算法通过在每个样本点的近邻域内确定特征空间的组合元素，构造多元邻接关系，并引入超边模型建立超特征空间邻接图，以保留高维数据的拓扑结构；在此基础上，分别构建类内和类间超特征空间嵌入图，利用最大化散度差值矩阵准则获得低维投影，从而实现同类样本聚集、异类样本分散的高效降维，有效提升故障辨识精度。

算法步骤如下：

① 输入原始高维特征数据集，设定特征空间参数、类内近邻参数、类间近邻参数及目标维数；

② 对每个样本点，在其近邻域内按组合数确定特征空间的多元元素，并以每个特征空间单元为超边，构建超特征空间邻接图，去重合超边；

③ 根据标签信息，分别建立类内超特征空间图和类间超特征空间图，计算超边的权重（超边内所有点对余弦相似度之和）及对应的关联矩阵、顶点度和超边度；

④ 依据超图拉普拉斯公式计算类内散度矩阵与类间散度矩阵；

⑤ 构建最大化散度差值矩阵的目标函数，通过拉格朗日乘子法转化为特征值分解问题；

⑥ 取前若干个最大特征值对应的特征向量组成投影矩阵；

⑦ 输出投影矩阵及降维后的低维特征集。