Top

Published in:

2023 | OriginalPaper | Chapter

Entwicklung eines IT-basierten Reifegradmodells zur Bewertung der Datenqualität für Predictive Data Analytics in der Fertigung der Industrie 4.0

Authors : Robert Trevino, Roland Jochem

Published in: Nachhaltiges Qualitätsdatenmanagement

Publisher: Springer Fachmedien Wiesbaden

Activate our intelligent search to find suitable subject content or patents.

search-config

AI-assisted search

Off

Zusammenfassung

Im Rahmen dieser Publikation soll eine Methodik zur Bewertung der Datenqualität mittels eines IT-gestützten Reifegradmodells vorgestellt werden, um produzierende Unternehmen zu befähigen Predictive Analytics anforderungsgerecht einzusetzen. In einem ersten Schritt erfolgt die Identifikation existierender Reifegrademodelle zur Bewertung der Datenqualität und Ableitung eines möglichen Bedarfs eines IT-basierten Reifegradmodells für den Einsatz von Methoden aus dem Bereich der Predictive Analytics. Hierzu wird mittels einer systematischen Literaturanalyse der aktuelle Stand der Wissenschaft und Technik ermittelt. Es folgt die Analyse der Literaturauswertung, um den Forschungsbedarf zu begründen. Durch eine weitere Literaturanalyse werden geeignete Methoden der Predictive Analytics für den Einsatz in der Fertigung der Industrie 4.0 identifiziert und die datenbezogenen Anforderungen quantifiziert. Der nächste Schritt ist die Darstellung der geplanten Umsetzung des IT-gestützten Reifegradmodells zur Bewertung der Datenqualität auf Grundlage aktueller Normen u. a. ISO 8000 und ISO/IEC 25.000. Im Anschluss erfolgt die konzeptuelle Verknüpfung der datentechnischen Anforderungen der Methoden der Predictive Analytics mit dem Reifegradmodell. Diese Vorgehensweise soll die Komplexität der Bewertung der Datenqualität in produzierenden Unternehmen reduzieren und einen Einsatz von Predictive Analytics in der Fertigung durch eine Methodenauswahl unterstützen.

Dont have a licence yet? Then find out more about our products and how to get one now:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

previous chapter Fehlerdatenaufnahme in der manuellen Montage: Informationsbedarfsanalyse für die Fehleranalyse und -abstellung im Fehlermanagement

next chapter Auslegung eines Accelerated Life Tests zur Abbildung der Langzeit-Zuverlässigkeit von Produkten im Prototypenstadium

Candanedo I.S., Nieves EH., González S.R., Martín M.T.S., Briones A.G.: Machine learning predictive model for industry 4.0. In: Uden L., Hadzima B., Ting I.-H. (Hrsg.) Knowledge Management in Organizations. 13th International Conference, KMO 2018, Žilina, Slovakia, August 6–10, 2018, Proceedings, Bd. 877, S. 501–510. Springer International Publishing, Cham (2018)

Dilda V., Hippe M,. Mori L., Noterdame, Olivier, Schmitz c., van Niel J.: Manufacturing: Analytics unleashes productivity and profitability (2017)

Landgrebe, C., Moritz, S.-K., Supe, J., Kaiser, L.: Big Data und Analytics in der Automobilindustrie – Wunschdenken oder Wettbewerbsvorteil? ATZ Extra 24(S8), 12–17 (2019). https://doi.org/10.1007/s35778-019-0078-3CrossRef

Lueth K.L., Patsioura C., Williams Z.D., Kermani Z.Z.: Industrial Analytics 2016/2017. The current state of data analytics usage in industrial companies. https://digital-analytics-association.de/wp-content/uploads/2016/03/Industrial-Analytics-Report-2016-2017-vp-singlepage.pdf. Zugegriffen: 15. Juni 2022 (2017)

