Wynik wyszukiwania
Zapytanie: PREDICTIVE MAINTENANCE
Liczba odnalezionych rekordów: 13



Przejście do opcji zmiany formatu | Wyświetlenie wyników w wersji do druku | Pobranie pliku do edytora | Przesłanie wyników do modułu analizy | excel | Nowe wyszukiwanie
1/13
Nr opisu: 0000134414   
Predictive maintenance of boiler feed water pumps using SCADA Data.
[Aut.]: Marek Molęda, Alina Momot, Dariusz Mrozek.
-Sensors 2020 vol. 20 iss. 2, art. no. 571 s. 1-19, bibliogr. 54 poz.. Impact Factor 3.275. Punktacja MNiSW 100.000

predykcyjne utrzymanie ruchu ; Internet Rzeczy ; pompa kotłowa ; SCADA ; detekcja anomalii

predictive maintenance ; Internet of Things ; boiler feed pump ; SCADA ; anomaly detection

2/13
Nr opisu: 0000138121   
Predictive maintenance scheduling with failure rate described by truncated normal distribution.
[Aut.]: Iwona Paprocka, Wojciech Kempa, Grzegorz Ćwikła.
-Sensors 2020 vol. 20 iss. 23, s. 1-23, bibliogr. 36 poz.. Impact Factor 3.275. Punktacja MNiSW 100.000

konserwacja predykcyjna ; planowanie produkcji ; MTTF ; rozkład normalny ; Six Sigma ; teoria niezawodności

predictive maintenance ; production planning ; MTTF ; normal distribution ; Six Sigma ; reliability theory

3/13
Nr opisu: 0000136558   
Regression methods for detecting anomalies in flue gas desulphurization installations in coal-fired power plants based on sensor data.
[Aut.]: M. Molenda, Alina Momot, Dariusz Mrozek.
W: Computational Science - ICCS 2020. 20th International conference, Amsterdam, The Netherlands, June 3-5, 2020. Proceedings. 20th International Conference, Amsterdam, The Netherlands, June 3-5, 2020. Proceedings. Pt. 5. Pt. 5. Eds. Valeria V. Krzhizhanovskaya, Gabor Zavodszky, Michael H. Lees, Jack J. Dongarra, Peter M. A. Sloot, Sergio Brissos, Joao Teixeira. Eds.: Valeria V. Krzhizhanovskaya, Gabor Zavodszky, Michael H. Lees, Jack J. Dongarra, Peter M. A. Sloot, Sergio Brissos, Joao Teixeira. Cham : Springer, 2020, s. 316-329, bibliogr. 27 poz. (Lecture Notes in Computer Science ; vol. 12141 0302-9743). Punktacja MNiSW 140.000

predykcyjne utrzymanie ruchu ; elektrownia ; SCADA ; wykrywanie anomalii

predictive maintenance ; power plant ; SCADA ; anomaly detection

4/13
Nr opisu: 0000138777   
Kierunki zmian w analizie wydajności pracy maszyn w przemyśle 4.0 - predictive maintenance.
[Aut.]: Bożena Gajdzik.
W: Improving the life quality: view of scientists. Volume of scientific papers [online]. Opole : Wyższa Szkoła Zarządzania i Administracji, 2019, (e-book) s. 90-101, bibliogr. 13 poz.

Przemysł 4.0 ; predykcyjne utrzymanie ruchu ; diagnostyka maszyn

Industry 4.0 ; predictive maintenance ; machine diagnostics

5/13
Nr opisu: 0000129321   
Monitoring and maintenance of a gantry based on a wireless system for measurement and analysis of the vibration level.
[Aut.]: Marek Sikora, Krzysztof Szczyrba, Łukasz Wróbel, Marcin Michalak.
-Eksploat. i Niezawodn. 2019 vol. 21 nr 2, s. 341-350, bibliogr. 29 poz.. Impact Factor 1.525. Punktacja MNiSW 100.000

czujnik drgań ; system monitorowania ; utrzymanie ; suwnica ; utrzymanie predykcyjne ; eksploracja danych ; analiza trendu

vibration sensor ; monitoring system ; maintenance ; gantry ; predictive maintenance ; data mining ; trend analysis

6/13
Nr opisu: 0000131198
Predyktywne i inteligentne utrzymanie urządzeń w Przemyśle 4.0 - maszyny wzmocnione o dane. Historia zmian w UR na przykładzie krajowego sektora stalowego.
[Aut.]: Bożena Gajdzik.
-Gosp. Mater. Logist. 2019 R. 71 nr 8, s. 10-17, bibliogr. 30 poz.. Punktacja MNiSW 20.000

Przemysł 4.0 ; predyktywne UR ; inteligentne UR ; przemysł stalowy

Industry 4.0 ; predictive maintenance ; intelligent maintenance ; steel industry

7/13
Nr opisu: 0000117276
Determination of the machine energy consumption profiles in the mass-customised manufacturing.
[Aut.]: Rafał Cupek, Adam Ziębiński, D. Zonenberg, M. Drewniak.
-Int. J. Comput. Integr. Manuf. 2018 vol. 31 iss. 6, s. 537-561. Impact Factor 2.090. Punktacja MNiSW 25.000

klastrowanie ; eksploracja danych ; efektywność energetyczna ; analiza wydajności ; strategia eksploatacji według wykonanej pracy

clustering ; data mining ; energy efficiency ; performance analysis ; predictive maintenance

8/13
Nr opisu: 0000122399   
Estimation of the number of energy consumption profiles in the case of discreet multi-variant production.
[Aut.]: Rafał Cupek, Adam Ziębiński, M. Drewniak, M. Fojcik.
W: Intelligent information and database systems. 10th Asian Conference, ACIIDS 2018, Dong Hoi City, Vietnam, March 19-21, 2018. Proceedings. Pt. 2. Eds.: Ngoc Thanh Nguyen,Duong Hung Hoang,Tzung-Pei Hong,Hoang Pham,Bogdan Trawiński. Cham : Springer International Publishing, 2018, s. 674-684, bibliogr. 21 poz. (Lecture Notes in Computer Science ; vol. 10752 0302-9743). Punktacja MNiSW 20.000

efektywność energetyczna ; konserwacja predykcyjna ; grupowanie danych produkcyjnych ; system pneumatyczny

energy efficiency ; predictive maintenance ; production data clustering ; pneumatic system

9/13
Nr opisu: 0000124726   
Evaluation of the accuracy of ADAS module readings based on an analysis of the transient supply current and neural network application.
[Aut.]: Damian Grzechca, Paweł Rybka, Krzysztof Paszek.
-Elektron. Elektrotech. 2018 vol. 24 no. 3, s. 46-52, bibliogr. 17 poz.. Impact Factor 0.684. Punktacja MNiSW 15.000

zaawansowany system wspomagania kierowcy ; sztuczna sieć neuronowa ; pomiar prądu ; konserwacja predykcyjna

advanced driver assistance system ; artificial neural network ; current measurement ; predictive maintenance

10/13
Nr opisu: 0000125427   
EYE: big data system supporting preventive and predictive maintenance of robotic production lines.
[Aut.]: Jarosław Kurpanik, Joanna Henzel, Marek Sikora, Łukasz Wróbel, M. Drewniak.
W: Beyond databases, architectures and structures. Facing the challenges of data proliferation and growing variety. 14th International conference, BDAS 2018 held at the 24th IFIP World Computer Congress, WCC 2018, Poznan, Poland, September 18-20, 2018. Proceedings. Eds. Stanisław Kozielski, Dariusz Mrozek, Paweł Kasprowski, Bożena Małysiak-Mrozek, Daniel Kostrzewa. Cham : Springer, 2018, s. 47-60, bibliogr. 36 poz. (Communications in Computer and Information Science ; vol. 928 1865-0929). Punktacja MNiSW 20.000

Big Data ; NoSQL ; predykcyjne utrzymanie ruchu

Big Data ; NoSQL ; predictive maintenance

11/13
Nr opisu: 0000119354
Enhanced reliability of ADAS sensors based on the observation of the power supply current and neural network application.
[Aut.]: Damian Grzechca, Adam Ziębiński, Paweł Rybka.
W: Computational Collective Intelligence. 9th International Conference, ICCCI 2017 Nicosia, Cyprus, September 27-29, 2017. Proceedings. Pt. 2. Eds.: Ngoc Thanh Nguyen, George A. Papadopoulos, Piotr Jędrzejowicz, Bogdan Trawiński, Gottfried Vossen. Cham : Springer, 2017, s. 215-226, bibliogr. 24 poz. (Lecture Notes in Computer Science ; vol. 10449 0302-9743)

ADAS ; strategia eksploatacji według wykonanej pracy ; sieć neuronowa ; CAN ; pozyskiwanie danych

ADAS ; predictive maintenance ; neural network ; CAN ; data acquisition

12/13
Nr opisu: 0000058304
Modelowy sposób funkcjonowania służb utrzymania ruchu. Strategie eksploatacyjne.
[Aut.]: Andrzej Loska.
-Służ. Utrzym. Ruchu 2010 nr 3, s. 58-64, bibliogr. 5 poz.

utrzymanie ruchu ; strategia eksploatacji według uszkodzeń ; strategia eksploatacji według wykonanej pracy ; strategia eksploatacji według stanu technicznego

motion maintenance ; breakdown maintenance ; preventive maintenance ; predictive maintenance

13/13
Nr opisu: 0000073521
Kluczowe zagadnienia zarządzania utrzymaniem ruchu. Podstawowe strategie w zarządzaniu utrzymaniem ruchu.
[Aut.]: Andrzej Loska.
-Agro Przemysł. Branż. Mag. Przem. 2006 nr 3, s. 77-81, bibliogr. 5 poz.

zarządzanie utrzymaniem ruchu ; utrzymanie ruchu ; strategia eksploatacji według uszkodzeń ; strategia eksploatacji według wykonanej pracy ; strategia eksploatacji według stanu technicznego

maintenance management ; maintenance ; breakdown maintenance ; preventive maintenance ; predictive maintenance

stosując format:
Nowe wyszukiwanie