09.10.2024 by Dr. Marc Egelhofer
AI in het laboratorium: Geoptimaliseerde gegevensanalyse en kwaliteitscontrole van kunststofrecyclaten
Laboratoria worden vaak geconfronteerd met een overweldigende hoeveelheid gegevens uit verschillende bronnen en instrumenten. Het beheren, analyseren en benutten van deze hoeveelheid gegevens is een uitdaging, vooral als de gegevens in verschillende systemen zijn ondergebracht. Dit geldt met name voor de kwaliteitscontrole van polymeerrecyclaten in de kunststofverwerking. DIN SPEC 91446 definieert vier kwaliteitsniveaus voor recyclaten, die afhankelijk zijn van de kwaliteit van de gegevens. Hoe hoger het kwaliteitsniveau, hoe meer kwaliteitsrelevante gegevens er verzameld moeten worden.
Voor het laboratorium betekent maximale kwaliteit daarom ook een maximaal aantal datapunten dat in de dagelijkse praktijk moet worden geanalyseerd en gedocumenteerd. Een van de belangrijkste vragen voor laboratoria is daarom hoe moderne technologieën zoals kunstmatige intelligentie (AI) kunnen worden geïntegreerd in bestaande processen om de kwaliteit en efficiëntie van gegevens te verhogen.
AI - Een toepassing voor polymeerrecyclaat
Een casestudy betreft een kunststofverwerker die recyclaatmengsels inkoopt bij verschillende leveranciers. Het bedrijf werd geconfronteerd met zeer gefragmenteerd gegevensbeheer. Meetwaarden die nodig waren voor kwaliteitscontrole waren verspreid over verschillende Excel-spreadsheets en de handmatige analyse van deze gegevens kostte aanzienlijke middelen.
In een dergelijke omgeving kan het gebruik van AI geen significante verlichting bieden. Alleen door de introductie van een op gegevens gebaseerd platform in combinatie met een digitale assistent met AI-ondersteuning kon de kunststofverwerker zijn processen aanzienlijk optimaliseren. Het platform integreerde alle relevante apparaatgegevens en bood zo een compleet overzicht van de materialen die werden geanalyseerd.
De AI-ondersteunde digitale assistent kan dan zijn volledige potentieel ontplooien - van complexe gegevensanalyse en identificatie van correlaties tot gegevensvisualisatie en het genereren van rapporten.
Scenario voor leveranciersmonitoring
Een bijzonder illustratief scenario laat zien hoe het monitoren van leveranciers eenvoudiger wordt met behulp van AI. De casestudy laat bijvoorbeeld zien hoe een eenvoudige query werd gebruikt om gegevens van drie verschillende leveranciers te analyseren en snel Identify afwijkingen in de geleverde batches te vinden. In één geval identificeerde AI dat een van de leveranciers een batch had geleverd met een viscositeit die drie keer zo hoog was als was afgesproken. Dankzij deze nauwkeurige gegevensanalyse kon het bedrijf de kwaliteit van leveranciers beter beoordelen en weloverwogen beslissingen nemen over toekomstige leveranciers.
Ook kon vooraf worden voorkomen dat een materiaal met een te hoge viscositeit werd gebruikt, wat tot grote verwerkingsproblemen en een lagere productkwaliteit had kunnen leiden.
Conclusie
Dit voorbeeld uit een casestudy laat zien dat AI niet langer een toekomstvisie is, maar vandaag de dag al wordt gebruikt in laboratoria. Het helpt bij het efficiënt analyseren van large hoeveelheden gegevens, waardoor de kwaliteit van gerecyclede kunststoffen wordt gewaarborgd. Laboratoria die vertrouwen op AI-ondersteunde oplossingen voor gegevensbeheer profiteren niet alleen van een betere gegevenskwaliteit, maar ook van aanzienlijke besparingen in tijd en middelen. Dit vergroot uiteindelijk het concurrentievermogen en helpt bij de ontwikkeling van betere producten.
Lees de volledige casestudy voor meer voorbeelden van hoe AI het laboratorium kan ondersteunen:
