Modelowanie neuronowe systemu eksploatacji pojazdów ciężarowych Neural modeling of the truck vehicle operation system
13
0
0
Pełen tekst
(2) _
(3) QX
(4) '
(5)
(6) Q : '
(7)
(8). = ;8>/ .
(9)
(10) X"QX
(11) _* :. MODELOWANIE NEURONOWE SYSTEMU 5-"&&%-&)%~$&'! () *
(12) , maj 2019. Streszczenie: ^ =*# * "
(13) = : =:* #
(14) * #?"
(15) ) ""V korzystaniem metod sztucznej inteligencji. Na podstawie gruntownej analizy literatury zdefiniowano
(16)
(17)
(18) =#!"*"* * "
(19) * #?"@{
(20) =* V * #
(21) ) " *: #=
(22) "
(23) #Q Q ?
(24) :#!::'
(25) *" "
(26)
(27)
(28) "
(29) ! ; /
(30) = * " |$ @ *"
(31) * 'V mowania komputerowego zamodelowano sieci neuronowe MLP (ang. Multi-Layered Perceptron). ./0 /
(32) 1 * #Q: "
(33) Q= "
(34) Q :
(35)
(36) '#. 1. W~ )* . '
(37) =
(38) =
(39) :;
(40) "="=:#!* ;) ' * :
(41) "
(42) =
(43) )
(44) * =
(45) "
(46) * ?" * " * *")/ " >
(47) ' =:* #' Q ?/:# :#!"=
(48) = ot
(49) :* #
(50) *"
(51) " >
(52) "
(53)
(54) :@% "#! ' = '!;<V ?
(55)
(56) #
(57) *" "/ = /
(58) " *
(59) );
(60) "@ Zagadnienie to dotyczy przede wszystkim problematyki racjonalnego eksploatowania poj?"
(61) ) "@ & " "
(62) "
(63) = "
(64) =:* #
(65) * #?"V = " !#)>
(66) #=
(67)
(68) =
(69) "
(70) ?""
(71) !
(72) : "V
(73) = *"
(74)
(75) :== #
(76) " >
(77) =: * "' @^)sto po#= "!"
(78) !# ?"
(79) /#
(80) >"
(81) ! # >
(82) "
(83) ::'
(84) transportowej [2, 26] "*":: "
(85) * #?"> "
(86) : [6]. Analiza literatury z obszaru eksploatacji pojazdów wykazuje zainteresowanie t= ! "*": * ;:
(87)
(88) " >
(89) : "
(90) * #?" * '? #' = konstrukcyjne np. silnika [14] czy resorów piórowych [9]..
(91) 124. Paulina Owczarek, % Y?"
(92) . =:* "
(93) * #?"= " :#
(94) )=@
(95) @* V "
(96)
(97) ";
(98) ?"
(99) *= ?" ;:' " -: "" ><*;
(100) ':Q * #= ><
(101)
(102) Q"
(103) * #:[23], praca silnika spalinowego i jego rozruch [10], koszty napraw, przychody [21]Q'. " ><
(104) Q* #:* #:@ "
(105) ;:* = "
(106)
(107) ;)"*
(108) /:# :#! =?"Q* ' "
(109) "* '? #' = ?" minimalizowania prawdop ;
(110) "" !*
(111)
(112) * ; =?"
(113) ?@ | "
(114)
(115) * ?"" *
(116) : = = =V
(117)
(118)
(119)
(120)
(121) " >
(122) = '!;< : ** "
(123)
(124)
(125) *V
(126) <
(127) ": ?"@X
(128) =**:* * "!
(129) = ;
(130) V
(131) "Q*@= " :#!* | " :;
(132) " >
(133) "
(134) '=/V zowe [13, 22], model sieci Petriego oraz procesy symulacji Monte Carlo [16]. ^ )>
(135) # :#
(136) )= :=
(137) =: # =puterowe do przeprowadzania eksperymentów i budowania modeli eksploatacyjnych pojazdów samochodowych [25]. X)
(138) =Q'
(139)
(140) =* " * =#
(141)
(142)
(143) "#" )*:#!#"
(144) i * ?"Q=
(145) "
(146) *"
(147) )Q* "!
(148)
(149) / =: "
(150)
(151) V : *
(152)
(153)
(154) "
(155) = ;: =
(156) " >
(157) = = ' *
(158) "
(159)
(160) innych systemów. W
(161) **Q* "
(162) !"
(163) : :
(164) *
(165) "V '
(166) Q#;=
(167) #"'
(168) #=* ;= "
(169) !
(170) * ; =:= ;< V "
(171)
(172) )
(173)
(174) : "]"
(175) )=
(176) Q ? " ":#! >
(177)
(178)
(179)
(180) "` [30]@
(181) #!?"
(182)
(183) "
(184) :#
(185)
(186) '#
(187) " *
(188) @& *: *"
(189)
(190) # >
(191) > ?" * :[29], do oceny ryzyka [28], do optymalizacji tras przejazdu [27] i inne [58], [28]. X : * #) "
(192) !* ; =
(193) = "
(194) =:* V #
(195) * #?"
(196) ) "@+;
(197) "Q
(198)
(199)
(200) * V "
(201)
(202) =:* #
(203) * #?"
(204) ) "@ {
(205) ! * :"') *
(206) >
(207) ;' * ; =:
(208) "
(209) :
(210)
(211) : " "
(212) !"
(213) ' *: Q > Q
(214) = niniejszej pracy jest opracowanie modelu =:* #
(215) * #?"
(216) ) ""V korzystaniem metod sztucznej inteligencji. =
(217) =;
(218)
(219) #' ::# =* #
(220) * #?"
(221) ) "@ / =: "
(222) !'
(223) ) * *"
(224) = Q
(225)
(226) )zi ba" #@
(227)
(228) :Q
(229) * "Q
(230) * :: "
(231)
(232) ;:'
(233) "
(234) * #?"
(235) ) "Q
(236) * "
(237) "Q *
(238) "Q
(239) * =
(240) ?"Q
(241) / " >
(242) * :Q= =: #
(243) =*:terowej, wywiad z ekspertami, synteza, badania ankietowe, regresja liniowa i autokorelacja. X =
(244) )
(245) ;"
(246) )
(247) ;) *
(248) :
(249) V =:* #
(250) * #?"
(251) ) "Q =
(252) * '= =*: ":=
(253) "
(254) *rze* "
(255) = "
(256) =: * #
(257) * #?"
(258) ) " " *
(259) /V " >
(260) =
(261) #@.
(262) | "
(263) : " =:* #
(264) * #?"
(265) ) ". 125. 2. 65)&%%5&)& F* ;
(266) !'
(267) )
(268) * "
(269) ' :;"'
(270) # V =:* #
(271) ;
(272) =* * #?"
(273) ) " &|^ Q
(274) V :#!::'
(275) *" "
(276)
(277) @ ; :Q !' ?/
(278) m transportowych z |$ * '
(279) #
(280) * "'
(281) zapotrzebowaniem klientów. Pojazdy wyprodukowane w latach 2008-2016 przez 2 producentów. ;#=:#! = Q #@ (: |
(282) ¬
(283) &: @ ;
(284) '
(285) * ! " * #?" "
(286) )*
(287) =
(288) @ @= @=@& *: " >< pojazdów oscyluje w przedziale 950–1150 kg. )*
(289)
(290) ! *= ?" =#! "*" ) i modelowanie systemu eksploatacji pojazdów ci) "@*=
(291)
(292) ;;* :"')@X
(293)
(294) " * '? *= ?" # V
(295) / " >
(296) =
(297) #
(298) " * "#* ") V =: "
(299) * ?" * "
(300) *rognozowania efektów wykonywanej *@& ' Q=#!:"*= =#!"*""
(301) "Q/
(302)
(303) V wano 4 '?"':*
(304) ?" ""* YU*= : "
(305) * #?"= ", YK: parametry klimatyczne, YO: *= ;:' "* #?"= ", YE: parametry ekonomiczne.. '?
