Zusammenfassung
Die Potenziale datengetriebener Methoden können nur ausgeschöpft werden, wenn die zugrunde liegenden Daten die geforderte Qualität aufweisen und damit die gelernten Modelle und Methoden valide sind. Um in zukünftigen Anwendungen von datengetriebenen Methoden in cyber-physischen Produktionssystemen die systematische Prüfung der Datenqualität zu fördern, werden in diesem Beitrag die Dimensionen von Datenqualität diskutiert. Zudem werden konkrete Beispiele für die Dimensionen erwartbarer Informationsgehalt und Glaubwürdigkeit gegeben.
Literatur
Algedri J, Frieling E (2015) Human-FMEA Menschliche Handlungsfehler erkennen und vermeiden 2, Hanser Fachbuch
DIN EN ISO 9000 (2015) Qualitätsmanagementsysteme – Grundlagen und Begriffe
Fahimi Pirehgalin M, Vogel-Heuser B (2018) Estimation of missing values in incomplete industrial process data sets using ECM algorithm. In: 16th IEEE International Conference on Industrial Informatics (INDIN), IEEE, Porto Jul 2018, S 251–257
Heinrich B, Hristova D, Klier M, Schiller A, Szubartowicz M (2018) Requirements for data quality metrics. J Data Inf Q 9(2):1–32. https://doi.org/10.1145/3148238
ISO/IEC 25024 (2015) Systems and software engineering – Systems and software Quality Requirements and Evaluation (SQuaRE) – Measurement of data quality
Loshin D (2011) The practitioner’s guide to data quality improvement. Morgan Kaufmann/Elsevier (The MK/OMG Press), Amsterdam
North K (2011) Wissensorientierte Unternehmensführung. Wertschöpfung durch Wissen. 5., akt. u. erw. Aufl., Gabler, Wiesbaden
Pipino LL, Lee YW, Wang RY (2002) Data quality assessment. Commun ACM 45(4):211. https://doi.org/10.1145/505248.506010
Trunzer E, Kirchen I, Folmer J, Koltun G, Vogel-Heuser B (2017) A flexible architecture for data mining from heterogeneous data sources in automated production systems, In: IEEE International Conference on Industrial Technology (ICIT), Toronto – 2017, Mar 2017, S 1106–1111
VDI/VDE 3714 Blatt 2 (2019) Implementierung und Betrieb von Big-Data-Anwendungen in der produzierenden Industrie – Datenqualität, Entwurf, Dez 2019
Wang R, Strong DM (1996) Beyond accuracy: What data quality means to data consumers. J Manag Inf Syst 12(4):5–33
Weiß I, Vogel-Heuser B (2018) Assessment of variance & distribution in data for effective use of statistical methods for product quality prediction. At – Automatisierungstechnik 66(4):344–355. https://doi.org/10.1515/auto-2017-0115
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Section Editor information
Rights and permissions
Copyright information
© 2020 Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature
About this entry
Cite this entry
Weiß, I., Vogel-Heuser, B. (2020). Datenqualität in CPPS. In: ten Hompel, M., Vogel-Heuser, B., Bauernhansl, T. (eds) Handbuch Industrie 4.0. Springer Reference Technik (). Springer Vieweg, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-45537-1_174-1
Download citation
DOI: https://doi.org/10.1007/978-3-662-45537-1_174-1
Received:
Accepted:
Published:
Publisher Name: Springer Vieweg, Berlin, Heidelberg
Print ISBN: 978-3-662-45537-1
Online ISBN: 978-3-662-45537-1
eBook Packages: Springer Referenz Technik und Informatik