Application of SVD to fault extraction from the machine symptom observation matrix (SOM) seems to be validated enough, especially by data taken from many real diagnostic cases. However, frequently we have situation of varying machine load during the production process, where by observed primary symptoms are influenced greatly. This concerns generalized symptoms too, so decision making process and forecasting is disturbed. But we can apply some new data smoothing procedure called singular spectrum analysis (SSA), to eliminate load influenced symptom fluctuation, and obtain the machine wear trend only. This seems to be true, as it was shown in the paper, but special care should be taken to choose smoothing approximation order properly.
PL
Zastosowanie rozkładu SVD do wydobycia informacji o uszkodzeniu z symptomowej macierzy obserwacji (ang. SOM) wydaje się być wystarczająco uzasadnione, szczególnie dla danych pochodzących z wielu rzeczywistych przypadków diagnostycznych. Jednakże w wielu przypadkach mamy do czynienia z sytuacją zmiennych obciążeń maszyny podczas procesu produkcji, silnie wpływających na obserwowane symptomy. Dotyczy to także symptomów uogólnionych, co utrudnia proces podejmowania decyzji i prognozowania. Możemy jednak zastosować pewną nową procedurę wygładzania nazywaną analizą widma szczególnego (ang. SSA), aby wyeliminować obciążenia wpływające na fluktuacje symptomu i otrzymać tylko trend zużycia maszyny. Wydaje się to być prawdą, jak zostało pokazane w pracy, jednak z zachowaniem szczególnej uwagi w poprawnym wyborze rzędu przybliżenia w procedurze wygładzania.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.