(306) *
(307) =
(308) @+;
(309) ? *
(310) :V #!""@
(311) * "
(312) "tablicy 1. Tab. 1 Kryteria i charakterystyki zastosowane do 9
(313) /8 V 0
(314) H;=/8 V_ 9>/ mechanicznych Kryterium YU10< =
(315) ;=; H;=/8 V_ 9>/ 0<9/;0< 1 8.9 =
(316)
(317) )
(318) ;
(319) *:#!(l) 2 8:9 =
(320)
(321) )*;
(322) '* #:(km) 3 8;9 >
(323)
(324) #* #:(h) 4 879 >
(325)
(326) ** #:(h) 5 819 >
(327)
(328) * #:* #:(h) 6 89 >
(329) *) ><#* #:(km/h) 7 8<9 >
(330) *
(331) *
(332) "(1l/100 km) 8 8>9 >
(333)
(334) =::(kg) 9 8?9 >
(335) " ><* "::(%) Kryterium YK: charakterystyki klimatyczne 10 8@ warunki atmosferyczne
(336) Kryterium YO10< =
(337) ;=; .?/
(338) V_ 9>/ 0<9/;0< A 11 8< ::*
(339)
(340) *?"(tak, nie) 12 8A kontrola ogumienia (tak, nie) 13 8#A kontrola hamulców (tak, nie) 14 8BA CDEFGHIJKIJ awarii (tak, nie) 15 8:A rodzaj awarii !
(341) !
(342) ".
(343) 126. 16 17 18. Paulina Owczarek, % Y?"
(344) . Kryterium YE: charakterystyki ekonomiczne 8? =
(345)
(346) )" ><
(347) 8? =
(348)
(349) ) * #
(350)
(351) 8>? =
(352)
(353) )*?
(354) #
(355) ::'*" "
(356) . Cd. tab. 1. Dla tak zdefiniowanych kryteriów zebrano dane z jednego roku eksploatacji. Pojazdy te '?"
(357) * :
(358) )"::=
(359) #
(360) =* #=
(361) =
(362) * =
(363) =
(364) #:@ &
(365) * " * "
(366) =@
(367) @ * "Q
(368) * yz "
(369) "
(370) ""
(371) ?"* =
(372) @& ' * #:
(373) '
(374) ""@ =
(375) @ ""
(376)
(377) ;;* "
(378) " ;
(379) @ F* "
(380) * "; * =
(381) ?"@& ;* >
(382) " V stano do modelowania sieci neuronowych.. 3. MODELOWANIE NEURONOWE {
(383) !=
(384) " >
(385)
(386) * ;:"
(387) :
(388)
(389) : " = "
(390) * :: "
(391) * #?"=
(392) ** " * V wie zebranych danych. W celu zastosowania sieci neuronowych do modelowania procesu : "
(393) > ;
(394) ? '?" "#>
(395) "Q ?"
(396) >
(397) " ]" w postaci liczby), jak i # >
(398) "]"
(399) '"
(400)
(401) `@ * >?"
(402) : #?"
(403)
(404) : " "
(405) : ' =?"
(406) :
(407) " dalszych badaniach wykorzystano perceptron wielowarstwowy (Multilayer Perceptron) i algo = :! = '
(408) ?" *) = #;' *:Q = ) BFGS (Broyden – Fletcher – Goldfarb - Shanno)@X
(409) <: " grup: sieci jednokierunkowych, gdzie prze*"
(410) / =#
(411) ;"
(412) )"#! )] "#>
(413) "#>
(414)
(415)
(416) : "#` "@
(417)
(418) "Q'
(419) * :
(420) ;"
(421) )* =:
(422) ]">?'?"" !# '" "` :#!* '= =*: "Statistica 13.3 oraz zdefiniowanie kryteria i charaktery
(423) * :: "
(424) = " "
(425) "Q#
(426) =# *? ::V
(427) #
(428) * "" :#! :
(429)
(430) : "@ > )*:#!' "#>
(431) "
(432) >
(433) "LMN , 8.9 , 8:9 , 8;9 , 879 , 819 , 89 , 8<9 , 8>9 , 8?9 , 8? , 8? ; "#>
(434) "# >
(435) "8<A , 8A , 8#A , 8BA , 8:A ; "#>
(436) "
(437) >
(438) "8>? . X"
(439) ="#>
(440) "Q/
(441)
(442) " "
(443) >
(444) ;
(445) ?"@> Q 80 % - "
(446) <;)
(447) ;
(448) ?:!" " = /
(449) #
(450) "', 10 % - ;
(451) ? "* ;
(452) !' =
(453) "
(454) * ::
(455) , 10 % - ;
(456) ?"
