Double Singular Value Decomposition (SVD) Of Symptom Observation Matrix In Machine Condition Monitoring

Application of SVD to fault extraction from the machine symptom observation matrix (SOM) seems to be validated enough by means of data taken from real diagnostic cases. But sometimes the number of observations, i.e. rank of the SOM is low, what may influence obtained results and subsequent diagnostic decision. This was the reason to look for additional improvement by the second application of SVD to generalized fault matrix obtained by the first SVD. The result is strange, no accuracy increase flows from the application of the second SVD, independently of the SOM rank. This needs further deliberations and rethinking.

Korzyści zastosowania SVD w wielowymiarowej diagnostyce maszyn są potwierdzone przez wielu autorów. Jednak dla małej ilości obserwacji, kiedy rząd symptomowej macierzy obserwacji jest niski, wyniki mogą wydawać się nieprecyzyjne, co może wpływać na wynikowa decyzje diagnostyczną. Zatem zastosowano podwójny rozkład SVD w skrajnych przypadkach wziętych z praktyki diagnostycznej, kilkunastu i kilkuset obserwacji. Otrzymany rezultat zaprzecza początkowej supozycji, dodatkowe zastosowanie SVD nie daje żadnego wzrostu dokładności obliczeń uogólnionych symptomów. Przy okazji tych badań podwójnego SVD łatwo było skonstruować nowy uogólniony symptom wskazujący na występowanie dwu liczących się uszkodzeń w obserwowanym obiekcie, co może być istotne w sytuacjach nadzory złożonych obiektów.