Blog
KI in der Laborpraxis - Teil 1
Künstliche Intelligenz im Labor - Teil I
Eine Fallstudie zu Kunststoff-Rezyklaten
Für Labore stellt eine präzise und verlässliche Datenanalyse - und nutzung häufig eine Herausforderung dar. Labore sind mit einer Flut an Daten von diversen Quellen und Instrumenten konfrontiert, die sie oft nicht in ein LIMS oder eine andere Infrastruktur integrieren können. Das Ergebnis ist neben einer fragmentierten Datenhaltung eine Vielzahl von Daten, die nicht mehr analysierbar sind und sich so einer Nutzbarkeit entziehen. Mit dem Aufkommen von KI-basierten Lösungen stellt sich die Frage, wie diese Technologien in die Arbeitsabläufe im Labor integriert werden können, um die Datenqualität und -analyse zu verbessern.
Daten als zentraler Bestandteil der Qualitätssicherung
Wie sich das Problem einer Integration lösen lässt und welche Funktionen KI konkret im Prüflabor übernehmen kann, werden wir in dieser Fallstudie mithilfe eines Beispiels aus der Polymerindustrie veranschaulichen. Kunststoffe finden in nahezu allen Industriezweigen Anwendung - von der einfachen Plastiktüte bis hin zu modernen Dichtungsringen in Düsentriebwerken. Jedoch stellen Kunststoffe trotz ihrer Vorzüge eine erhebliche Umweltbelastung dar. Ein effektives Mittel zur Reduzierung von Kunststoffabfällen ist das Recycling. Allerdings müssen Kunststofflieferanten und -verarbeiter gewährleisten, dass die aus recyceltem Material hergestellten Produkte denselben Standards genügen wie die Originalprodukte. Um die Eignung der Polymermaterialien und Polymermischungen sicherzustellen, ist deshalb eine strenge Qualitätskontrolle erforderlich.
Ein Konsortium hat die DIN-Spezifikation DIN SPEC 91446 erarbeitet, die den Handel mit Kunststoffrezyklaten erleichtern soll. Darin werden die Rezyklate nach Datenqualitätsstufen eingestuft. Diese Spezifikation gewährleistet eine strenge Qualitätskontrolle der Kunststoffe, indem sie eine umfassende Datenerfassung vorschreibt. Die Spezifikation DIN 91446 definiert vier verschiedene Stufen - Datenqualitätsstufe 1 (DQL1) bis Datenqualitätsstufe 4 (DQL4). Die Materiallieferanten und -verarbeiter müssen mit jeder Stufe weitere Informationen zu den Kunststoffeigenschaften über das recycelte Kunststoffmaterial bereitstellen und prüfen (Tabelle 1).
Das heißt auch, dass Unternehmen mit zunehmendem Status eine größere Menge an Daten sammeln, analysieren und dokumentieren müssen. Beispielsweise sieht die Spezifikation vor, dass acht Messwerte für eine Charge gemessen werden müssen (siehe unten). Wenn das Unternehmen zehn Chargen an Rohmaterial bezieht, so ergeben sich daraus 240 Datenpunkte.Mit anderen Worten: es erfordert viel Zeit und Mühe, all diese Daten gemäß der Spezifikation DIN 91446 zu sammeln und auszuwerten.
Dies trifft besonders zu, wenn die Daten auf unterschiedliche Systeme verteilt sind. Es kann Stunden dauern, selbst wenn es sich um eine so unkomplizierte Aufgabe wie die Erstellung einer Produktdokumentation handelt. Außerdem ist es buchstäblich unmöglich, die Daten für eine tiefergehende Analyse zu nutzen – zu verstreut sind die Daten und zu viel Zeit, die zur Analyse notwendig wäre. Wir demonstrieren in dieser Fallstudie, wie eine Datenmanagementlösung diese Nachteile überwinden kann und wie die Datenexploration mithilfe der künstlichen Intelligenz vereinfacht wird. Auf diese Art und Weise zeigen wir: KI ist keine Vision mehr und hat eine Reife erlangt, die es für das Prüflabor nützlich macht.
Die Fallstudie: Qualitätskontrolle von LDPE/PP-Rezyklatgemischen
In dieser Fallstudie geht es um einen Kunststoffverarbeiter, der rezykliertes LDPE/PP von drei verschiedenen Unternehmen bezieht. Die Qualitätskontrollprüfungen wurden regelmäßig für jede Charge gemäß DQL4 der DIN 91446 durchgeführt (siehe Tabelle 1).
Die Ausgangslage bestand darin, dass das LIMS nicht mit allen Laborgeräten und der IT-Infrastruktur integriert war, weshalb Messdaten und Prüfparameter über eine Vielzahl von Excel-Tabellen verstreut waren. Daher konnten nur wenige Mitarbeiter sämtliche relevante Daten prüfen und die benötigten Informationen abrufen, die für eine Dokumentation nach DIN 91446 vorgeschrieben ist. Dies hatte eine Vielzahl an Problemen zur Folge:
1. Maximale Konformität ist kaum noch zu bewerkstelligen
Die für eine Konformität nach DQL 4 notwendigen Analysen umfassten diverse Analysegeräte und -methoden, darunter Geräte zur Dichtemessung, Partikelgrößenanalysegeräte und Feuchtigkeits- Messgeräte. Das Labor hatte ein unvollständig vernetztes LIMS und musste daher eine Reihe von Datenquellen und Excel-Dateien manuell durchsuchen, um die für die Dokumentation notwendigen Informationen zusammenzutragen. Dies führte zu sehr langen Bearbeitungszeiten („turnaround time“) von der Probenannahme bis zum Prüfbericht.
2. Fehlende Datenkontrolle bedeutet fehlende Einblicke
Die Komplexität und die zeitaufwändige Art der Datensuche behinderten Mitarbeiter, die Qualitätskontrolle auf historische Informationen hin auszuweiten. Dies führte dazu, dass Lieferantenprobleme und Unstimmigkeiten bei den Recyclingmaterialen nicht unmittelbar identifiziert werden konnten, was wiederum zu verzögerten Reaktionszeiten und verspäteten Produktfreigaben geführt hatte. Kein Mitarbeiter hatte die Zeit und die Möglichkeit, um eine solch umfangreiche Datenmenge manuell zu durchforsten und auszuwerten.
3. Mangelnde Konkurrenzfähigkeit
Das Labor konnte seine Daten nicht auswerten und nutzen und lief so Gefahr, im Wettbewerb zurückzufallen. Die Entwicklungszeiten waren im Vergleich zur Konkurrenz langsamer. Dieses Problem tritt in vielen Betrieben dank fehlender Digitalisierung immer häufiger auf und wird sich durch den Einfluss der KI noch verschärfen. Diejenigen, die keine modernen Tools für das Datenmanagement und keine KI-gestützte Datenanalyse einsetzen, müssen im Vergleich mit der Konkurrenz mit langsameren Entwicklungszyklen und einer weniger effektiven Qualitätskontrolle rechnen. Wettbewerber, die auf moderne Tools setzen, können schnellere und genauere Analysen durchführen, aus komplexen Daten aussagekräftige Erkenntnisse gewinnen und bessere Entscheidungen treffen.
Wir zeigen in dieser Blogserie, wie das Unternehmen diese Herausforderung durch Einsatz einer Datenmanagementplattform gemeistert hat und demonstrieren anhand konkreter Beispiele aus dem Labor, was KI leisten kann. Die Beispiele verdeutlichen, dass KI nicht länger eine Vision ist, sondern ein unverzichtbares Werkzeug für eine dauerhafte Wettbewerbsfähigkeit. Wie wir sehen werden, können KI-gestützte Lösungen komplexe Daten in verwertbare Erkenntnisse verwandeln, Prozesse in F&E und Qualitätskontrolle rationalisieren und die betriebliche Effizienz generell steigern. As we will see, AI-powered solutions can transform complex data into actionable insights, streamline quality control processes, and enhance overall operational efficiency.
Von verstreuten Daten zu vollständiger Übersicht
Um die Datenintegrität und -qualität gemäß der DIN-Spezifikation zu maximieren, führte der Kunststoffverarbeiter zunächst eine Datenmanagement-Plattform ein. Ein patentierter Mapper sorgte für die Integration aller Gerätedaten, ohne dabei in ein großes IT-Projekt mit massiven Kosten und Ressourcen zu investieren (Abb. 1).
Mit der vollständigen Integration aller Daten wurde die manuelle Dateneingabe verringert und die Nutzung von Excel auf ein Minimum reduziert. Dies führte zu einer vollständigen Datentransparenz, weniger manuellen Fehlern und erheblichen Zeiteinsparungen im Unternehmen. Die Datenplattform ermöglichte einen umfassenden Überblick über die geprüften Polymerrohmaterialien der Zulieferer. Durch das Hervorheben von Daten außerhalb der definierten Spezifikationen wurden Labormitarbeiter auf potenzielle Probleme hingewiesen (Abb. 2).
Materialien von unterschiedlichen Lieferanten sowie diverse analytische Tests konnten direkt verglichen werden, was einen vollständigen Überblick und ein Verständnis der analysierten Materialien ermöglichte.
Lesen Sie weiter, in welchen Szenarien KI-Prompts die Datenanaylse und Datenvisualisierung vereinfachen.
KI-Fallstudie aus dem Qualitätssicherungs-Labor
Künstliche Intelligenz ist in aller Munde. Wir zeigen in einer praktischen Fallstudie, wie KI das Prüflabor unterstützen kann.
Lernen Sie in dieser Fallstudie:
- Wie KI-basierte Lösungen fragmentierte Labordaten in ein kohärentes System integrieren können
- Was KI in Ihrem Labor leisten kann, um die Effizienz zu steigern und alle Daten zu nutzen
- Praktische Beispiele, wie KI die Datenanalyse optimieren kann
- Die Vorteile einer KI-gestützten Datenmanagementplattform.
Laden Sie die Fallstudie jetzt herunter und entdecken Sie, was KI in Ihrem Labor leisten kann.