Modelowanie neuronowe systemu eksploatacji pojazdów ciężarowych Neural modeling of the truck vehicle operation system

Pełen tekst

(1)PRACE NAUKOWE POLITECHNIKI WARSZAWSKIEJ z. 126. Transport. 2019. Paulina Owczarek X # "q=

(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.


(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.


(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) : "#=#!.


(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)