NDGE方法在工业故障诊断中的原理与实践

1. 故障诊断中的NDGE方法概述

在工业设备监测与故障诊断领域，归一化判别图嵌入（Normalized Discriminant Graph Embedding, NDGE）是一种基于流形学习的特征提取技术。它通过构建类内图和类间图来保持数据的局部几何结构，同时最大化不同故障模式之间的判别信息。与传统线性判别分析（LDA）相比，NDGE能够更好地处理非线性可分的数据分布。

我曾在某轴承故障诊断项目中首次接触NDGE方法。当时我们面临的问题是：当设备运行工况变化时，传统频域特征对负载波动非常敏感，导致分类器性能急剧下降。而NDGE通过图嵌入方式学习的低维特征，展现出优异的工况鲁棒性——这正是它近年来在旋转机械故障诊断中备受青睐的原因。

2. NDGE算法核心实现步骤

2.1 数据预处理与图构建

NDGE的输入通常是一组带标签的高维样本X=[x1,x2,...,xn]∈R^(d×n)，其中d是原始特征维度，n是样本数量。首先需要对原始振动信号进行特征提取，常见做法包括：

matlab复制% 时域特征提取示例
features = [...
    mean(signal); std(signal); skewness(signal); 
    kurtosis(signal); rms(signal); peak2peak(signal)];

构建类内图Ww和类间图Wb是NDGE的核心步骤。对于每个样本xi，在其k近邻中：

• 同类样本间建立Ww边（通常用热核权重）
• 不同类样本间建立Wb边（常采用二值权重）

matlab复制% 图权重计算示例（使用MATLAB的pdist2）
D = pdist2(X', X'); 
[~, idx] = sort(D, 2);
Ww = zeros(n,n);
for i=1:n
    same_class = find(labels==labels(i));
    neighbors = intersect(idx(i,2:k+1), same_class);
    Ww(i,neighbors) = exp(-D(i,neighbors).^2/t);
end

2.2 目标函数优化

NDGE通过求解以下广义特征值问题获得投影矩阵：

max(v^