); for i = 1:length(dimRange) [Wi, projTrain_i, projTest_i] = NDGE(X_train, Y_train, X_test, dimRange(i), params); [~, ~, accDim(i)] = classifyWithSoftmax(projTrain_i, Y_train, projTest_i, Y_test); end figure; plot(dimRange, accDim * 100, '-o', 'LineWidth', 1.5); xlabel('投影维度'); ylabel('测试准确率 (%)'); title('不同维度下的故障识别准确率'); grid on;

需要注意的是，数据标准化要放在拆分之后，并且只能用训练集的均值和标准差去处理测试集，否则会产生信息泄漏，准确率虚高。这个错误我在初期踩过，改过来之后结果真实多了。

3.2 邻接图构建和权重计算

NDGE核心函数的第一步是构建两个邻接矩阵。实现时我用了两阶段法：先算全连接距离矩阵，再根据近邻和标签筛选边。

function [W, projTrain, projTest, info] = NDGE(Xtrain, Ytrain, Xtest, m, params) % NDGE 归一化判别图嵌入 % 输入： % Xtrain - d x ntr 训练特征矩阵 % Ytrain - 1 x ntr 训练标签 % Xtest - d x nte 测试特征矩阵 % m - 投影维度 % params - 结构体，包含k、sigma、epsilon % 输出： % W - d x m 最终投影矩阵 % projTrain- m x ntr 训练集投影结果 % projTest - m x nte 测试集投影结果 % info - 包含特征值和图构建信息的结构体 k = params.k; epsilon = params.epsilon; % 合并数据用于距离计算（测试集只投影，不参与构图） Xall = [Xtrain, Xtest]; ntr = size(Xtrain, 2); % 训练集内部构图 D = pdist2(Xtrain', Xtrain'); [~, idxSorted] = sort(D, 2); % 自动确定热核宽度 if strcmp(params.sigma, 'auto') sigma = median(D(:)); sigma = max(sigma, 1e-4); else sigma = params.sigma; end % 初始化权重矩阵 n = ntr; Sw = zeros(n, n); % 类内图 Sb = zeros(n, n); % 类间图 maskW = (Ytrain' == Ytrain); % n x n，同类为true

3.3 求解投影矩阵

图拉普拉斯和特征值分解的实现如下：

% 填权重 for i = 1:n neighbors = idxSorted(i, 2:k+1); % 去掉自身 for j = neighbors if i ~= j w = exp(-D(i, j) / sigma); if maskW(i, j) Sw(i, j) = w; else Sb(i, j) = w; end end end end % 对称化 Sw = max(Sw, Sw'); Sb = max(Sb, Sb'); % 度矩阵和拉普拉斯矩阵 Dw = diag(sum(Sw, 2)); Db = diag(sum(Sb, 2)); Lw = Dw - Sw; Lb = Db - Sb; % 对称归一化 invSqrtDw = diag(1 ./ sqrt(max(diag(Dw), 1e-12))); invSqrtDb = diag(1 ./ sqrt(max(diag(Db), 1e-12))); Lw_norm = invSqrtDw * Lw * invSqrtDw; Lb_norm = invSqrtDb * Lb * invSqrtDb; % 构造广义特征问题 A = Xtrain * Lb_norm * Xtrain'; B = Xtrain * Lw_norm * Xtrain' + epsilon * eye(size(Xtrain, 1)); % 特征值分解，求最大化目标函数的前m个特征向量 opts.disp = 0; [V, D] = eigs(A, B, m, 'largestabs', opts); % 排序（eigs本身一般按大小返回，但保险起见再排一次） [~, order] = sort(diag(D), 'descend'); W = V(:, order); % 投影 projTrain = W' * Xtrain; projTest = W' * Xtest; info.Sw = Sw; info.Sb = Sb; info.eigvals = diag(D); info.sigma = sigma; end

这里最容易出问题的是 eigs 对 B 矩阵的要求。B 必须是对称正定阵。加上 epsilon 正则项之后，理论上没问题，但万一特征值还是出现负的小值，可以把 epsilon 调大一个量级。另外，如果样本数小于特征维度，d远大于n时，原始的 ( X L X^T ) 会是一个非常低秩的大矩阵，用 eigs 求解速度很慢。此时可以先用PCA把维度压到不超过n的水平，再跑NDGE，这是实践中很实用的一招。