Bernerstätter, R., Kühnast, R.: Data Maturity Assessment – Bewertung der Reife des Datenmanagements für Smart Maintenance. Berg Huettenmaenn Monatsh 164(1), 21–25 (2019). https://doi.org/10.1007/s00501-018-0800-2CrossRef

Gudivada, V., Apon, A., Ding, J.: Data Quality Data quality considerations for big data and machine learning: Going beyond data cleaning and transformations. International Journal on Advances in Software 10, 1–20 (2017)

Sha, K., Zeadally, S.: Data quality challenges in cyber-physical systems. J. Data and Information Quality 6(2–3), 1–4 (2015). https://doi.org/10.1145/2740965CrossRef

Cao, L., Zhu, H.: Normal accidents. J. Data and Information Quality 4(3), 1–26 (2013). https://doi.org/10.1145/2458517.2458519CrossRef

Bansal, S.K., Kagemann, S.: Integrating big data: A semantic extract-transform-load framework. Computer 48(3), 42–50 (2015). https://doi.org/10.1109/MC.2015.76CrossRef

10.

Na K.-S., Baik D.-K., Kim P.-K.: A practical approach for modeling the quality of multimedia data. In: Georganas N.D., Popescu-Zeletin R. (Hrsg.) Proceedings of the ninth ACM international conference on Multimedia – MULTIMEDIA’ 01, S. 516. ACM Press, New York, New York, USA (2001)

11.

Curé, O.: Improving the data quality of drug databases using conditional dependencies and ontologies. J. Data and Information Quality 4(1), 1–21 (2012). https://doi.org/10.1145/2378016.2378019CrossRef

12.

Naumann, F.: Datenqualität. Informatik Spektrum 30(1), 27–31 (2007). https://doi.org/10.1007/s00287-006-0125-5CrossRef

13.

DIN Deutsches Institut für Normung e. V.: Qualitätsmanagementsysteme – Grundlagen und Begriffe (ISO 9000:2015). Deutsche und Englische Fassung EN ISO 9000:2015 (DIN EN ISO 9000). Beuth Verlag GmbH (2015–11–00)

14.

International Organization for Standardization.: Data quality. Part 2: Vocabulary, 4. Aufl. (ISO 8000–2). ISO, Genf (2020)

15.

International Organisation for Standardisation.: ISO/IEC 25012:2008 Software engineering — Software product Quality Requirements and Evaluation (SQuaRE) — Data quality model (2008)

16.

Mashey J.: (1998) Big data and the next wave of infraStess (2011)

17.

Beyer M.: Gartner Says Solving “Big Data” challenge involves more than just managing volumes of Data (2011)

18.

Laney D.: 3D Data Management: Controlling data volume, velocity, and variety. Application Delivery Strategies (2001)

19.

Khan M.A., Uddin M.F., Gupta N.: Seven V’s of Big Data understanding Big Data to extract value Proceedings of the 2014 Zone 1 Conference of the American Society for Engineering Education. IEEE, S. 1–5 (2014)

20.

Demchenko Y., Laat C. de, Membrey P.: Defining architecture components of the Big data ecosystem 2014 International conference on collaboration technologies and systems (CTS). IEEE, S. 104–112 (2014)

21.

Jin, X., Wah, B.W., Cheng, X., Wang, Y.: Significance and challenges of big data research. Big Data Research 2(2), 59–64 (2015). https://doi.org/10.1016/j.bdr.2015.01.006CrossRef

22.

Demchenko Y., Grosso P., Laat C. de, Membrey P.: Addressing big data issues in Scientific Data Infrastructure. In: Smari WW (Hrsg.) 2013 International Conference on Collaboration Technologies and Systems (CTS 2013). San Diego, California, USA, 20–24 May 2013; [including symposia and workshops, S. 48–55. IEEE, Piscataway, NJ (2013)

23.

Sagiroglu S., Terzi R., Canbay Y., Colak I.: Big data issues in smart grid systems 2016 IEEE International Conference on Renewable Energy Research and Applications (ICRERA), S. 1007–1012. IEEE (2016)

24.

