09.10.2024 by Dr. Marc Egelhofer
AI i laboratoriet: Optimeret dataanalyse og kvalitetskontrol af plastgenbrugsmaterialer
Laboratorier konfronteres ofte med en overvældende mængde data fra forskellige kilder og instrumenter. Det er en udfordring at administrere, analysere og udnytte denne mængde data, især når dataene ligger i siloer på tværs af forskellige systemer. Dette gælder især for kvalitetskontrol af polymergenbrug i plastforarbejdning. DIN SPEC 91446 definerer fire kvalitetsniveauer for genbrugsmaterialer, som afhænger af datakvaliteten. Jo højere kvalitetsniveauet er, jo flere kvalitetsrelevante data skal der indsamles.
For laboratoriet betyder maksimal kvalitet derfor også et maksimalt antal datapunkter, der skal analyseres og dokumenteres i den daglige praksis. Et af de vigtigste spørgsmål for laboratorier er derfor, hvordan moderne teknologier som kunstig intelligens (AI) kan integreres i eksisterende processer for at øge datakvaliteten og effektiviteten.
AI - en brugssag med polymergenbrug
Et casestudie involverer en plastforarbejdningsvirksomhed, der køber genbrugsblandinger fra forskellige leverandører. Virksomheden blev konfronteret med en meget fragmenteret datahåndtering. Målte værdier, der var nødvendige for kvalitetskontrollen, var spredt ud over forskellige Excel-regneark, og manuel analyse af disse data krævede betydelige ressourcer.
I et sådant miljø kan brugen af AI ikke give nogen væsentlig lettelse. Det var kun ved at indføre en databaseret platform i kombination med en AI-støttet digital assistent, at plastforarbejderen kunne optimere sine processer betydeligt. Platformen integrerede alle relevante enhedsdata og gav dermed et komplet overblik over de materialer, der blev analyseret.
Den AI-understøttede digitale assistent kan derefter frigøre sit fulde potentiale - fra kompleks dataanalyse og identifikation af sammenhænge til datavisualisering og rapportgenerering.
Scenarie for overvågning af leverandører
Et særligt illustrativt scenarie viser, hvordan leverandørovervågning gøres lettere ved hjælp af AI. Casestudiet viser f.eks., hvordan en simpel forespørgsel blev brugt til at analysere data fra tre forskellige leverandører og hurtigt identificere afvigelser i de leverede partier. I et tilfælde identificerede AI, at en af leverandørerne havde leveret et parti med tre gange den aftalte viskositet. Denne præcise dataanalyse gjorde det muligt for virksomheden bedre at vurdere leverandørernes kvalitet og træffe informerede beslutninger om fremtidige leverandører.
Det var også muligt på forhånd at undgå at bruge et materiale med for høj viskositet, hvilket kunne have ført til store forarbejdningsproblemer og lavere produktkvalitet.
Konklusion
Dette eksempel fra et casestudie viser, at AI ikke længere er en fremtidsvision, men allerede bruges i laboratorier i dag. Det hjælper med effektivt at analysere large mængder af data og sikrer dermed kvaliteten af genbrugsplast. Laboratorier, der benytter sig af AI-understøttede datastyringsløsninger, nyder ikke kun godt af forbedret datakvalitet, men også af betydelige tids- og ressourcebesparelser. Det øger i sidste ende konkurrenceevnen og hjælper med at udvikle bedre produkter.
Læs hele casestudiet for at få flere eksempler på, hvordan AI kan støtte laboratoriet:
