09.10.2024 by Dr. Marc Egelhofer
AI i laboratoriet: Optimerad dataanalys och kvalitetskontroll av plaståtervinningsmaterial
Laboratorier konfronteras ofta med en överväldigande mängd data från olika källor och instrument. Att hantera, analysera och utnyttja denna mängd data är en utmaning, särskilt när datan är uppdelad i olika system. Detta gäller i synnerhet för kvalitetskontrollen av polymeråtervinning vid plastbearbetning. DIN SPEC 91446 definierar fyra kvalitetsnivåer för återvinningsmaterial, som beror på datakvaliteten. Ju högre kvalitetsnivå, desto mer kvalitetsrelevanta data måste samlas in.
För laboratoriet innebär maximal kvalitet därför också ett maximalt antal datapunkter som måste analyseras och dokumenteras i det dagliga arbetet. En av de viktigaste frågorna för laboratorierna är därför hur modern teknik som t.ex. artificiell intelligens (AI) kan integreras i befintliga processer för att öka datakvaliteten och effektiviteten.
AI - ett användningsfall för polymeråtervinning
En fallstudie handlar om en plastförädlare som köper in blandningar av återvunnet material från olika leverantörer. Företaget konfronterades med en mycket fragmenterad datahantering. De mätvärden som krävdes för kvalitetskontrollen var utspridda i olika Excel-ark, och den manuella analysen av dessa data tog stora resurser i anspråk.
I en sådan miljö kan användningen av AI inte ge någon betydande lättnad. Det var först genom att införa en databaserad plattform i kombination med en AI-stödd digital assistent som plastförädlaren kunde optimera sina processer avsevärt. Plattformen integrerade alla relevanta enhetsdata och gav därmed en fullständig översikt över de material som analyserades.
Den AI-stödda digitala assistenten kan sedan frigöra sin fulla potential - från komplex dataanalys och identifiering av korrelationer till datavisualisering och rapportgenerering.
Scenario för övervakning av leverantörer
Ett särskilt illustrativt scenario visar hur leverantörsuppföljningen underlättas med hjälp av AI. Fallstudien visar bland annat hur en enkel fråga användes för att analysera data från tre olika leverantörer och snabbt Identify avvikelser i de levererade satserna. I ett fall identifierade AI att en av leverantörerna hade levererat en batch med tre gånger så hög viskositet som avtalat. Den exakta dataanalysen gjorde att företaget bättre kunde bedöma leverantörernas kvalitet och fatta välgrundade beslut om framtida leverantörer.
Det var också möjligt att i förväg undvika att använda ett material med för hög viskositet, vilket kunde ha lett till stora bearbetningsproblem och sämre produktkvalitet.
Slutsats
Det här exemplet från en fallstudie visar att AI inte längre är en framtidsvision, utan redan används i laboratorier idag. Det hjälper till att effektivt analysera large mängder data och därigenom säkerställa kvaliteten på återvunnen plast. Laboratorier som förlitar sig på AI-stödda datahanteringslösningar drar inte bara nytta av förbättrad datakvalitet, utan också av betydande tids- och resursbesparingar. Detta ökar i slutändan konkurrenskraften och hjälper till att utveckla bättre produkter.
Läs hela fallstudien för fler exempel på hur AI kan stödja laboratoriet:
