数据质量控制软件Q-CHECKER(转)

随着企业信息化建设的不断深入进行,我们的企业将逐步地发展成为数字化企业。其中作为最基本构成的CATIA数模已经是产品开发制造的唯一依据,CATIA数模的质量就是加工的质量,就是制造的质量,就是生产出的产品的质量。
     数模中不可避免地存在许多缺陷,这些缺陷大部分是不能被设计人员察觉的。我们需要一个工具使我们能够迅速检测出数模中有哪些问题、知道它们在什么地方、并快速消除掉这些缺陷。
     德国TRANSCAT公司基于CATIA开发的Q-CHECKER和Q-Monitor是CATIA数据质量控制软件。Q-CHECKER检查数模中的缺陷,把我们的产品质量控制提前到了CATIA设计建模阶段;Q-Monitor软件对Q-CHECKER的检查结果进行统计,帮助我们找到提高数模质量、消除缺陷的方法。
     Q-checker的依据是最先进的数据质量工业标准VDA 4955、SASIG PDQ,Q-checker for CATIA V4有242个检查项目,Q-checker for CATIA V5的检查项目有210个。Q-checker for CATIA V5的检查项目分三类:标准规范检查、设计方法检查和几何检查。标准规范包括数模归档的状态、文件及元素的命名、层的使用规范等;设计方法包括记录设计方法的结构树的组织、保证并行关联设计的元素定义、针对具体结构的设计方法、造成工艺问题的设计方法等;几何检查项目包括对线、面、实体及二维元素的检查,如线不连续就不能生成面或不能生成高质量的面,面片间有间隙就无法生成实体等等。其中有许多的缺陷Q-checker能够自动修复。
     工程师在设计过程中经常用Q-Checker检查数模,发现问题及时解决,使下一步的设计总是在无缺陷的基础上进行,提高设计效率和建模质量。
    上游部门将经Q-Checker检查消除缺陷的数模传给下游部门,避免返工成本的发生。 Q-checker是并行设计的数据质量保证。
    企业之间在数模传递/转换前进行Q-checker检查,禁止缺陷数模的流入,这样就保证了企业内部的所有数据具有相同的标准,Q-checker是企业间协同设计的数据质量保证。
     Q-CHECKER可以对当前的单个数模进行检查,也可以对多个数模进行批处理检查, 检查结果可以即时显示即时修复缺陷,也可写入数据库中。Q-Monitor对数据库进行访问,生成各种直观的统计图表,帮助我们分析问题,通过和各部门讨论,和各协作企业讨论,提出改进的方法,使企业及其协作的数模质量不断提高。
    总之,Q-Checker是工程师的朋友,是设计开发流程的润滑剂,Q-Monitor是管理人员的朋友,它们能够使我们树立数模质量意识,最大限度地消除产品数据中的质量缺陷,不断提高的产品质量,缩短开发周期,节约成本。Q-Checker和Q-Monitor给我们节约下来成本我们无法想象:Daimler 公司(乘客用车) 通过早期消除产品数据质量缺陷每年节省5百万欧元;Chrysler公司通过消除数模质量问题每年节省23 百万美元。
    Q-Checker用户数量逾千,覆盖航空航天、汽车、通用机械及日用消费品等。国内航空企业中603和640已经开始使用Q-Checker。和当年CATIA一样,国内Q-Checker的普及也将会从航空业开始。

数据质量控制软件Q-CHECKER(转)

时间: 2024-10-10 02:58:52

数据质量控制软件Q-CHECKER(转)的相关文章

cognos开发与部署报表到广西数据质量平台

1.cognos报表的部署. 参数制作的步骤: 1.先在cognos里面把做好的报表路径拷贝,然后再拷贝陈工给的报表路径. 开始做替换,把陈工给的报表路径头拿到做好的报表路径中,如下面的链接http://10.194.40.11:9300/p2pd/servlet/dispatch?b_action=xts.run&m=portal/report-viewer.xts&ui.action=run&ui.object=CAMID这个是报表运行的参数(陈工) 然后再把尾部的run.ou

数据质量及数据清洗方法

先对其进行介绍:    数据清洗(Data cleaning)– 对数据进行重新审查和校验的过程,目的在于删除重复信息.纠正存在的错误,并提供数据一致性.[1] 数据清洗从名字上也看的出就是把“脏”的“洗掉”,指发现并纠正数据文件中可识别的错误的最后一道程序,包括检查数据一致性,处理无效值和缺失值等.因为数据仓库中的数据是面向某一主题的数据的集合,这些数据从多个业务系统中抽取而来而且包含历史数据,这样就避免不了有的数据是错误数据.有的数据相互之间有冲突,这些错误的或有冲突的数据显然是我们不想要的

数据质量抽数与检查日志

一.营销mis系统抽取数据按月抽取的表的方法: 营销表按月抽取的方法:1.没有增量,全量抽取,入库目标地址为ods_yx,数据集成平台.不用入库到镜像库的. 要先进行表数据的抽取,把81.34里面的log日志文件删除,然后 使用到的程序为:F:\FTP\2013KHPZ里面的入库程序. 勾选循环执行LDR,入库前先清除表数据等选项.然后开始执行入库. 二.营销mis无主键的数据抽取 无主键的数据抽取: 1.生成sybase全量视图语句,拿语句给覃金卫进行部署,然后把CTL文件拷贝到81.34 F

【数据挖掘导论】——数据质量

数据质量 数据挖掘使用的数据通常是为其他用途收集或者收集的时候还没有明确目的.因此数据常常不能在数据的源头控制质量.为了避免数据质量的问题,所以数据挖掘着眼于两个方面:数据质量问题的检测和纠正(数据清理):使用可以容忍低质量数据的算法. 测量和数据收集问题 完美的数据在实际中几乎是不存在的,对于存在的数据质量问题,我们先定义测量误差和数据收集错误,然后考虑测量误差的各种问题:噪声,伪像,偏倚,精度和准确度.接着讨论测量和数据收集的数据质量问题:离群点,遗漏和不一致的值,重复数据. 测量误差(me

数据质量分析

转自:http://www.tipdm.org/ganhuofenxiang/1026.jhtml 数据质量分析是数据挖掘中的重要一环,错误的假设和糟糕的数据问题都是导致数据挖掘结果产生偏差的重要原因.数据挖掘从业者常常会说"Garbage In ,Garbage Out"即"垃圾进,垃圾出",装入的数据是垃圾,计算出来的结果也是垃圾.很多的时候我们过度重视重视算法,而忽略数据本身,算法固然重要,但是优质完整的数据却是要优于好的算法,假设如数据质量一样,数据特征选择

数据质量监控

数据质量的定义 从数据使用者的角度定义,高质量的数据应该是能充分满足用户使用要求的数据. 数据质量的标准 完整性:数据记录是否缺失:字段内容是否缺失. 一致性:字段内容是否满足应有的规则,比如电话号码,IP等:数据之间存在的逻辑关系是否满足,比如pv>=uv,百分比不能超过100%等. 准确性:乱码:异常大或者异常小 及时性:SLA 数据质量的评测流程 数据质量需求分析 确定评价对象和范围 选取数据质量维度及评价标准 确定质量测度及评价方法 运用方法进行评价 结果分析和评级 质量结果和报告 数据

数据中台专栏(三):数据质量分析及提升

本文作者:笑天 袋鼠云数据解决方案专家.拥有10余年IT行业开发和管理等企业服务经验,精通大型项目的开发和管理,曾就职于英特尔.索尼等世界500强企业,参与过英特尔,索尼,三星,华为等公司的大型项目的开发和咨询工作.近几年主攻大数据方向,包括数据中台建设.大数据治理.工业领域的数据应用等项目开发和实施. 正文:正文 大量的信息成倍增加,但有用的信息却非常有限. 信号是真相,噪声却使我们离真相越来越远. --<信号与噪声:大数据时代预测的科学与艺术> [美]纳特·西尔弗 一般情况下,企业都有多套

蚂蚁金服数据质量治理架构与实践

摘要:以"数字金融新原力(The New Force of Digital Finance)"为主题,蚂蚁金服ATEC城市峰会于2019年1月4日上海如期举办.金融智能专场分论坛上,蚂蚁金服数据平台部高级数据技术专家李俊华做了主题为<蚂蚁金服数据治理之数据质量治理实践>的精彩分享. 演讲中,李俊华介绍了蚂蚁金服数据架构体系的免疫系统--数据质量治理体系,此外还着重介绍了数据质量实施的相关内容,以及蚂蚁的数据质量治理实践与所面对的实际挑战.李俊华 蚂蚁金服数据平台部高级数据技

数据分析之数据质量分析和数据特征分析

1.数据质量分析 数据质量分析是数据挖掘中数据准备过程的重要一环,是数据预处理的前提,也是数据挖掘分析结论有效性和准确性的基础,没有可信的数据,数据挖掘构建的模型将是空中楼阁. 数据质量分析的主要任务是检查原始数据中是否存在脏数据,脏数据一般是指不符合要求,以及不能直接进行相应分析的数据.在常见的数据挖掘工作中,脏数据包括: (1)缺失值:     (2)异常值:     (3)不一致的值:     (4)重复数据及含有特殊符号(如#.¥.*)的数据. 1.1缺失值分析        数据的缺失