ISSN 1507-2711
JOURNAL DOI: dx.doi.org/10.17531/ein

JCR Journal Profile


Członek(Member of): Europejskiej Federacji Narodowych Towarzystw Eksploatacyjnych  - European Federation of National Maintenance Societies  Wydawca(Publisher):Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne (Warszawa) - Polish Maintenance Society (Warsaw)   Patronat Naukowy(Scientific supervision): Polska Akademia Nauk o/Lublin  - Polish Akademy of Sciences Branch in Lublin  Członek(Member of): Europejskiej Federacji Narodowych Towarzystw Eksploatacyjnych  - European Federation of National Maintenance Societies


 We verify submissions originality with the use of iThenticate plagiarism checker


 All accepted articles are published Open Access under the Creative Commons Licence: CC-BY 4.0

Publisher:
Polish Maintenance Society
(Warsaw)

Scientific supervision:
Polish Academy of Sciences Branch in Lublin

Member of:
European Federation
of National Maintenance Societies


Attention!

In accordance with the requirements of citation databases, proper citation of publications appearing in our Quarterly should include the full name of the journal in Polish and English without Polish diacritical marks, i.e. "Eksploatacja i Niezawodnosc – Maintenance and Reliability".


 

Submission On-Line


The average number of weeks from article submission to the final decision: 4 weeks




http://scientific.thomsonreuters.com/cgi-bin/jrnlst/jloptions.cgi?PC=D

http://www.thomsonreuters.com/products_services/scientific/Journal_Citation_Reports

http://doaj.org

http://infobaseindex.com

http://www.info.scopus.com/why-scopus/publishers/?url=detail/what/publishers/

http://www.ebsco.com


MOST CITED

Update: 2021-07-01

1. COMPUTER-AIDED MAINTENANCE AND RELIABILITY MANAGEMENT SYSTEMS FOR CONVEYOR BELTS
By: Mazurkiewicz, Dariusz

EKSPLOATACJA I NIEZAWODNOSC-MAINTENANCE AND RELIABILITY
Volume: 16   Issue: 3   Pages: 377-382   Published: 2014

Times Cited: 59
2. ON APPROACHES FOR NON-DIRECT DETERMINATION OF SYSTEM DETERIORATION
By: Valis, David; Koucky, Miroslav; Zak, Libor

EKSPLOATACJA I NIEZAWODNOSC-MAINTENANCE AND RELIABILITY
Volume 14, Issue: 1   Pages: 33-41   Published: 2012

Times Cited: 53
3. A NEW FAULT TREE ANALYSIS METHOD: FUZZY DYNAMIC FAULT TREE ANALYSIS
By: Li, Yan-Feng; Huang, Hong-Zhong; Liu, Yu; et al.

EKSPLOATACJA I NIEZAWODNOSC-MAINTENANCE AND RELIABILITY
Volume 14, Issue: 3 Pages: 208-214 Published: 2012

Times Cited: 51
4. INNOVATIVE METHODS OF NEURAL RECONSTRUCTION FOR TOMOGRAPHIC IMAGES IN MAINTENANCE OF TANK INDUSTRIAL REACTORS
By: Rymarczyk, Tomasz; Klosowski, Grzegorz

EKSPLOATACJA I NIEZAWODNOSC-MAINTENANCE AND RELIABILITY
Volume: 21 Issue: 2 Pages: 261-267 Published: 2019

Times Cited: 50
5. APPLICATION OF NEURAL RECONSTRUCTION OF TOMOGRAPHIC IMAGES IN THE PROBLEM OF RELIABILITY OF FLOOD PROTECTION FACILITIES
By: Rymarczyk, Tomasz; Klosowski, Grzegorz

EKSPLOATACJA I NIEZAWODNOSC-MAINTENANCE AND RELIABILITY
Volume: 20 Issue: 3 Pages: 425-434 Published: 2018

Times Cited: 45
6. ASSESSMENT MODEL OF CUTTING TOOL CONDITION FOR REAL-TIME SUPERVISION SYSTEM
By: Kozlowski, Edward; Mazurkiewicz, Dariusz; Zabinski, Tomasz; Prucnal, Slawomir; Sep, Jaroslaw

EKSPLOATACJA I NIEZAWODNOSC-MAINTENANCE AND RELIABILITY
Volume: 21 Issue: 4 Pages: 679-685 Published: 2019

Times Cited: 40
7. PREDICTING THE TOOL LIFE IN THE DRY MACHINING OF DUPLEX STAINLESS STEEL
By: Krolczyk, Grzegorz; Gajek, Maksymilian; Legutko, Stanislaw

EKSPLOATACJA I NIEZAWODNOSC-MAINTENANCE AND RELIABILITY
Volume: 15 Issue: 1 Pages: 62-65 Published: 2013

Times Cited: 39
8. MAINTENANCE DECISION MAKING BASED ON DIFFERENT TYPES OF DATA FUSION
By: Galar, Diego; Gustafson, Anna; Tormos, Bernardo; et al.
EKSPLOATACJA I NIEZAWODNOSC-MAINTENANCE AND RELIABILITY 
Volume 14, Issue: 2   Pages: 135-144   Published:2012

Times Cited: 38
9. TESTS OF EXTENDABILITY AND STRENGTH OF ADHESIVE-SEALED JOINTS IN THE CONTEXT OF DEVELOPING A COMPUTER SYSTEM FOR MONITORING THE CONDITION OF BELT JOINTS DURING CONVEYOR OPERATION
By: Mazurkiewicz, Dariusz

EKSPLOATACJA I NIEZAWODNOSC-MAINTENANCE AND RELIABILITY
Issue: 3 Pages: 34-39 Published: 2010

Times Cited: 37
10. RELIABILITY ANALYSIS OF RECONFIGURABLE MANUFACTURING SYSTEM STRUCTURES USING COMPUTER SIMULATION METHODS
By: Gola, Arkadiusz

EKSPLOATACJA I NIEZAWODNOSC-MAINTENANCE AND RELIABILITY
Volume 21, Issue: 1, Pages: 90-102, Published: 2019

Times Cited: 36

 

 



Task „Implementation of procedures ensuring  the originality of scientific papers published in the quarterly „Eksploatacja i Niezawodność – Maintenance and Reliability” financed under contract 532/P-DUN/2018 from the funds of the Minister of Science and Higher Education for science dissemination activities.


Maciej Badora

Monitorowanie oraz bazująca na danych predykcja parametrów roboczych przemysłowej turbiny gazowej

W artykule przedstawiono przegląd klasycznych i aktualnych metod przewidywania parametrów operacyjnych oraz potencjalnych usterek turbin gazowych. Dodatkowo zaprezentowano porównanie wybranych modeli opartych o uczenie maszynowe, w tym modeli wykorzystujące sztuczne sieci neuronowe. Przeprowadzone badania dotyczyły analiz poziomu ciśnienia ze sprężarki turbiny gazowej LM2500 czwartej generacji (LM2500+G4) połączonej z dwustopniową turbiną roboczą. Badany parametr podlega sterowaniu i może posłużyć do wyrównania sił osiowych działających na łożysko główne wału wysokiego ciśnienia w celu zapewnienia stabilnej i niezawodnej pracy turbiny gazowej. Jednocześnie jego bezpośredni pomiar jest kosztowny stąd potrzeba dokonania pośredniego pomiaru z wykorzystaniem innych czujników zamontowanych na turbinie. Dane wejściowe do analiz otrzymano dzięki uprzejmości producenta turbin, firmy BHGE. Zawierają one parametry bezpośrednio pobrane z monitorowanych turbin gazowych. Modele uczenia maszynowego otrzymane w wyniku analizy charakteryzują się średnim błędem procentowym (MAPE) na poziomie poniżej 1%. Najmniejszym błędem charakteryzują się modele otrzymane przy zastosowaniu lasów losowych (Random Forest) oraz gradientowego wzmacniania regresji (Gradient Boosted Regression). Przetestowano także zastosowanie wielowarstwowych, w pełni połączonych sztucznych sieci neuronowych, których efektywność okazała się niższa od modelu opartego o algorytm lasów losowych. W podsumowaniu podkreślono wagę dostosowywania hiperparametrów i inżynierii cech.

Industrial gas turbine operating parameters monitoring and data-driven prediction

The article reviews traditional and modern methods for prediction of gas turbine operating characteristics and its potential failures. Moreover, a comparison of Machine Learning based prediction models, including Artificial Neural Networks (ANN), is presented. The research focuses on High Pressure Compressor (HPC) recoup pressure level of 4th generation LM2500 gas generator (LM2500+G4) coupled with a 2-stage High Speed Power Turbine Module. The researched parameter is adjustable and may be used to balance net axial loads exerted on thrust bearing to ensure stable gas turbine operation, but its direct measurement is technically difficult implicating the need to indirect measurement via set of other gas turbine sensors. Input data for the research have been obtained from BHGE manufactured and monitored gas turbines and consists of real-time data extracted from industrial installations. Machine learning models trained using the data show less than 1% Mean Absolute Percentage Error (MAPE) as obtained with the use of Random Forest and Gradient Boosting Regression models. Multilayer Perceptron Artificial Neural Networks (MLP ANN) models are reviewed, and their performance checks inferior to Random Forest algorithm-based model. The importance of hyperparameter tuning and feature engineering is discussed.

 

Predicting length of fatigue cracks by means of machine learning algorithms in the small-data regime

In this paper several statistical learning algorithms are used to predict the maximal length of fatigue cracks based on a sample composed of 31 observations. The small-data regime is still a problem for many professionals, especially in the areas where failures occur rarely. The analyzed object is a high-pressure Nozzle of a heavy-duty gas turbine. Operating parameters of the engines are used for the regression analysis. The following algorithms are used in this work: multiple linear and polynomial regression, random forest, kernel-based methods, AdaBoost and extreme gradient boosting and artificial neural networks. A substantial part of the paper provides advice on the effective selection of features. The paper explains how to process the dataset in order to reduce uncertainty; thus, simplifying the analysis of the results. The proposed loss and cost functions are custom and promote solutions accurately predicting the longest cracks. The obtained results confirm that some of the algorithms can accurately predict maximal lengths of the fatigue cracks, even if the sample is small.


SELECT PUBLICATION YEAR