Karta przedmiotu
Analiza danych w przemyśle
Podstawowe informacje o zajęciach
Cykl kształcenia:
2025/2026
Nazwa jednostki prowadzącej studia:
Wydział Budowy Maszyn i Lotnictwa
Nazwa kierunku studiów:
Zarządzanie i inżynieria produkcji
Obszar kształcenia:
nauki techniczne
Profil studiów:
ogólnoakademicki
Poziom studiów:
drugiego stopnia
Forma studiów:
stacjonarne
Specjalności na kierunku:
Analityka biznesowa w zarządzaniu przedsiębiorstwem, Inteligentne i cyfrowe systemy wytwarzania, Nowoczesne metody zarządzania produkcją, Zrównoważony rozwój w przemyśle
Tytuł otrzymywany po ukończeniu studiów:
magister inżynier
Nazwa jednostki prowadzącej zajęcia:
Katedra Technologii Maszyn i Inżynierii Produkcji
Kod zajęć:
1547
Status zajęć:
obowiązkowy dla specjalności Inteligentne i cyfrowe systemy wytwarzania
Układ zajęć w planie studiów:
sem: 2 / W15 L30 / 4 ECTS / E
Język wykładowy:
polski
Imię i nazwisko koordynatora 1:
prof. dr hab. inż. Jarosław Sęp
Imię i nazwisko koordynatora 2:
dr hab. inż. prof. PRz Katarzyna Antosz
Cel kształcenia i wykaz literatury
Główny cel kształcenia:
Zaznajomienie studentów z szeroko pojętą tematyką analizy danych przemysłowych, w szczególności z gromadzeniem, przetwarzaniem i analizą danych w procesach produkcyjnych.
Ogólne informacje o zajęciach:
Moduł składa się z wykładu, w czasie którego prezentowane są zagadnienia z obszaru potrzeby analizy danych przemysłowych, rodzaju danych oraz sposobów ich gromadzenia, metod i technik przetwarzania danych przemysłowych, laboratorium, podczas którego student praktycznie wykorzystuje zarówno proste, jak i zaawansowane metody i techniki do analizy danych przemysłowych.
Wykaz literatury, wymaganej do zaliczenia zajęć
| 1 | . D. T. Larose, | Metody i modele eksploracji danych | Wydawnictwo Naukowe PWN, Warszawa. | 2008 |
| 2 | Adam Hamrol, Strategie i praktyki sprawnego działania : LEAN, SIX SIGMA i inne, Wydaw.Nauk.PWN, 2015 | - | -. | - |
| 1 | Walesiak, Marek, Gatnar Eugeniusz | Statystyczna analiza danych z wykorzystaniem programu R | Wydawnictwo Naukowe PWN, Warszawa. | 2012 |
| 2 | Przemysław Biecek | Analiza danych z programem R | Wydawnictwo Naukowe PWN, Warszawa. | 2013 |
| 1 | D. T. Larose, , Metody i modele eksploracji danych, Wydawnictwo Naukowe PWN, Warszawa, 2008 | - | -. | - |
| 2 | P. Flach, Machine Learning, The Art and Science of Algorithms that Make Sense of Data, Cambridge University Press, Cambridge, UK, 2012 | - | -. | - |
Wymagania wstępne w kategorii wiedzy / umiejętności / kompetencji społecznych
Wymagania formalne:
Zgodne z regulaminem studiów.
Wymagania wstępne w kategorii Wiedzy:
Student powinien umieć wykorzystywać wiedzę matematyczną zakresu podstaw statystyki do analizy danych.
Wymagania wstępne w kategorii Umiejętności:
Umiejętność prowadzenia samodzielnych analiz.
Wymagania wstępne w kategorii Kompetencji społecznych:
Kreatywność, otwartość na pozyskiwane nowej wiedzy.
Efekty kształcenia dla zajęć
| MEK | Student, który zaliczył zajęcia | Formy zajęć/metody dydaktyczne prowadzące do osiągnięcia danego efektu kształcenia | Metody weryfikacji każdego z wymienionych efektów kształcenia | Związki z KEK | Związki z PRK |
|---|---|---|---|---|---|
| MEK01 | Zna i rozumie potrzebę analizy danych przemysłowych. | Wykład | Test pisemny |
K-W07++ |
P7S-WG |
| MEK02 | Zna podstawowe mechanizmy z zakresu przetwarzania i analizy danych przemysłowych. | Wykład, laboratorium | Test pisemny, sprawozdanie z laboratorium |
K-W01+++ K-K01+ |
P7S-KK P7S-WG |
| MEK03 | Zna metody statystyczne i metody uczenia maszynowego mające zastosowanie w analizie danych produkcyjnych. | Wykład, laboratorium | Test pisemny |
K-W01+ K-W07+ |
P7S-WG |
| MEK04 | Potrafi dobrać i zastosować odpowiednie metody statystyczne i uczenia maszynowego do analizy danych produkcyjnych. | Wykład, laboratorium | Test pisemny, sprawozdanie z laboratorium |
K-U10+ K-K01++ |
P7S-KK P7S-UW |
| MEK05 | Posiada pogłębioną wiedzę z zakresu stosowania analiz statystycznych i metod uczenia maszynowego w analizach przemysłowych. | Laboratorium | Sprawozdanie z laboratorium |
K-U10+ K-U16+ |
P7S-UW |
| MEK06 | Potrafi interpretować wyniki i formułować wnioski z przeprowadzonych analiz. | Laboratorium | Sprawozdanie z laboratorium. |
K-U16++ |
P7S-UW |
Treści kształcenia dla zajęć
| Sem. | TK | Treści kształcenia | Realizowane na | MEK |
|---|---|---|---|---|
| 2 | TK01 | W01 | MEK01 | |
| 2 | TK02 | W02 | MEK01 MEK02 | |
| 2 | TK03 | W03 | MEK01 MEK02 MEK03 MEK04 | |
| 2 | TK04 | W04, W05 | MEK03 MEK04 | |
| 2 | TK05 | W06, W07 | MEK01 MEK02 MEK03 | |
| 2 | TK06 | W08 | MEK01 MEK01 MEK02 MEK02 MEK02 MEK02 MEK03 MEK03 MEK04 MEK04 MEK05 MEK05 MEK06 MEK06 | |
| 2 | TK06 | L01, L02, L03, L04 | MEK01 MEK01 MEK02 MEK02 MEK02 MEK02 MEK03 MEK03 MEK04 MEK04 MEK05 MEK05 MEK06 MEK06 | |
| 2 | TK07 | L05, L06, L07, L08 | MEK02 MEK03 MEK04 MEK05 MEK06 |
Nakład pracy studenta
| Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
|---|---|---|---|
| Wykład (sem. 2) | Przygotowanie do kolokwium:
10.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem. |
Uzupełnienie/studiowanie notatek:
2.00 godz./sem. Studiowanie zalecanej literatury: 2.00 godz./sem. |
| Laboratorium (sem. 2) | Przygotowanie do laboratorium:
10.00 godz./sem. Przygotowanie do kolokwium: 5.00 godz./sem. |
Godziny kontaktowe:
30.00 godz./sem. |
Dokończenia/wykonanie sprawozdania:
10.00 godz./sem. |
| Konsultacje (sem. 2) | Przygotowanie do konsultacji:
5.00 godz./sem. |
Udział w konsultacjach:
2.00 godz./sem. |
|
| Egzamin (sem. 2) | Przygotowanie do egzaminu:
10.00 godz./sem. |
Egzamin pisemny:
2.00 godz./sem. |
Sposób wystawiania ocen składowych zajęć i oceny końcowej
| Forma zajęć | Sposób wystawiania oceny podsumowującej |
|---|---|
| Wykład | Zaliczenie zajęć wykładowych realizowane jest w formie pisemnej. Podczas zaliczenia sprawdzane jest osiągnięcie efektów modułowych MEK01, MEK02, MEK03. ME04. |
| Laboratorium | Warunkiem zaliczenia zajęć laboratoryjnych jest aktywny udział w zajęciach oraz poprawne wykonanie wszystkich sprawozdań. Przy zaliczaniu zajęć laboratoryjnych sprawdzane jest osiągnięcie efektu modułowego od MEK02 do ME06. |
| Ocena końcowa | Ocena końcowa jest średnią arytmetyczną oceny zaliczeniowej z wykładów oraz laboratoriów. |
Przykładowe zadania
Wymagane podczas egzaminu/zaliczenia
(-)
Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)
Inne
(-)
Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie
Treści zajęć powiazane są z prowadzonymi badaniami naukowymi tak
| 1 | K. Antosz; J. Dinis-Carvalho; J. Trojanowska; J. Vieira De Sá | Advances in Lean Manufacturing, Volume 2: LEAN in Action: Solutions for Operational Excellence | 2026 |
| 2 | K. Antosz; J. Machado; D. Stadnicka; J. Trojanowska | Advances in Lean Manufacturing, Volume 1: LEAN in Action: Digital Transformation and Sustainable Practices | 2026 |
| 3 | K. Antosz; A. Bełzo; R. Perłowski; S. Prucnal; J. Sęp; J. Wiech | Analysis of Static and Dynamic Ball Burnishing of Aluminum: A Servo-Controlled Crank Mechanism Approach | 2025 |
| 4 | K. Antosz; A. Gola; M. Kulisz; J. Michaluk | Predictive Maintenance Using Neural Networks and Shapley Analysis – Case Study | 2025 |
| 5 | K. Antosz; A. Merkisz-Guranowska; N. Shramenko; V. Shramenko; J. Trojanowska; P. Trojanowski | Model of optimization of the parameters of the delivery process in international traffic | 2025 |
| 6 | K. Antosz; E. Kozlowski; H. Lopes; J. Machado; E. Ottaviano; P. Rea | Simulation of Robotic Inspections Based on Systematic Data Acquisition and Analysis | 2025 |
| 7 | K. Antosz; E. Kozłowski; S. Prucnal; J. Sęp | Application of Machine Learning to the Prediction of Surface Roughness in the Milling Process on the Basis of Sensor Signals | 2025 |
| 8 | K. Antosz; E. Kozłowski; S. Prucnal; J. Sęp | Predicting Surface Roughness in Milling Process with Neural Networks: A Data-Driven Approach | 2025 |
| 9 | K. Antosz; I. Miturska-Barańska | Epoxy Adhesive Materials as Protective Coatings: Strength Property Analysis Using Machine Learning Algorithms | 2025 |
| 10 | K. Antosz; K. Berladir; V. Ivanov; Z. Mitaľová | Machine Learning-Driven Prediction of Composite Materials Properties Based on Experimental Testing Data | 2025 |
| 11 | K. Antosz; L. Knapcikova; C. Leão; J. Machado; A. Sover; J. Trojanowska | Innovations in Industrial Engineering IV | 2025 |
| 12 | K. Antosz; P. Kolbusz | Analysis of the Effectiveness of the Implementation of Six Sigma Projects in the Automotive Industry - A Case Study | 2025 |
| 13 | K. Antosz; S. Hrehova; J. Husár; A. Vagaska | From Simulation to Validation in Ensuring Quality and Reliability in Model-Based Predictive Analysis | 2025 |
| 14 | K. Antosz; S. Hrehová; J. Husár; J. Kaščak; J. Trojanowska | Industry 5.0 Based Virtual Enterprise Concept in a PLM Software Environment with IIoT Implementation for Energy Consumption Monitoring | 2025 |
| 15 | O. Hembara; O. Holiian; J. Sęp | Mathematical modelling during studies of the strength of structural elements in the atmosphere of hydrogen and its mixtures | 2025 |
| 16 | O. Holiian; Y. Ivanyts\'ky; J. Sęp | Assessment of the technical condition of pipeline systems for hydrogen mixture transportation us-ing the energy approach | 2025 |
| 17 | K. Antosz | Prediction Model of Product Quality in Production Company: Based on PCA and Logistic Regression | 2024 |
| 18 | K. Antosz; A. Batako; J. Machado; T. Nguyen; S. Sychev; A. Xavior | An investigation into connection between BIM and Digital Twins technologies | 2024 |
| 19 | K. Antosz; A. Batako; V. Ivanov; J. Trojanowska | Directions of Change in Maintenance Strategy in the Industry 4.0 Era – Pilot Study Results | 2024 |
| 20 | K. Antosz; A. Ferreira da Silva; J. Machado; L. Magalhães; F. Pereira; A. Santos | Development of an Automated Wooden Handle Packaging System with Integrated Counting Technology | 2024 |
| 21 | K. Antosz; A. Korpal; R. Wyczółkowski | Identyfikacja czynników wpływających na efektywność procesu produkcyjnego w przedsiębiorstwie branży przetwórstwa drzewnego — wyniki badań | 2024 |
| 22 | K. Antosz; D. Cagáňová; V. Ivanov; J. Machado; V. Manupati; A. Pereira; F. Soares; J. Trojanowska | Innovations in Industrial Engineering III | 2024 |
| 23 | K. Antosz; E. Kozłowski; M. Kulisz | Integration of Statistical Analysis and Machine Learning Techniques for Enhanced Quality Control in Candle Oil Cartridge Manufacturing | 2024 |
| 24 | K. Antosz; E. Kozłowski; S. Prucnal; J. Sęp | Integrating Sensor Systems and Signal Processing for Sustainable Production: Analysis of Cutting Tool Condition | 2024 |
| 25 | K. Antosz; E. Kozłowski; S. Prucnal; J. Sęp | Neural Network Predictive Model in Cutting Tool Condition Detection | 2024 |
| 26 | K. Antosz; E. Kozłowski; S. Prucnal; J. Sęp | Pre-processing Signal Analysis for Cutting Tool Condition in the Milling Process | 2024 |
| 27 | K. Antosz; J. Husár; L. Knapčíková | Evaluation and Application of Machine Learning Techniques for Quality Improvement in Metal Product Manufacturing | 2024 |
| 28 | K. Antosz; J. Husar; M. Kulisz | Evaluation and Comparison of Selected Machine Learning Methods for Improving Maintenance Processes | 2024 |
| 29 | K. Antosz; M. Bucior; K. Faes; R. Kluz; A. Kubit; T. Trzepieciński | Analytical Approach for Forecasting the Load Capacity of the EN AW-7075-T6 Aluminum Alloy Joints Created Using RFSSW Technology | 2024 |
| 30 | K. Antosz; M. Kulisz; P. Podulka | Evaluation of High-Frequency Measurement Errors from Turned Surface Topography Data Using Machine Learning Methods | 2024 |
| 31 | K. Antosz; P. Kolbusz | The Implementation of Machine Learning Methods in Six Sigma Projects – A Literature Review | 2024 |
| 32 | Y. Blikharskyy; Z. Blikharskyy; O. Holiian; Y. Ivanytskyi; J. Selejdak; J. Sęp | Evaluation of the Technical Condition of Pipes during the Transportation of Hydrogen Mixtures According to the Energy Approach | 2024 |
| 33 | K. Antosz; A. Batako; A. Burduk; A. Gola; J. Machado; R. Wyczółkowski | Advances in Production. Intelligent Systems in Production Engineering and Maintenance | 2023 |
| 34 | K. Antosz; A. Borucka; E. Kozłowski; R. Parczewski | A New Approach to Production Process Capability Assessment for Non-Normal Data | 2023 |
| 35 | K. Antosz; A. Borucka; L. Gil; E. Kozłowski; R. Parczewski; D. Pieniak | Supply Sequence Modelling Using Hidden Markov Models | 2023 |
| 36 | K. Antosz; A. Borucka; M. Jasiulewicz-Kaczmarek; E. Kozłowski; R. Wyczółkowski | Zastosowanie analizy statystycznej do oceny procesu dostaw w przedsiębiorstwie produkcyjnym | 2023 |
| 37 | K. Antosz; E. Kozłowski; M. Kulisz | Zastosowanie wybranych metod sztucznej inteligencji do wspomagania procesu kontroli jakości produktu | 2023 |
| 38 | K. Antosz; M. Jasiulewicz-Kaczmarek | Industry 4.0 Technologies for Maintenance Management - An Overview | 2023 |
| 39 | K. Antosz; M. Jasiulewicz-Kaczmarek; J. Machado; J. Sá | Lean Thinking in Industry 4.0 and Services for Society | 2023 |
| 40 | K. Antosz; M. Jasiulewicz-Kaczmarek; J. Machado; J. Sá | Trends in Lean Maintenance Implementation in Production Companies: Research Results | 2023 |
| 41 | K. Antosz; M. Jasiulewicz–Kaczmarek; J. Machado; M. Relich | Application of Principle Component Analysis and logistic regression to support Six Sigma implementation in maintenance | 2023 |
| 42 | K. Antosz; P. Kolbusz | Assessment of the Effectiveness of Six Sigma Methodology Implementation - A Literature Review | 2023 |
| 43 | K. Antosz; R. Čep; M. Jasiulewicz-Kaczmarek; I. Nielsen; R. Waszkowski | “Technology” as the fourth dimension of sustainable maintenance management | 2023 |
| 44 | K. Antosz; V. Ivanov; J. Machado; V. Manupati; A. Pereira; Y. Ren; F. Soares; J. Trojanowska | Innovations in Industrial Engineering II | 2023 |
| 45 | K. Antosz; V. Ivanov; M. Jasiulewicz-Kaczmarek; C. Zhang | Industry 4.0 Technologies for Sustainable Asset Life Cycle Management | 2023 |
| 46 | K. Antosz; W. Bochnowski; M. Bucior; A. Dzierwa; R. Kluz; K. Ochał | Effect of Diamond Burnishing on the Properties of FSW Joints of EN AW-2024 Aluminum Alloys | 2023 |
| 47 | K. Antosz; Y. Basova; O. Lazaryeva; J. Machado; V. Makarov; K. Rezvaya; A. Rogovyi; O. Shudryk; A. Tulska | Using Modern Mechanical Design Methods for Determining the Main Characteristics of a Cryogenic Centrifugal Pump | 2023 |
| 48 | M. Bucior; R. Kosturek; J. Sęp; T. Ślęzak; L. Śnieżek; J. Torzewski; W. Zielecki | Effect of Shot Peening on the Low-Cycle Fatigue Behavior of an AA2519-T62 Friction-Stir-Welded Butt Joint | 2023 |
| 49 | P. Cichosz; M. Drajewicz; M. Góral; A. Majka; W. Nowak; J. Sęp; R. Smusz | Design of Newly Developed Burner Rig Operating with Hydrogen Rich Fuel Dedicated for Materials Testing | 2023 |
| 50 | D. Antonelli; K. Antosz; J. Machado; D. Mazurkiewicz; F. Soares | Systems Engineering: Availability and Reliability | 2022 |
| 51 | E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński | The Use of Principal Component Analysis and Logistic Regression for Cutter State Identification | 2022 |
| 52 | G. Budzik; K. Bulanda; D. Filip; J. Jabłoński; A. Łazorko; M. Oleksy; A. Paszkiewicz; Ł. Przeszłowski; J. Sęp; S. Snela; P. Turek; S. Wolski | Manufacturing Polymer Model of Anatomical Structures with Increased Accuracy Using CAx and AM Systems for Planning Orthopedic Procedures | 2022 |
| 53 | J. Sęp; G. Szyszka | Comparative Performance Evaluation of Multiconfiguration Touch-Trigger Probes for Closed-Loop Machining of Large Jet Engine Cases | 2022 |
| 54 | K. Antosz; A. Gola; A. Gonçalves; T. Malheiro; Ł. Paśko; L. Varela | Six Sigma and Random Forests Application for Product Quality System Control Development | 2022 |
| 55 | K. Antosz; A. Gola; M. Jasiulewicz-Kaczmarek | Trendy w zarządzaniu utrzymaniem ruchu - przegląd | 2022 |
| 56 | K. Antosz; A. Gola; P. Grznár; J. Machado | Principle component analysis for product quality system control development | 2022 |
| 57 | K. Antosz; A. Gola; R. Perłowski | Evaluation of the Effectiveness of Standard Scheduling Rules – An Educational Approach | 2022 |
| 58 | K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński | Machine Multi-sensor System and Signal Processing for Determining Cutting Tools Service Life | 2022 |
| 59 | K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński | Machining Process Time Series Data Analysis with a Decision Support Tool | 2022 |
| 60 | K. Antosz; E. Kozłowski; J. Sęp; T. Żabiński | The use of random forests to support the decision-making process for sustainable manufacturing | 2022 |
| 61 | K. Antosz; F. Botko; M. Hatala; V. Ivanov; V. Kolos; I. Pavlenko; J. Trojanowska | Locating Chart Choice Based on the Decision-Making Approach | 2022 |
