针对多源传感器监测构建的轴承故障数据集存在高维非线性特性、故障模式难以有效辨识的问题，提出一种基于超特征空间图嵌入（hyper feature space graph embedding，简称HFSGE）的故障数据降维算法。首先，该算法在每个样本点的近邻域内确定特征空间的组合元素，构造样本点间的多元邻接关系；其次，在特征空间基础上引入超边模型构建超特征空间邻接图，保留数据分布的拓扑结构信息；然后，建立类内、类间超特征空间邻接嵌入图，利用最大化散度差值矩阵准则，在嵌入空间实现类内聚集、类间分散，降低后续故障分类决策难度；最后，基于帕德伯恩大学的轴承故障模拟实验对所提算法各项性能进行验证。结果表明：HFSGE算法可从低价值密度的海量监测数据中剔除冗余信息，并挖掘出有效的故障决策知识，为降低数据维度、提升辨识准确率提供理论参考。