Das eigentliche Problem der F&E: Datenchaos im Labor

Moderne Analysegeräte und automatisierte Prozesse sind in vielen Laboren längst etabliert. Dennoch bleibt die Formulierungsentwicklung häufig langsamer als erwartet. Der Grund liegt selten in der Technologie, sondern in der Art, wie Daten organisiert sind. In vielen Entwicklungsabteilungen sind Daten über verschiedene Systeme verteilt und nur schwer zusammenzuführen:

• Versuchsdaten liegen in Excel-Dateien
• Projektdaten befinden sich im ELN
• historische Ergebnisse liegen in isolierten Systemen

Viele Laborgeräte speichern Messdaten in proprietären Dateiformaten. Zusätzlich fehlen häufig strukturierte Metadaten zum Experiment, etwa zur Formulierung, zum Probenhandling oder zu Prüfbedingungen. Damit fehlt der Kontext, der für die spätere Nutzung der Daten entscheidend ist. Messwerte lassen sich nur eingeschränkt vergleichen, interpretieren oder für datenbasierte Entscheidungen nutzen.

Das eigentliche Problem ist insofern nicht ein Mangel an Daten, sondern fehlendes strukturiertes Labordatenmanagement.

Typische Folgen sind:

• Experimente werden doppelt durchgeführt
• Teams verbringen viel Zeit mit der Datensuche
• Entscheidungen werden auf Basis unvollständiger Informationen getroffen

Welche Daten entstehen in der Klebstoffentwicklung?

In der Klebstoffentwicklung fallen sehr unterschiedliche Datentypen an.  Dazu gehören unter anderem:

• Formulierungsdaten wie Mischungsverhältnisse und Rohstoffkombinationen
• Prozessparameter wie Mischreihenfolge, Dispergierbedingungen sowie Temperaturprofile oder Aushärtungsbedingungen
• Messdaten wie Viskosität, rheologisches Verhalten, Zug- oder Scherfestigkeit von Klebverbindungen, Alterungsbeständigkeit, Glasübergangstemperatur oder thermische Stabilität

Eine weitere Herausforderung in der Klebstoffentwicklung ist die Variabilität von Rohstoffen. Eigenschaften von Harzen, Härtern, Additiven oder Füllstoffen können sich zwischen Chargen oder Lieferanten deutlich unterscheiden.

Diese Variabilität beeinflusst die Performance einer Formulierung. Strukturierte Informationen über Rohstoffchargen, Lieferanten und Versuchsergebnisse helfen, diese Effekte besser zu verstehen und Formulierungen robuster auszulegen.

Ein wichtiger Faktor in der datengetriebenen Materialentwicklung ist die Reproduzierbarkeit von Materialtests. In der Praxis können Messergebnisse durch unterschiedliche Probenvorbereitung, Prüfbedingungen oder Geräteparameter variieren.

Für datenbasierte Analysen ist es deshalb entscheidend, dass Versuchsdaten konsistent dokumentiert werden – etwa hinsichtlich Probenvorbereitung, Probenabmessungen, Aushärtungsbedingungen oder Prüfmethoden. Nur wenn diese Kontextinformationen verfügbar sind, lassen sich Materialeigenschaften zuverlässig vergleichen und für datengetriebene Analysen nutzen.

Die Gesamtheit der F&E-Daten ist über verschiedene Formate und Systeme verteilt. Ohne eine klare Struktur lassen sie sich nur schwer miteinander verknüpfen und bleiben für übergreifende Analysen nur eingeschränkt nutzbar.  

Excel: kein nachhaltiges Datenmanagement im Labor

In vielen Laboren ist Excel nach wie vor ein zentrales Werkzeug für die Datenauswertung.

Das ist nachvollziehbar, denn das Programm ist flexibel, einfach zugänglich und nahezu jedem vertraut.

Doch genau hier entsteht ein strukturelles Problem: Excel wurde nie für systematisches F&E-Datenmanagement entwickelt.

Wenn Teams versuchen, komplexe Formulierungsprojekte mit Excel zu verwalten, entstehen schnell:

• inkonsistente Datensätze
• schwer nachvollziehbare Versuchshistorien
• fehlende Verknüpfungen zwischen Rohstoffen, Prozessparametern und Testergebnissen
• hoher Zeitaufwand für die Datensuche und Auswertung

Excel stößt in der F&E schnell an seine Grenzen. Für strukturiertes Datenmanagement werden daher Systeme benötigt, die speziell für diese Anforderungen entwickelt wurden.

Datengetriebene Formulierungsentwicklung mit Material Intelligence

Strukturierte Entwicklungsdaten werden in der modernen Materialentwicklung zunehmend zum entscheidenden Faktor. Material Intelligence beschreibt einen Ansatz, der Daten systematisch nutzbar macht und Entwicklungsprozesse stärker datenbasiert organisiert.

Material Intelligence basiert auf drei Bausteinen:

1. Strukturierte Daten
2. Workflows
3. KI

1. Strukturierte Daten

Messdaten, Formulierungen, Rohstoffe und Testergebnisse müssen miteinander verknüpft werden, damit zentrale Fragen der Entwicklung beantwortet werden können, z. B.:

• Welche Kombinationen aus Harzen, Härtern, Additiven und Füllstoffen erzeugen bestimmte mechanische, rheologische oder thermische Eigenschaften?
• Welche Prozessparameter beeinflussen die Performance eines Klebstoffs?
• Welche Versuchsvarianten wurden bereits getestet?

Strukturierte Daten sind außerdem eine zentrale Voraussetzung für den Einsatz von Machine Learning. Versuchsdaten müssen konsistent dokumentiert und nachvollziehbar sein, damit Algorithmen Zusammenhänge zwischen Formulierungsparametern, Prozessbedingungen und Materialeigenschaften erkennen können.

Gerade in der Materialentwicklung ist deshalb häufig die Datenqualität wichtiger als die reine Datenmenge.

Fehlen strukturierte Beziehungen zwischen Rohstoffen, Parametern und Testergebnissen, sind die vorhandenen Daten für Machine Learning und KI-Anwendungen kaum nutzbar.

2. Workflows für die echte Laborpraxis

Digitale Lösungen für die Formulierungsentwicklung müssen die Realität der Laborpraxis abbilden. Dazu gehören unter anderem:

• Integration von Laborgeräten zur automatisierten Datenerfassung
• strukturierte Projektdokumentation
• konsistente Versuchsdaten
• automatisiertes Reporting

Eine moderne Datenplattform für Forschung und Entwicklung kann verschiedene Datenquellen miteinander verbinden und so Datensilos reduzieren.

Die Realität vieler Forschungslabore

In der Praxis sind Laborumgebungen in vielen Unternehmen historisch gewachsen. Unterschiedliche Geräte, Softwarelösungen und Dokumentationsmethoden existieren oft nebeneinander.

Eine vollständige Integration aller Datenquellen ist daher meist nicht sofort möglich. Viele Unternehmen beginnen deshalb mit schrittweisen Verbesserungen im Labordatenmanagement – etwa durch strukturierte Versuchsdokumentation oder die Anbindung einzelner Geräte.

Typische Datenquellen sind beispielsweise:

• Laborgeräte wie Rheometer oder Zugprüfmaschinen
• elektronische Laborbücher (ELN)
• Rohstoff- und Materialdatenbanken

Durch automatisierte Datenübertragung lassen sich Messwerte direkt mit Versuchsparametern und Formulierungsdaten verknüpfen. Das reduziert manuelle Dateneingaben und minimiert Fehler.

3. KI im Labor

In der Klebstoffentwicklung entstehen häufig sehr große Formulierungsräume. Bereits kleine Änderungen an Harzen, Härtern, Additiven oder Füllstoffen können mechanische, rheologische oder thermische Eigenschaften einer Formulierung deutlich beeinflussen.

Um diese Zusammenhänge systematisch auszuwerten, ist eine strukturierte Datengrundlage erforderlich. Auf dieser Basis lässt sich auch KI im Labor sinnvoll einsetzen. Dabei lassen sich zwei zentrale Anwendungen unterscheiden: digitale Assistenten und Machine Learning. Digitale Assistenten können Entwickler dabei unterstützen:

• Messdaten schneller zu durchsuchen
• Versuchsergebnisse zu vergleichen
• Rohstoffalternativen zu identifizieren, indem Formulierungsdaten, Rohstoffdatenbanken und historische Versuchsergebnisse miteinander verknüpft werden

Machine-Learning-Modelle können historische Entwicklungsdaten analysieren und Zusammenhänge zwischen: 

• Rohstoffkombinationen
• Prozessparametern
• Materialeigenschaften

erkennen.

Solche Modelle unterstützen die Identifikation geeigneter Rezepturvarianten und die quantitative Vorhersage von Materialeigenschaften basierend auf den zugrunde liegenden Formulierungsparametern.

Ziel solcher Systeme ist es nicht, die Erfahrung von Entwicklern zu ersetzen. Vielmehr unterstützen sie Experten dabei, vorhandene Daten besser zu nutzen und schneller auf vorhandenes Wissen zuzugreifen.

Warum effiziente Versuchsplanung entscheidend ist

Experimente in der Materialentwicklung sind häufig zeit- und kostenintensiv. Jede neue Formulierung erfordert mehrere aufeinanderfolgende Schritte – von der Herstellung über die Probenpräparation bis hin zur Materialprüfung.

Sind historische Versuchsdaten strukturiert und auswertbar, können sie zur datengetriebenen Planung neuer Experimente genutzt werden und so unnötige Versuchsiteration reduzieren.

Die Rolle historischer Versuchsdaten

Eine strukturierte Datenplattform kann helfen, solche historischen Datensätze wieder nutzbar zu machen und damit eine wichtige Grundlage für datengetriebene Materialentwicklung zu schaffen.

Wie eine Datenstrategie die Formulierungsentwicklung beschleunigt

Unternehmen, die ihre F&E-Daten in einem systematischen Datenmanagement zentral zusammenführen, beobachten häufig messbare Effekte, zum Beispiel:

• weniger doppelte Versuche
• schnellere Datensuche
• bessere Vergleichbarkeit von Formulierungen
• datenbasierte Entscheidungen

Warum die Digitalisierung im Labor jetzt entscheidend wird

Die Anforderungen an Materialien steigen kontinuierlich. Neue Produkte müssen leistungsfähiger, nachhaltiger und schneller verfügbar sein.  

Auch Nachhaltigkeitsanforderungen erhöhen die Komplexität moderner Materialentwicklung erheblich.

Unternehmen müssen zunehmend alternative Rohstoffe evaluieren, den Einsatz kritischer Substanzen reduzieren und neue regulatorische Anforderungen berücksichtigen. In der Klebstoffentwicklung bedeutet das häufig, bestehende Formulierungen anzupassen oder komplett neue Rezepturen zu entwickeln.

Eine strukturierte Datengrundlage kann diese Aufgaben in der Formulierungsentwicklung deutlich erleichtern. Historische Versuchsdaten helfen beispielsweise dabei, geeignete Rohstoffalternativen schneller zu identifizieren oder die Auswirkungen neuer Komponenten auf Materialeigenschaften besser abzuschätzen.

Damit wird datenbasierte Formulierungsentwicklung auch zu einem wichtigen Faktor für die Entwicklung nachhaltiger Materialien.

Angesichts dieser steigenden Anforderungen wird eine klare Datenstrategie in der F&E zu einem wichtigen Wettbewerbsvorteil. Unternehmen, die in strukturiertes Labordatenmanagement und datengetriebene Entwicklung investieren, schaffen die Grundlage für eine effizientere und zukunftsfähige Klebstoffentwicklung.