Robotteknologi, automatisering og digitalisering (RAD) – Opstilling og afprøvning af teknologier

Projektet tager afsæt i et behov fra virksomheder om at få afprøvet RAD-teknologier og derved genereret viden om værdien af disse ift. den samme proces udført manuelt. 

Det vi står med i hænderne når projektet er færdigt, er en effektmåling af flere RAD-teknologier. Vi vil se på tidsforbrug, kompetencebehov, træningselementer og datagenerering. Til hver teknologi forventer vi at tilknytte en interessent og evt. en leverandør. I projektets første fase vil vi undersøge cobots (robotarme) til analyser i laboratoriet, og herunder også benytte billedgenkendelse kombineret med machine learning. I projektets anden fase vil vi undersøge brugen af droner til udendørs prøvetagning og måling med fokus på vandmiljøet. Afhængig af erfaringerne fra første fase vil vi evt. inddrage flere RAD-teknologier og justere aktiviteterne. 

Vi vil i træningssammenhænge inddrage VR- og/eller AR-briller for at vurdere mulighederne inden for dette område.  

Projektet forventes gennemført over 2 år.  

Vores projekthub, der består af frivillige studerende og 1-2 undervisere, skal stå for afprøvning af nye metoder. Vi forventer at dele viden med virksomheder i vores netværk samt inddrage visse elementer i undervisningen.  

Cphbusiness Laboratorie og Miljø har i forbindelse med vidensarbejdet på laborant- og miljøteknologuddannelsen identificeret et behov for ny viden inden for området: Robotteknologi, automatisering digitalisering (RAD).  

Vi har i foråret 2020 gennemført et forstudie, der havde til formål at danne grundlag for en beslutning om behovet for et større projekt. 

Forstudiet mundede ud i flere områder, hvor der både er behov for øget viden til uddannelserne og hvor virksomheder har et behov for at få afprøvet teknologier.  

Forstudiet viste at følgende RAD-teknologier/-processer er enten up-and-coming eller vil blive udbredt i større skala:  

• Lette og intuitive brugerflader er en tendens, der er meget fremme. Denne tendens kan man se, hvis man sammenligner kompleksiteten af Chemstation softwaren (Agilent HPLC) med Unicorn Start (Ækta software).   
• Analyser der involverer billeder kombineret med cobots, f.eks. en udpladning, hvor robotten tager billede af plade, tæller antallet af kolonier og beregner CFU.   
• Droner inden for specielt billedgenkendelse f.eks. til genkendelse af vækstbetingelser af træer og enge. Varmekamera på drone til at finde gamle dræn med. Droner med sprøjteudstyr til at sprøjte ufremkommelige bjørneklo og endelig til prøvetagning. 
• Det papirløse laboratorie, hvor der ikke foretages manuelle dataoverførsler. Der er flere udbydere, men ikke nogen der er kommet helt i mål, da den stadig kun kan lade sig gøre, hvis alt udstyr i at laboratorie er leveret af samme producent.

På baggrund af forstudiets resultater er projektet udformet, så det fokuserer på cobot-processer og droner, da arbejdet med disse kombinerer ”lette og intuitive brugerflader” med billedkendelse og machine learning. På droneområdet fokuserer vi på at tilgodese begge vores uddannelser, fordi det giver mulighed for tværfagligt samarbejde mellem disse.  

Det overordnede formål med projektets indsatser er at etablere forsøgsopstillinger, som er velegnede til at afprøve de nævnte teknologier og efterfølgende vurdere deres værdi i forhold til processen i en specifik virksomhed. 

Afprøvning af RAD-teknologier f.eks. cobots, hvor cobotten tager låg af, udplader en prøve i en petriskål, sætter låg på og sætter pladen i varmeskab. Efter endt inkubation tager cobotten pladen ud af varmeskab, tager låg af og aflæser det mønster en bakteriekoloni har afsat ift. billedidentifikation.  

Afprøvning af de enkelte RAD-teknologier vil være todelt, hvor første del er opsætning af processen og udarbejdelse af plan for, hvad der skal ”måles” efterfølgende i projekthub.  Anden del er afprøvning i projekthub, hvor de studerende inddrages i processen. Her trækkes der på erfaringer fra vores tidligere frivillige laboratorieprojekter, f.eks. mikroplast. 

Efter endt afprøvning vil databehandling og videndeling igangsættes, når der er genereret brugbare data. I denne handling er dialog med partnere essentiel, så viden om RAD-teknologiernes funktion og brugbarhed kan integreres i de udviklingsprocesser vores partnere er interesseret i.  

Projektets metode er den klassiske naturvidenskabelige metode kombineret med et innovationsdesign; Den hypotetisk deduktive metode, hvor der stilles spørgsmålet: Kan denne hidtil udførte manuelle metode med fordel erstattes af en RAD-metode.

Projektets forventede primære resultater er ”robotificerede” processer, som tidligere har været manuelle: 

1. Cobot: Udpladning, inkubering og billedgenkendelse samt identifikation af specifik mikroorganisme. 

1. Droner: Automatiseret proces. Type er endnu ikke fastsat.
    

Projektets forventede sekundære resultater er:  

1. Kompetencer ift. brug af VR- og AR-brille til indlæring af nye procedurer.

1. 30 studerende med RAD-kompetencer (kørekort).

1. 15 studerende med udmærkelse jf. vores talentprogram. 

1. Et tilbud til studerende ”der vil og har overskud” til mere læring. 

1. Et tilbud til ensomme og socialt udsatte studerende, som finder et fællesskab i arbejdet mod et fælles mål.

1. 4 undervisere med RAD-kompetencer.

1. Revurdering af uddannelsernes indhold ift. databehandling og programmering, herunder funktioner i excel. 

Projektet forventes at have effekter på flere forskellige områder.  

Det forventes at de afprøvede RAD-teknologier vil give en reduktion af manuelt ensidigt belastende arbejde (EBA), f.eks. ved håndtering af låg som skruelåg og snaplåg, mikroskopering i længere tid samt udpladning. 

Derudover vil de studerende, der deltager i projektet, være attraktive for arbejdsmarkedet. Det gælder både job- og praktikmarkedet. 

Der forventes samtidig en effekt ift. de studerendes fastholdelse i uddannelserne, da deres potentiale i projekthub udnyttes, og de oplever et fællesskab, samt at deres bidrag bruges til noget.  

Endelig forventes projektet at gøre underviserne i stand til at arbejde med RAD-teknologier fremadrettet, og kunne inddrage aspekter af RAD i undervisning. Samtidig vil underviserne have en bedre forståelse for studerende i praktik, der har udfordringer inden for RAD-området.