Yan, J., Meng, Y., Lu, L., Li, L.: Industrial big data in an industry 4.0 environment: Challenges, schemes, and applications for predictive maintenance. IEEE Access 5, 23484–23491 (2017). https://doi.org/10.1109/ACCESS.2017.2765544CrossRef

25.

Bendler J., Wagner S., Brandt T., Neumann D.: Informationsunschärfe in Big Data. Wirtschaftsinformatik 56(5), 303–313. Springer (2014). https://doi.org/10.1007/s11576-014-0431-5

26.

Georgopoulos A., Georg S.: Anforderungen an das Controlling. Auswirkungen von Big Data und Digitalisierung auf das zukünftige Kompetenzprofil des Controllers. Springer Gabler, Wiesbaden, Germany (2021)

27.

Davenport, T.: Big Data at work. Dispelling the myths, Uncovering the opportunities. Harvard Business Review Press, Boston (2014)

28.

Freiknecht J.: Big Data in der Praxis. Lösungen mit Hadoop, HBase und Hive : Daten speichern, aufbereiten, visualisieren. Hanser, München (2014)

29.

Seufert, A., Engelbergs, J., von Daacke, M., Treitz, R.: Digitale Transformation und Controlling – Erkenntnisse aus der empirischen Forschung des ICV. Controller Magazin. 44, 4–10 (2019)

30.

Sack R.: Big Data – Strategischer Vorteil im internationalen Wettbewerb, Hochschule Wismar (2013)

31.

IBM Institute of Business Value: Analytics: Big Data in der Praxis- Wie innovative Unternehmen ihre Datenbestände effektiv nutzen (2012)

32.

Aschenbrücker, A., Horváth, P., Michel, U., Gänßle, S., Losbichler, H., Grünert, L., Weber, J., Steinke, K.-H., Blachfellner, M.: Big Data – Potential für Controller. Controller Magazin. 39(6), 35–42 (2014)

33.

Ge, Z., Song, Z., Ding, S.X., Huang, B.: Data mining and analytics in the process industry: The role of machine learning. IEEE Access 5, 20590–20616 (2017). https://doi.org/10.1109/ACCESS.2017.2756872CrossRef

34.

Cattaneo, L., Fumagalli, L., Macchi, M., Negri, E.: Clarifying data analytics concepts for industrial engineering. IFAC-PapersOnLine 51(11), 820–825 (2018). https://doi.org/10.1016/j.ifacol.2018.08.440CrossRef

35.

Stimmel, C.L.: Big Data Analytics Strategies for the Smart Grid, 1. Aufl. Auerbach, Leipzig (2014)

36.

Gartner: Magic Quadrant for BI plattforms. Analytics Value Escalator (2012)

37.

Lee M., Cho M., Gim J., Jeong DH., Jung H.: Prescriptive Analytics System for Scholar Research Performance Enhancement. In: Stephanidis C (Hrsg) HCI International 2014 – Posters’ extended abstracts. International conference, HCI international 2014, Heraklion, Crete, Greece, June 22–27, 2014: Proceedings. Springer, Cham (2014)

38.

Wöstmann R., Nöhring F., Deuse J., Klinkenberg R., Lacke T.: Big Data Analytics in der Auftragsabwicklung. Erschließung ungenutzter Potenziale in der variantenreichen Kleinserienfertigung. Industrie Management 4.0. 33(4):7–9 (2017)

39.

Rogalewicz, M., Sika, R.: Methodologies of knowledge discovery from data and data mining methods in mechanical engineering. Management and Production Engineering Review 7(4), 97–108 (2016). https://doi.org/10.1515/mper-2016-0040CrossRef

40.

Muralidharan, V., Sugumaran, V.: Rough set based rule learning and fuzzy classification of wavelet features for fault diagnosis of monoblock centrifugal pump. Measurement. 46(9), 3057–3063 (2013). https://doi.org/10.1016/j.measurement.2013.06.002CrossRef

41.

Muralidharan, V., Sugumaran, V.: A comparative study of Naïve Bayes classifier and Bayes net classifier for fault diagnosis of monoblock centrifugal pump using wavelet analysis. Appl. Soft Comput. 12(8), 2023–2029 (2012). https://doi.org/10.1016/j.asoc.2012.03.021CrossRef

42.

Jegadeeshwaran, R., Sugumaran, V.: Brake fault diagnosis using clonal selection classification algorithm (CSCA) – A statistical learning approach. Eng. Sci. Technol. an Int. J.18(1), 14–23 (2015). https://doi.org/10.1016/j.jestch.2014.08.001CrossRef

43.

Lu Z.-J., Xiang Q., Wu Y., Gu J.: Application of support vector machine and genetic algorithm optimization for quality prediction within complex industrial process 2015 IEEE 13th International Conference on Industrial Informatics (INDIN 2015). Cambridge, United Kingdom, 22–24 July 2015, S. 98–103 IEEE, Piscataway, NJ (2015)

44.

Pashazadeh, H., Gheisari, Y., Hamedi, M.: Statistical modeling and optimization of resistance spot welding process parameters using neural networks and multi-objective genetic algorithm. J. Intell. Manuf. 27(3), 549–559 (2016). https://doi.org/10.1007/s10845-014-0891-xCrossRef

45.

Perzyk, M., Kochanski, A., Kozlowski, J., Soroczynski, A., Biernacki, R.: Comparison of data mining tools for significance analysis of process parameters in applications to process fault diagnosis. Inf. Sci. 259, 380–392 (2014). https://doi.org/10.1016/j.ins.2013.10.019CrossRef

46.

Jin, R., Shi, J.: Reconfigured piecewise linear regression tree for multistage manufacturing process control. IIE Trans. 44(4), 249–261 (2012). https://doi.org/10.1080/0740817X.2011.564603CrossRef

47.

Hayajneh, M.T.: Fuzzy clustering modelling for surface finish prediction in fine turning process. Mach. Sci. Technol. 9(3), 437–451 (2005). https://doi.org/10.1080/10910340500196447CrossRef

48.

Liu, D., Zhen, H., Kong, D., Chen, X., Zhang, L., Yuan, M., Wang, H.: Sensors Anomaly Detection of Industrial Internet of Things Based on Isolated Forest Algorithm and Data Compression. Sci. Program. 2021, 1–9 (2021). https://doi.org/10.1155/2021/6699313CrossRef

49.

Beekmann F., Chamoni P.: Verfahren des Data Mining. In: Chamoni P. (Hrsg.) Analytische Informationssysteme. Business-Intelligence-Technologien und -Anwendungen; mit 13 Tabellen, 3. Aufl., S. 263–282. Springer, Berlin, Heidelberg (2006)

50.

Jia, Z.Q., Gou, Y.L., Han, X.J., Chen, L.: The Fault Diagnosis for Warship’s Power Plant Based on Association Rules. AMM 433–435, 960–963 (2013). https://doi.org/10.4028/www.scientific.net/AMM.433-435.960

51.

Hu Y., Guo Z., Wen J., Han J.: Research on knowledge mining for agricultural machinery maintenance based on association rules 2015 IEEE 10th Conference on Industrial Electronics and Applications (ICIEA 2015). Auckland, New Zealand, 15–17 June 2015. IEEE, S. 885–890. Piscataway, NJ (2015)

52.

Mettler T.: Vorschlag zur Wiederauffindung und Wiederverwendung von Reifegradmodellen, Universität St. Gallen – Hochschule für wirtschafts-, Rechts- und Sozialwissenschaften (2010)

53.

CMMI Product Team.: CMMI for Development, Version 1.3. Carnegie Mellon University (2010)

54.

Becker, J., Knackstedt, R., Pöppelbuß, J.: Entwicklung von Reifegradmodellen für das IT-Management. Wirtsch. Inform. 51(3), 249–260 (2009). https://doi.org/10.1007/s11576-009-0167-9CrossRef

55.

Hüner K.M., Ofner M., Otto B.: Towards a maturity model for corporate data quality management. In: Shin S.Y., Ossowski S. (Hrsg.) Proceedings of the 2009 ACM symposium on Applied Computing – SAC ’09, S 231. ACM Press, New York, New York, USA (2009)

56.

Santos-Neto, J.BSd., Costa, A.P.C.S.: Enterprise maturity models: a systematic literature review. Enterprise Information Systems 13(5), 719–769 (2019). https://doi.org/10.1080/17517575.2019.1575986CrossRef

57.

Mittal, S., Khan, M.A., Romero, D., Wuest, T.: A critical review of smart manufacturing & Industry 4.0 maturity models: Implications for small and medium-sized enterprises (SMEs). J. Manuf. Syst. 49, 194–214 (2018). https://doi.org/10.1016/j.jmsy.2018.10.005CrossRef

58.

Tarhan, A., Turetken, O., Reijers, H.A.: Business process maturity models: A systematic literature review. Inf. Softw. Technol. 75, 122–134 (2016). https://doi.org/10.1016/j.infsof.2016.01.010CrossRef

59.

Isoherranen V., Karkkainen M.K., Kess P.: Operational excellence driven by process maturity reviews: A case study of the ABB corporation 2015 IEEE International Conference on Industrial Engineering and Engineering Management (IEEM). IEEE, S. 1372–1376 (2015)

60.

Uslar M., Masurkewitz J.: A survey on application of maturity models for smart grid: Review of the state-of -the-art. Proceedings of EnviroInfo and ICT for Sustainability 2015. Atlantis PressParis, France (2015)

61.

Gusenbauer, M.: Google Scholar to overshadow them all? Comparing the sizes of 12 academic search engines and bibliographic databases. Scientometrics 118(1), 177–214 (2019). https://doi.org/10.1007/s11192-018-2958-5CrossRef

62.

Poeppelbuss J., Niehaves B., Simons A., Becker J.: Maturity models in information systems research: Literature search and analysis. CAIS. 29 (2011). https://doi.org/10.17705/1cais.02927

63.

Maier, A.M., Moultrie, J., Clarkson, P.J.: Assessing organizational capabilities: Reviewing and guiding the development of maturity grids. IEEE Trans. Eng. Manage. 59(1), 138–159 (2012). https://doi.org/10.1109/TEM.2010.2077289CrossRef

64.

International Organisation for Standardisation: ISO/IEC 33020:2019 Information technology – Process assessment – Process measurement framework for assessment of process capability. Zugegriffen: 20. Juni 2022 (2019)

65.

Comuzzi, M., Patel, A.: How organisations leverage Big Data: A maturity model. IMDS 116(8), 1468–1492 (2016). https://doi.org/10.1108/IMDS-12-2015-0495CrossRef

66.

O’Donovan P., Bruton K., T.J. O’Sullivan D.: IAMM: A maturity model for measuring industrial analytics capabilities in large-scale manufacturing facilities. IJPHM 7(4) (2016). https://doi.org/10.36001/ijphm.2016.v7i4.2466

67.

Weber, C., Königsberger, J., Kassner, L., Mitschang, B.: M2DDM – A Maturity Model for Data-Driven Manufacturing. Procedia CIRP 63, 173–178 (2017). https://doi.org/10.1016/j.procir.2017.03.309CrossRef

68.

Canetta L., Barni A., Montini E.: Development of a Digitalization Maturity Model for the Manufacturing Sector 2018 IEEE International Conference on Engineering, Technology and Innovation (ICE/ITMC). IEEE, S. 1–7 (2018)

69.

Ge, J., Wang, F., Sun, H., Fu, L., Sun, M.: Research on the maturity of big data management capability of intelligent manufacturing enterprise. Syst Res Behav Sci 37(4), 646–662 (2020). https://doi.org/10.1002/sres.2707CrossRef

70.

Sjödin, D.R., Parida, V., Leksell, M., Petrovic, A.: Smart Factory Implementation and Process Innovation. Res. Technol. Manag. 61(5), 22–31 (2018). https://doi.org/10.1080/08956308.2018.1471277CrossRef

71.

Schumacher, A., Erol, S., Sihn, W.: A Maturity Model for Assessing Industry 4.0 Readiness and Maturity of Manufacturing Enterprises. Procedia CIRP 52, 161–166 (2016). https://doi.org/10.1016/j.procir.2016.07.040CrossRef

72.

Leyh C., Schäffer T., Bley K., Forstenhäusler S.: SIMMI 4.0 – A Maturity Model for Classifying the Enterprise-wide IT and Software Landscape Focusing on Industry 4.0 Proceedings of the 2016 Federated Conference on Computer Science and Information Systems. IEEE, S. 1297–1302 (2016)

73.

Gökalp E., Şener U., Eren P.E.: Development of an Assessment Model for Industry 4.0: Industry 4.0-MM. In: Mas A, Mesquida A, O’Connor RV, Rout T, Dorling A (Hrsg.) Software process improvement and capability determination. 17th International Conference, SPICE 2017, Palma de Mallorca, Spain, October 4–5, 2017, proceedings, Bd. 770, S. 128–142. Springer, Cham (2017)

74.

Gökalp, M.O., Gökalp, E., Kayabay, K., Koçyiğit, A., Eren, P.E.: Data-driven manufacturing: An assessment model for data science maturity. J. Manuf. Syst. 60, 527–546 (2021). https://doi.org/10.1016/j.jmsy.2021.07.011CrossRef

75.

Davenport T.H.: Competing on analytics: the new science of winning. Harvard Business Press (2007)

76.

Dhanuka V.: Hortonworks big data maturity model. Hortonworks. http://hortonworks.com/wp-content/uploads/201. Zugegriffen: 4. Juli 2022 (2016)

77.

Zeller V., Hocken C., Stich V.: acatech Industrie 4.0 Maturity Index – A Multidimensional Maturity Model. In: Moon I., Lee G.M., Park J., Kiritsis D., Cieminski G. von (Hrsg.) Advances in Production Management Systems. Smart Manufacturing for Industry 4.0. IFIP WG 5.7 International Conference, APMS 2018, Seoul, Korea, August 26–30, 2018, Proceedings, Part II, Bd. 536, S. 105–113. Springer International Publishing, Cham (2018)

78.

International Organisation for Standardisation: ISO/IEC 33002:2015 Information technology – Process assessment – Requirements for performing process assessment 35.080. Zugegriffen: 30. Juni 2022 (2015)

79.

International Organisation for Standardisation: ISO/IEC 33004:2015 Information technology — Process assessment — Requirements for process reference, process assessment and maturity models (2015)

80.

International Organisation for Standardisation: ISO/IEC 25024:2015 Systems and software engineering – Systems and software Quality Requirements and Evaluation (SQuaRE) – Measurement of data quality (2015)

Title: Entwicklung eines IT-basierten Reifegradmodells zur Bewertung der Datenqualität für Predictive Data Analytics in der Fertigung der Industrie 4.0
Authors: Robert Trevino
Roland Jochem
Publisher: Springer Fachmedien Wiesbaden
Book: Nachhaltiges Qualitätsdatenmanagement
Print ISBN: 978-3-658-40587-8

Electronic ISBN: 978-3-658-40588-5

Copyright Year: 2023
DOI: https://doi.org/10.1007/978-3-658-40588-5_2

Springer Professional

Zusammenfassung

Please log in to get access to your license.

Dont have a licence yet? Then find out more about our products and how to get one now:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"

Premium Partners