(457) # # >
(458)
(459)
(460) *
(461) :* ::
(462) @.
(463) | "
(464) : " =:* #
(465) * #?"
(466) ) ". 127. F )*
(467) * " * " " *=
(468)
(469) Q #@ *
(470)
(471) ]** "
(472) V warstwowy – | `Q=
(473) @
(474) ;): ?": Q=±@
(475) ;): ?": Q
(476) ;)
(477)
(478) :!Q
(479) ;)
(480)
(481) "Q/:#) "#
(482) : ?":
(483) neuronów "#>
(484) "Q" >
(485) :#
(486) "' " ": #
(487) " ""#>
(488) "#@ Po zdefiniowaniu danych i parametrów sieci przeprowadzono proces uczenia sieci neu "#" :#!' = @+ ' *= : : " >
(489) #!Q ;:<## ** "@ ""V niki tego procesu przedstawiono w tablicy 3. &" * ::
(490)
(491)
(492) ?"
(493) ;#=:#!" >
(494) :#='V ?""#>
(495) "*@=
(496)
(497) )*?@ Tab. 2 - ;.9/
(498) 98
(499). " !*
(500)
(501) "
(502)
(503) (tak, nie). rodzaj awarii. =
(504)
(505) )*?
(506) #
(507) ::' przewozowych
(508) . kontrola hamulców (tak, nie). 1 30 9202 06:08 06:55 00:47 50 14,3 1250 113,6. . tak. tak. tak. nie. brak. 16210 10004,08 6205,92. 1 23 8700 07:33 08:21 00:47 50 14,0 1237 112,5. . nie. nie. nie. nie. brak. 14760 9762,45 4997,55. 1 18 5980 06:38 07:44 01:06 50 14,3 1317 119,7 >
(509) nie. nie. nie. tak. 1 30 9000 06:00 06:58 00:58 50 14,4 1383 125,8 >
(510) nie. nie. nie. nie. brak. 19890 10236,25 9653,75. 1 31 11760 06:19 07:24 01:05 50 14,8 1454 126,4 dobre tak. tak. tak. nie. brak. 21460 11738,06 9721,94. 2 30 8902 05:56 06:52 00:56 50 14,5 1325 115,2 dobre tak. tak. tak. nie. brak. 17250 12140,47 5109,53. 2 24 7590 06:04 07:18 01:13 50 14,4 1290 112,2 >
(511) tak. tak. tak. tak :@
(512) 14900 13051,77 1848,23. 2 29 8895 05:52 06:29 00:36 50 14,3 1390 146,3. . tak. tak. tak. nie. 2 18 6420 06:44 07:47 01:02 50 14,4 1305 137,4. . tak. tak. tak. tak :@
(513) 10890 9538,82 1351,18. * "
(514) ".. mi
(515) )" ><
(516) . kontrola ogumienia (tak, nie). =
(517)
(518) ) * #
(519)
(520) . Kryterium YO
(521) ;:V Kryterium YE: charakterystyki gowe pojazdów samochodowych ekonomiczne. ::*
(522)
(523) *?"(tak, nie). YK. warunki atmosferyczne
(524) . >
(525) " ><* ":: (%). >
(526)
(527) =::(kg). >
(528) *
(529) *
(530) "(l/100 km). >
(531) *) ><#* #:(km/h). >
(532)
(533) * #:* #:(h). >
(534)
(535) ** #:(h). >
(536)
(537) #* #:(h). =
(538)
(539) )*;
(540) '* #:(km). Nr pojazdu =
(541)
(542) )
(543) ;
(544) *:#!(l). Kryterium YU
(545) : "
(546) * #?" samochodowych. u. hamul. 11700 10108,49 1591,51. brak. 16940 10282,14 6657,86.
(547) 128. Paulina Owczarek, % Y?"
