Informacja o cookies

Zgadzam się Nasza strona zapisuje niewielkie pliki tekstowe, nazywane ciasteczkami (ang. cookies) na Twoim urządzeniu w celu lepszego dostosowania treści oraz dla celów statystycznych. Możesz wyłączyć możliwość ich zapisu, zmieniając ustawienia Twojej przeglądarki. Korzystanie z naszej strony bez zmiany ustawień oznacza zgodę na przechowywanie cookies w Twoim urządzeniu.

Publikacje Pracowników Politechniki Lubelskiej

MNiSW
12
Lista B
Status:
Warianty tytułu:
Wsparcie nadzoru nad awaryjnością parku maszynowego metodami text mining
Autorzy: Kosicka Ewelina, Śliwa Małgorzata
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Rok wydania: 2017
Wersja dokumentu: Drukowana | Elektroniczna
Język: angielski
Numer czasopisma: 1
Wolumen/Tom: 104
Strony: 53 - 57
Bazy: BazTech | Index Copernicus | Google Scholar
Efekt badań statutowych NIE
Materiał konferencyjny: NIE
Publikacja OA: TAK
Licencja:
Sposób udostępnienia: Otwarte czasopismo
Wersja tekstu: Oryginalna wersja autorska
Czas opublikowania: W momencie opublikowania
Data opublikowania w OA: 1 stycznia 2017
Abstrakty: polski | angielski
Rozwój systemów monitorowania stanu parku maszynowego, a także powszechna komputeryzacja obszaru produkcji, dały przedsiębiorstwom szeroki wachlarz narzędzi pozwalających rejestrować dane dotyczące funkcjonowania posiadanych maszyn. Znaczna część przedsiębiorstw jedynie gromadzi obszerne zbiory danych historycznych, nie podejmując działań zmierzających ku pozyskaniu z nich informacji mogących wpłynąć na poprawę efektywności posiadanej infrastruktury technicznej. W artykule przedstawiono możliwość zastosowania eksploracji danych tekstowych do prowadzenia nadzoru nad awaryjnością parku maszynowego powodowaną przyczynami nietechnicznymi w postaci czynnika ludzkiego.
The development of both control systems for machine fleets and computer-controlled production systems have provided companies with a wide spectrum of tools for collecting data about the operation of their machinery stocks. A vast number of companies only store historic data; however, they do not use these data to extract information with respect to improving the efficiency of their technical infrastructure. The paper discusses the application of data mining to control machine fleet failure frequency resulting from non-technical causes, i.e., due to human factors