| 62 | K. Antosz; L. Freitas; J. Machado; D. Pinto; J. Vicente | Design and Validation of a Feeding System for the Systematic Production of Needle Beds | 2022 |
| 63 | K. Antosz; M. Jasiulewicz-Kaczmarek; J. Machado; R. Waszkowski | Application of Lean Six Sigma for sustainable maintenance: case study | 2022 |
| 64 | K. Antosz; M. Jasiulewicz-Kaczmarek; M. Sławińska; R. Wyczółkowski | Integrated Approach for Safety Culture Factor Evaluation from a Sustainability Perspective | 2022 |
| 65 | K. Antosz; M. Jasiulewicz-Kaczmarek; R. Waszkowski; C. Zhang | Assessing the Barriers to Industry 4.0 Implementation From a Maintenance Management Perspective - Pilot Study Results | 2022 |
| 66 | K. Antosz; M. Karanam; L. Krishnanand; J. Machado; V. Manupati | Identification of the Critical Enablers for Perishable Food Supply Chain Using Deterministic Assessment Models | 2022 |
| 67 | K. Antosz; S. Khandelwal; J. Machado; V. Manupati; T. Samala | A Systematic Simulation-Based Multi-Criteria Decision-Making Approach for the Evaluation of Semi–Fully Flexible Machine System Process Parameters | 2022 |
| 68 | K. Antosz; Ł. Paśko | Neural Model of Manufacturing Process as a Way to Improve Predictability of Manufacturing | 2022 |
| 69 | L. Gałda; J. Sęp; S. Świrad | Effect of the Sliding Element Surface Topography on the Oil Film Thickness in EHD Lubrication in Non-Conformal Contact | 2022 |
| 70 | M. Bucior; W. Habrat; R. Kluz; K. Krupa; J. Sęp | Multi-criteria optimization of the turning parameters of Ti-6Al-4V titanium alloy using the Response Surface Methodology | 2022 |
| 71 | R. Amadio; A. Carreras-Coch; D. Mazzei; J. Merino; J. Navarro; J. Sęp; D. Stadnicka; C. Stylios; M. Tyrovolas; T. Żabiński | Industrial Needs in the Fields of Artificial Intelligence, Internet of Things and Edge Computing | 2022 |
| 72 | R. Bartłomowicz; A. Bednarz; J. Jaworski; J. Sęp; A. Wójcik | Analysis of the effects of simplifications on the state of loads in a centrifugal compressor | 2022 |
| 73 | S. Akhtar; K. Antosz; S. Chattopadhyaya; S. Dwivedi; C. Li; J. Machado; S. Sharma; M. Siddiqui | Technical Risk Assessment for the Safe Design of a Man-Rider Chair Lift System | 2022 |
| 74 | K. Antosz; A. Augustyn; M. Jasiulewicz-Kaczmarek | Application of VSM for Improving the Medical Processes-Case Study | 2021 |
| 75 | K. Antosz; A. Gola; M. Jasiulewicz-Kaczmarek | From Lean to Sustainable Manufacturing-An Overview | 2021 |
| 76 | K. Antosz; D. Kwiatanowski; J. Sęp; G. Szyszka | Automatic compensation of errors of multi-task machines in the production of aero engine cases | 2021 |
| 77 | K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński | Integrating advanced measurement and signal processing for reliability decision-making | 2021 |
| 78 | K. Antosz; J. Machado; E. Ottaviano; P. Rea | A General Overview of E-Maintenance and Possible Applications | 2021 |
| 79 | K. Antosz; J. Machado; E. Ottaviano; P. Rea | Design, Applications, and Maintenance of Cyber-Physical Systems | 2021 |
| 80 | K. Antosz; K. Gauda; L. Gil; P. Izdebski; E. Kozłowski; D. Pieniak; K. Przystupa | Influence of Contamination of Gear Oils in Relation to Time of Operation on Their Lubricity | 2021 |
| 81 | K. Antosz; M. Bucior; R. Kluz; T. Trzepieciński | Modelling of the Effect of Slide Burnishing on the Surface Roughness of 42CrMo4 Steel Shafts | 2021 |
| 82 | K. Antosz; M. Bucior; R. Kluz; T. Trzepieciński | Modelling the Influence of Slide Burnishing Parameters on the Surface Roughness of Shafts Made of 42CrMo4 Heat-Treatable Steel | 2021 |
| 83 | K. Antosz; M. Bucior; R. Kluz; T. Trzepieciński | Modelowanie wpływu parametrów obróbki nagniataniem na chropowatość powierzchni wałków ze stali 42CRMO4 | 2021 |
| 84 | K. Antosz; M. Jasiulewicz-Kaczmarek | Intelligent Predictive Decision Support System for the Maintenance Service Provider | 2021 |
| 85 | K. Antosz; M. Jasiulewicz-Kaczmarek | The Concept of Sustainable Maintenance Criteria Assessment | 2021 |
| 86 | K. Antosz; M. Jasiulewicz-Kaczmarek; A. Loska; B. Sun; Z. Wang; X. Yang | Failure-based sealing reliability analysis considering dynamic interval and hybrid uncertainties | 2021 |
| 87 | K. Antosz; M. Jasiulewicz-Kaczmarek; D. Mazurkiewicz; C. Qian; Y. Ren; B. Sun; R. Wyczółkowski | Application of MICMAC, Fuzzy AHP, and Fuzzy TOPSIS for Evaluation of the Maintenance Factors Affecting Sustainable Manufacturing | 2021 |
| 88 | K. Antosz; M. Jasiulewicz-Kaczmarek; D. Mazurkiewicz; J. Pan; Y. Ren; B. Sun; Z. Wang | Fatigue Reliability Analysis Method of Reactor Structure Considering Cumulative Effect of Irradiation | 2021 |
| 89 | K. Antosz; M. Jasiulewicz-Kaczmarek; Ł. Paśko; S. Wang; C. Zhang | Application of machine learning and rough set theory in lean maintenance decision support system development | 2021 |
| 90 | K. Antosz; M. Jasiulewicz–Kaczmarek; D. Mazurkiewicz; Y. Ren; B. Sun; P. Żywica | Framework of machine criticality assessment with criteria interactions | 2021 |
| 91 | K. Antosz; S. Avramenko; I. Dehtiarov; K. Herasko; V. Ivanov | Modeling of high-speed flywheel designs for technological equipment | 2021 |
| 92 | M. Laciuga; J. Sęp | Analytic optimization framework for resilient manufacturing production and supply planning in Industry 4.0 context-buffer stock allocation-case study | 2021 |
| 93 | E. Kozłowski; D. Mazurkiewicz; S. Prucnal; J. Sęp; T. Żabiński | Machining sensor data management for operation-level predictive model | 2020 |
| 94 | G. Budzik; J. Jóźwik; Ł. Kochmański; M. Oleksy; A. Paszkiewicz; Ł. Przeszłowski; J. Sęp; P. Turek; D. Żelechowski | An Analysis of the Casting Polymer Mold Wear Manufactured Using PolyJet Method Based on the Measurement of the Surface Topography | 2020 |
| 95 | J. Sęp; D. Stadnicka; J. Zając | Przegląd wymagań stawianych specjalistom na rynku pracy w województwie podkarpackim w kontekście wymagań technologii Przemysłu 4.0 | 2020 |
| 96 | K. Antosz; A. Gola; R. Kluz; T. Trzepieciński | Predicting the error of a robot’s positioning repeatability with artificial neural networks | 2020 |
| 97 | K. Antosz; A. Gola; Ł. Paśko | The Use of Artificial Intelligence Methods to Assess the Effectiveness of Lean Maintenance Concept Implementation in Manufacturing Enterprises | 2020 |
| 98 | K. Antosz; R. Kluz | Application of selected balancing methods for analysis and evaluation of the working efficiency of the assembly line on the example of a selected product | 2020 |
| 99 | K. Antosz; R. Perłowski | Analiza wpływu sposobu wyznaczania wskaźników sezonowości na trafność prognoz w branży motoryzacyjnej | 2020 |
| 100 | K. Antosz; S. Avramenko; I. Dehtiarov; A. Neshta; M. Samardak | Contact of Working Surfaces for Spherical Washers and Recommendations for Determining the Gap in the Joint | 2020 |
| 101 | K. Dudek; L. Gałda; R. Oliwa; J. Sęp | Surface layer analysis of helical grooved journal bearings after abrasive tests | 2020 |