(548) . Tab. 3 - ;.9/
(549) /;8 V 0
(550) 0
(551) 8
(552) 0 8
(553) 8/
(554) _. ID Nazwa sieci. Y >< uczenia. Y >< Y >< testowania walidacji. 1. MLP 30-25-1 0,998188 0,996594. 2. MLP 30-13-1 0,999675 0,998758. 3. MLP 30-19-1 0,999660 0,999450. Algorytm Funkcja Aktywacja uczenia ;): ukryta. 0,979813. Aktywacja "#>
(555) ". 4. MLP 30-34-1 0,998843 0,992812. BFGS 49 BFGS 0,933187 102 BFGS 0,974722 105 0,970103 BFGS 79. SOS. X
(556) Tanh. SOS. Tanh. Liniowa. SOS. Tanh. Liniowa. SOS. X
(557) Logistyczna. 5. MLP 30-27-1 0,985394 0,990244. 0,979643. BFGS 17. SOS. Logistyczna. 6. MLP 30-33-1 0,990077 0,993894. 0,882297. BFGS 29. SOS. X
(558) Logistyczna. 7. MLP 30-40-1 0,996423 0,998734. 0,993183. BFGS 19. SOS. Logistyczna. Liniowa. 8. MLP 30-1-1. 0,986436 0,991118. 0,990672. BFGS 20. SOS. Liniowa. Tanh. 9. MLP 30-16-1 0,998939 0,995592. Tanh. 0,991156. BFGS 60. SOS. X
(559) X
(560) . 10 MLP 30-3-1. 0,986413 0,991045. 0,991470. BFGS 20. SOS. Liniowa. 11 MLP 30-3-1. 0,996621 0,998287. 0,946096. BFGS 48. SOS. Logistyczna. Tanh. 12 MLP 30-31-1 0,995641 0,992586. 0,950922. BFGS 48. SOS. Tanh. Tanh. 13 MLP 30-10-1 0,996247 0,996321. 0,993067. BFGS 22. SOS. X
(561) X
(562) . 14 MLP 30-8-1. 0,996991 0,993515. 0,949665. 15 MLP 30-6-1. 0,993805 0,994442. 0,963464. 16 MLP 30-26-1 0,999270 0,995352 17 MLP 30-1-1. 0,992335 0,996307. 18 MLP 30-15-1 0,986421 0,991167. Tanh. BFGS 44. SOS. Tanh. BFGS 23 BFGS 0,947035 106 0,957337 BFGS 45. SOS. X
(563) Logistyczna. SOS. Logistyczna. X
(564) . SOS. Logistyczna. Tanh. 0,988210. SOS. Liniowa. Tanh. BFGS 21. Tanh. 4. WERYFIKACJA WYBRANEJ SIECI NEURONOWEJ > "='
(565)
(566) ** "
(567) :* ::
(568) Q : :# *#
(569)
(570) *#)* <| 30-16-Q : ?""" "
(571) "#>
(572) "#Q neuronów w " "
(573) : #
(574) : "" "
(575) "#>
(576) "#]rys. 1). Liczba : ?""" "
(577) "#>
(578) "## :=!'?""#>
(579) "
(580) >
(581) V "
(582) "#>
(583) "# >
(584) "@F #"?
(585) <:"')* Q
(586)
(587) <: V " ' # >
(588) " * :# # * #!
(589) / =#)@ F*@ ' "#V >
(590) " ,,kontrola ogumienia” *
(591) ;)
(592) : " " "
(593) "#>
(594) "#@ := "
(595) "#>< * "
(596) : =@ Y ><:
(597)
(598)
(599) | -16- "*
(600) =
(601) Q*" * V ;
(602) " "
(603) * *"# * "
(604)
(605) ]* : ::
(606) #
(607) * "`Q# >< "
(608) *
(609) =
(610) QQ Q *"
(611) "
(612) .
(613) | "
(614) : " =:* #
(615) * #?"
(616) ) ". 129. *?;" =;
(617) ** ! "*"
(618) "
(619) # ><"
(620) #
(621) > *
(622) =
(623) Q@F# *= ' ==:
(624)
(625) ) ' =BFGS 60 (liczba 60. Q
(626) ;)* Q#
(627)
(628) <* ; " ** "
(629) * ::
(630)
(631) odna
(632)
(633) # *#
(634)
(635) Q" ?#;!:
(636) ;#=
(637) #`@. Rys. 1. Struktura badanej sieci MLP 30-16-1. O pozytywnym wyniku uczenia sieci : "#>"
(638) =@
(639) @":
(640) ]rys. 2), z ?' "
(641) Q# *! : :)
(642)
(643)
(644) "* Q" ?#:
(645) ;)V * "
(646)
(647) "
(648) *
(649) #Q;! "*
(650) =
(651) Q@. Rys. 2. Wykres uczenia sieci neuronowej MLP 30-16-1.
(652) 130. Paulina Owczarek, % Y?"
(653) . (?"
(654) " : :=
(655) # #
(656) ##*#
(657) >"
(658) pozytywnym wyniku uczenia sieci (rys. 3).. Rys. 3. X : :=
(659) # #
(660)
(661) : "#| -16-1. +":= <Q#
(662) '"#>
(663) " sieci neuronowej (w tym **: *"
(664) "
(665) =
(666)
(667) )' * :
(668) #
(669) ::'
(670) *" "#` V "
(671)
(672) "
(673) ! " >< =
(674) # "#>
(675) "# ]"
(676) =
(677)
(678) ) *? z
(679) #
(680) ::'
(681) * "#`@ % #!
(682) !!;#
(683)
(684) : "## Q
(685) ?
(686) =
(687) ) =
(688) !"#>
(689) "!
(690) ##*#!]rys. 4).. Rys. 4. (
(691)
(692) : "#| -16-1.
(693) | "
(694) : " =:* #
(695) * #?"
(696) ) ". 131. +
(697) '=:= <Q
(698) =#! = " ? naciskiem " >
(699) :#=@Y ' '? =
(700) = = >
(701) :=:" ' w @=!
(702) '=Q = : # "
(703) )@ Globalna
(704) "
(705) " >
(706)
(707) / =:##"!* '? =
(708) "#>
(709) "
(710)
(711) ##'"#>
(712) "@X
(713)
(714) "
(715) " >
(716) * '*"
(717) :# ":#
(718) );!
(719)
(720) "**:Q' >
(721) ;'
(722) #
(723) )=
(724) =
(725)
(726) V =
(727) @|
(728) "
(729)
(730) Q #=
(731) #"#>
(732) "###" >
(733) =
(734)
(735) !>
(736) ! ] ;
(737) ::!' `@_"
(738) )=
(739) * #"
(740) <#! "
(741)
(742) / =#)@ *
(743) : = /
(744) ""#>
(745) :
(746)
(747) *"
(748) ) ";!*V #
(749) @{! = * "
(750) " !<Q ; " !<
(751)
(752) :;" @ Q
(753) <# ; ; "
(754) "!=
(755) !"#>
(756) "!Q ;
(757)
(758) #=
(759) # :*
(760)
(761) @ ;
(762) "
(763) " >
(764) "' " * * '= "
(765)
(766)
(767) >< ]" ><`* '? =
(768) "#>
(769) "
(770)
(771) '"#>
(772) "– =
(773)
(774) )y *?
(775) #
(776) ::'
(777) *" "#(rys. 5).. Rys. 5. ;
(778) "
(779) " >
(780)
(781)
(782) : "#| -16-1. ;):
(783)
(784) ;#=
(785) # ;): =* ="#><=
(786) # 1 oznacza,
(787) :=°
(788) ="*":"
(789) "
(790)
(791) @| ?"
(792) * "
(793)
(794) <Q
(795) <
(796) ; *
(797) #;#=
(798) #@X analizowanym przypadku naj"
(799) )"*"'"#>
(800) "
(801)
(802) : "#=#!.
(803) 132. Paulina Owczarek, % Y?"
(804) . ">?'?"# >
(805) " rodzaj awarii, " !*
(806)
(807) "
(808)
(809) , kontrola hamulców, ">?'?"
(810) >
(811) " =
(812)
(813) )" >< , =
(814)
(815) ) * #
(816) , " ><* "::@ |
(817) !# >
(818)
(819)
(820)
(821)
(822) : "## *
(823) '
(824) "
(825) "
(826) " # w :!Q
(827) >< *"
(828) "
(829) " >
(830) =
(831) "#>
(832) " nowych danych, nie stosowanych w procesie uczenia. q; =< # ' "#>
(833) "
(834)
(835) : "#Q ::*
(836) " >
(837) "
(838) '?""#>
(839) "Q* "
(840) ? "' "'"#V >
(841) "Q
(842) =
(843)
(844) )*?
(845) #
(846) ::'*" "@ "* "
(847) :V
(848)
(849) Q = "
(850)
(851) "@Tablica 4 zawiera przewidywania dla nowych danych na podstawie sieci neuronowej MLP 30-16-1. Tab. 4 Przewidywania dla nowych danych sieci MLP 30-16-1 LMN 8.9 8:9 8;9 879 819 89 8<9 8>9 8?9. 8@. 8<A. 8A. 8#A 8BA 8:A 8?. 1 30 15200 8 9 1 60 15 1460 130 26500 13300 dobre tak tak tak nie 2 26 8500 9 10 1 60 15 1550 137 19700 14700 dobre tak tak tak nie. 8?. brak brak : 3 21 9800 7 8 1 50 14 1240 118 10800 8200 >
(852) nie nie nie tak
(853) 4 28 11600 8 10 2 50 14 1000 100 16400 12500 dobre tak tak tak nie brak *)
(854) ) 5 15 5300 6 8 2 55 15 1100 100 7200 8800 dobre nie nie nie tak rama. 8>? 13150 4875 2634 3900 -1680. "
(855)
(856) ":#!=
(857) " ><"
(858)
(859)
(860) : "Q" =*V *:# " " "#
(861)
(862) | *#
(863) =
(864)
(865) )' * :
(866) #
(867) ::' *" "@+?"
(868) ;Q#
(869) #]
(870) >
(871) "
(872) # >
(873) "`
(874) "*"#!
(875) !'
(876) )
(877) "
(878) "
(879) ?"*
(880) =
(881) –: >
(882) @F* "
(883) ' V = * >
(884) Q
(885) <: ":=
(886) "
(887) * #= "
(888) #
(889) bie!' :;*' * :: "
(890) * #?"=
(891) @. 5. PODSUMOWANIE Na * "
(892) ** " ;* :: "
(893) * #?"Q/ =: " V )*:#!"
(894)
(895) 1. * " = "
(896) : " * ") =:* V #
(897) * #?"
(898) ) "@F/ " >< =
(899) !" !* =*V
(900) );
(901) " * "' ":#)
(902) :
(903) >
(904) "="*"=*"
(905) =" >< * "@&:'
(906) "
(907) := :#!"
(908) =:V.
(909) | "
(910) : " =:* #
(911) * #?"
(912) ) ". 133. * #
(913) =
(914)
(915) ) * #
(916) Q ? " V
(917) ?" # >
(918) " > #!
(919)
(920) ;:' "@ X
(921)
(922) ;
(923) * "
(924) #! ===Q * #
(925) ="*"/ ;:'
(926) @Y>
(927) : "
(928) * #:
(929) " :#
(930) # ;:'
(931) Q"
(932) )*" * ;
(933) " " !*
(934)
(935) "
(936)
(937) Q generuje dodatkowe ko * #@ % #= "=
(938) := "*"#!V =/ " >< =
(939) !# " ><* "::@X##" V ="
(940) )
(941) )" >< Q ! =
(942)
(943) ) *" * V ;
(944) " " !*
(945)
(946)
(947) "
(948)
(949) # *)
(950) )
(951) =Q*)
(952) )
(953) * Q"
(954) ::
(955) ' Q " efekcie generuje dodatkowe koszty. 2. X;
(956) <: "= ;<" =:* #
(957) * V #?"
(958) ) "@ 3. F
(959) "
(960) ?
(961) " =
(962) * #
(963) * =
(964) )woma poddanymi analizie markami samochód dostawczych. 4. "
(965) " :
(966) = '!;< ""
(967)
(968)
(969) :
(970) V tegorii pojazdów.. Literatura 1. Andrzejczak K.Q||., Selech J.: Poisson-distributed failures in the predicting of the cost of cor-. rective maintenance. * #
(971) F
(972) " ><– Maintenance and Reliability 2018; 20 (4): 602–609. 2. q#%@Q||@Q Y@: Assessment model of operational effectiveness related to newly. operated public means of transport. Safety and Reliability – Theory and Applications – Cepin & Briš (Eds) (2017): 3455-3460. 3. Borkowski S., Selejdak J., Salomon S.: / " ><* #
(973) =zyn i :!QX"
(974) " XV
(975) :+!
(976)
(977)
Powiązane dokumenty