3.4 输出每个样本对不同故障模式的概率

故障诊断场景里，光给一个“这属于第2类故障”的结论往往不够。现场工程师更希望看到“这个样本有87%的概率是内圈故障、8%概率是外圈故障”这样带置信度的输出。概率化输出的另一个好处是，当预测置信度偏低时，可以触发人工复核，而不用完全相信硬分类。

在NDGE投影后的低维特征上做概率估计，我首选的是带温度系数的softmax：

function [prob, Y_pred, acc] = classifyWithSoftmax(projTrain, Ytrain, projTest, Ytest) % 用最近类别原型 + softmax 输出概率 % 先对每个类别计算原型（均值向量） classes = unique(Ytrain); C = length(classes); prototypes = zeros(size(projTrain, 1), C); for c = 1:C prototypes(:, c) = mean(projTrain(:, Ytrain == c), 2); end % 计算测试样本到每个类原型的欧氏距离 Dp = pdist2(projTest', prototypes'); % softmax: 距离越小概率越高 % 温度参数 tau 控制概率分布的锐度 tau = 1.0; logits = -Dp / tau; maxLogit = max(logits, [], 2); expLogits = exp(logits - maxLogit); prob = expLogits ./ sum(expLogits, 2); [~, Y_pred] = max(prob, [], 2); acc = mean(Y_pred' == Ytest); end

这个模块返回的prob矩阵形状是 nTest × C，每一行是一个测试样本，每一列是它对某个故障模式的概率。温度tau可以调节：tau越小概率分布越极端，tau越大概率越均匀。工程上一般让tau在0.5到2之间调参。

4. 实验过程与结果解读

4.1 实验设定与数据集情况

我在某公开滚动轴承故障数据集上做了验证，该实验台通过电火花在轴承上加工出单点故障，采集驱动端加速度信号，包含正常、内圈故障、外圈故障、滚动体故障四类状态。每个状态取若干样本，每段信号计算时域、频域、小波包能量共44维特征。

对比算法选了PCA、LDA和未归一化的DGE（判别图嵌入）。所有方法统一使用相同的训练、测试划分，分类器也都用最近的softmax原型分类器，保证对比公平。近邻数k在NDGE和DGE里统一设置为8，热核宽度σ取所有样本对距离的中位数。

4.2 不同维度下的准确率变化规律

直接说结果。下面表格是一组典型数值（具体数值会因随机划分浮动，但趋势稳定）：

几个规律值得注意：维度从2增加到8的过程中，NDGE准确率提升最明显，说明前几个投影方向确实抓住了主要的判别信息；到10维之后准确率进入平台期，再增加维度收益有限，甚至偶尔会略有下降。这主要是因为低贡献的特征向量引入了噪声，所以实际部署时不需要一味追求高维度，选准确率曲线拐点附近即可。

在低维度区间（2到6维），NDGE的领先幅度最大。之前用DGE时，当维度比较低时投影方向会被少数高连接样本带偏，归一化之后这种问题大大缓解，所以NDGE在低维压缩场景下优势明显。对工程上想要把44维特征压到6到8维的需求来说，这个特性很实用。

4.3 概率输出的实际形态与使用场景

概率输出比单纯准确率更能反映模型行为。我截取了一次实验的典型输出：

样本编号 真实故障 预测概率分布 1001 正常 [正常 0.94, 内圈 0.02, 外圈 0.03, 滚动体 0.01] 1002 内圈故障 [正常 0.01, 内圈 0.87, 外圈 0.06, 滚动体 0.06] 1003 外圈故障 [正常 0.02, 内圈 0.11, 外圈 0.85, 滚动体 0.02] 1015 滚动体故障 [正常 0.03, 内圈 0.22, 外圈 0.10, 滚动体 0.65]

像1003号样本这样，尽管判对了外圈故障，但内圈故障的概率也有0.11，说明该样本在投影空间中跟内圈类原型比较接近，可能正好处于两类故障的边界区域。这类样本单独靠硬标签看不出来问题，但概率分布一旦展开，边界样本就现形了。

实际使用这个概率输出时，我通常会设一个置信度阈值，比如0.8。低于阈值的样本一律标为“待复核”，由设备维护人员结合时域波形二次确认。这种半自动模式在车间落地时比全自动更受欢迎，因为工程师信任带置信度的判断，而不是看着一个黑盒直接给结论。

5. 实践中踩过的坑与解决方案

5.1 广义特征值分解的数值稳定性问题

用Matlab的eigs求解广义特征值问题时，最常见的问题有两个：分母矩阵B奇异导致计算失败；算出负特征值导致排序混乱。

第一个问题靠正则项解决，epsilon设1e-6基本够用。如果数据维度特别高，可以考虑先降维到100维以内再跑NDGE。第二个问题更隐蔽，通常是因为原始特征里有几个量级特别大的离群值。比如峰值因子一般是3到5之间，但某个样本突然飙到25，距离矩阵里对应的行就会出现极端值，热核权重直接变成0，图结构被破坏。解决办法是在特征标准化时用中位数和MAD（绝对中位差）替代均值和标准差，对离群值更鲁棒。

5.2 近邻数和热核宽度的参数选择

k值选多大才算合适，这个没有一劳永逸的答案。k太小，类间图连接不充分，边界样本的关系表达不完整；k太大，类内图混入异类样本，判别信息被污染。我的经验法是k取类别样本数的小百分比，比如每类80个样本时k取8到10，每类30个时k取5。

σ的自适应选取比k更值得用心。固定σ很容易翻车，因为不同工况下信号的幅值波动很大，距离矩阵的尺度完全不同。我推荐用中位数距离作为σ的基准，而不是自己拍脑袋定一个数。自动模式下即使不同数据集之间特征分布差异很大，算法也能自适应地调整热核宽度，这一条在跨设备、跨工况迁移时特别重要。

5.3 概率校准与模型过拟合

softmax原型分类器虽然简单可靠，但有一个通病：当训练样本较少时，概率分布往往过度自信，明明样本落在两类边界，输出概率还是接近1。这在故障诊断里是需要警惕的，因为边界样本恰恰是最容易误判的样本。

一个有效的校准方案是使用温度缩放。在验证集上搜索一个温度tau，让softmax输出的置信度与实际准确率尽量匹配。实操代码很简单：

% 在验证集上搜索温度参数 tauCandidates = 0.1:0.1:3.0; bestTau = 1.0; bestScore = inf; for t = tauCandidates % 用当前tau计算验证集概率 DpVal = pdist2(projVal', prototypes'); logits = -DpVal / t; probVal = exp(logits - max(logits, [], 2)); probVal = probVal ./ sum(probVal, 2); % 计算置信度与准确率的匹配误差 conf = max(probVal, [], 2); score = abs(mean(conf) - mean(Y_predVal' == Yval)); if score < bestScore bestScore = score; bestTau = t; end end

这套温度校准方法不需要重新训练分类器，只是对概率输出做后处理，工程性价比极高。我用完之后，边界样本的置信度明显更真实，现场工程师也更愿意采纳系统给出的判断。

6. 收尾：个人实操心得与扩展建议

NDGE这套方案我在多个故障诊断场景里跑过，印象最深的是它在低维压缩下的表现。把44维特征压到8维左右，识别准确率还能保持在96%以上，这在现场部署时很实用，因为低维特征意味着更小的存储开销、更快的分类速度，对嵌入式硬件也更友好。

有一个操作细节值得单独提出来说：投影矩阵W在使用前，一定要检查列向量的符号和排序。特征向量乘以负一仍然是特征向量，但两批独立实验投影方向可能相反，导致特征可视化时出现镜像翻转。虽然不影响分类准确率，但分析投影方向对应的物理含义时会很困惑。我的习惯是在主脚本里加一个约定：每个特征向量第一个非零元素的符号固定为正，这样不同批次实验的结果可比性更强。

这个项目后续的扩展方向我觉得有两条。一是把NDGE和特征选择结合起来，先用过滤式方法筛掉明显无关的频带特征，再进NDGE做判别压缩，整个流程会更稳。二是把概率输出和贝叶斯决策融合，利用故障先验概率计算误报损失和漏报损失，得到更贴近工业现场风险偏好的决策边界。这些扩展都不需要改动NDGE主体，新增模块就能接上。如果有同学在自己的数据上试出了不同的参数规律或者踩到了新坑，欢迎交流，这类方法在工程上最有价值的往往是那些不在论文里、只在实际跑数据时才能发现的细节。