AI Ubah Reka Bentuk Thermal BEV & Kilang Automotif

AI dalam Runcit & E-Dagang (Rangkaian Besar & Pasaran)••By 3L3C

Ford dan rakan akademik menunjukkan bagaimana automasi dan AI mengubah reka bentuk sistem thermal BEV – dan apa maknanya untuk kilang automotif & elektronik di Malaysia.

AI dalam pembuatanthermal management BEVautomotif Malaysiareka bentuk generatifdigital twin kilangAI dalam runcit dan e-dagang
Share:

Mengapa Sistem Thermal BEV Tiba‑Tiba Jadi Isu Besar Di Kilang

Dalam satu kajian bersama UIUC, Ford dan Kyushu University, penyelidik mendapati cara kita mereka bentuk sistem pengurusan haba (thermal management system, TMS) untuk Battery Electric Vehicle (BEV) sedang berubah dengan sangat pantas – dan puncanya ialah automasi, pemodelan graf, dan generatif design yang digerakkan AI.

Ini bukan sekadar cerita R&D. Bila TMS jadi lebih cekap, bateri tahan lebih lama, penggunaan tenaga turun, dan reka bentuk kenderaan boleh distandardkan merentas platform. Kesan langsung untuk pengeluar di Malaysia – sama ada anda buat modul elektronik, komponen automotif, atau mengurus kilang pemasangan – ialah kos operasi yang lebih rendah dan proses yang lebih mudah diautomasi.

Dalam siri "AI dalam Runcit & E‑Dagang", kita selalu bercakap tentang ramalan inventori, harga dinamik dan personalisasi pelanggan. Cerita BEV ini nampak macam jauh, tapi sebenarnya sama: data + AI + automasi reka bentuk digunakan untuk mengoptimumkan sistem yang kompleks – cuma dalam konteks automotif dan pembuatan elektronik, bukan troli belian pelanggan.

Artikel ini kupas bagaimana pendekatan baharu kepada TMS BEV berfungsi, apa peranan AI dan generative design, dan bagaimana idea yang sama boleh diterjemah ke dalam kilang automotif dan elektronik di Malaysia.

Isu Besar Dalam Thermal Management BEV

Sistem thermal BEV jauh lebih rumit berbanding kenderaan enjin pembakaran dalaman (ICE). Sebab utama:

  • Prestasi bateri sangat sensitif kepada suhu.
  • BEV tak ada "waste heat" daripada enjin pembakaran yang boleh digunakan untuk pemanasan kabin.
  • Tenaga yang digunakan TMS terus mengurangkan jarak pemanduan (range).

Dalam bahasa kilang: TMS ialah beban tenaga tetap yang akan muncul dalam semua data penggunaan kuasa anda. Kalau reka bentuknya kurang cekap, anda bukan saja rugi di jalan raya, malah rugi di kilang kerana perlu menyokong varian produk yang lebih kompleks, lebih banyak ujian, dan lebih banyak konfigurasi.

Penyelidik dalam kertas teknikal ini ambil pendekatan berbeza:

"Relying solely on expert intuition and creativity to identify new architectures both restricts progress and leaves significant performance improvements unrealized."

Maksudnya, bergantung pada pengalaman jurutera semata‑mata dah tak cukup. Ruang reka bentuk (design space) terlalu besar. Di sinilah automasi, pemodelan graf dan AI mula masuk.

Apa Maksud Reka Bentuk TMS Yang Boleh Dikonfigur Semula?

Reconfigurable TMS bermaksud satu sistem thermal boleh beroperasi dalam beberapa mod, dengan laluan penyejukan atau pemanasan yang berbeza bergantung kepada keadaan.

Contoh mudah:

  • Mod pengecasan pantas: fokus kawal suhu bateri dengan agresif.
  • Mod cuaca panas di KL: lebihkan penyejukan kabin dan elektronik kuasa.
  • Mod cuaca sejuk (untuk pasaran eksport): guna semula haba daripada motor/power electronics untuk panaskan bateri dan kabin.

Secara tradisional, jurutera akan lukis beberapa senibina (architecture) TMS, bandingkan dalam simulasi, dan pilih satu dua yang paling masuk akal. Masalahnya:

  • Banyak kombinasi sambungan paip, valve, pam dan penukar haba tak pernah dicuba.
  • Setiap senibina perlukan masa untuk dimodelkan secara manual.
  • Susah nak buat kompromi antara prestasi, kos, dan kerumitan kawalan.

Kajian UIUC–Ford–Kyushu guna pemodelan graf untuk wakilkan komponen dan sambungan TMS, kemudian menjana (enumerate) secara automatik berpuluh‑puluh senibina yang mungkin. Mereka:

  • Menjana lebih 150 urutan mod operasi.
  • Menapis dan kekalkan 39 senibina unik untuk evaluasi lanjut.
  • Jana model MATLAB Simscape secara automatik untuk setiap senibina.

Ini pada asasnya sama konsep dengan generative design dalam reka bentuk produk – tapi diaplikasi kepada sistem thermal kenderaan.

Di Mana AI Masuk Dalam Cerita Ini?

Kajian asal fokus pada automasi dan pemodelan graf, tapi corak kerjanya selari dengan cara AI digunakan dalam pembuatan dan e‑dagang:

  1. Generative design & enumerasi senibina
    Sistem "menghasilkan" banyak pilihan senibina TMS berdasarkan peraturan dan kekangan. Dalam dunia e‑dagang, kita buat benda yang sama untuk katalog produk atau susun atur gudang, cuma di sini objeknya ialah paip, valve dan penukar haba.

  2. Simulasi automatik berskala besar
    Setiap senibina diuji secara simulasi bagi pelbagai senario suhu ambien, corak pemanduan, dan urutan mod operasi. Dalam kilang sebenar, ini boleh dihubungkan kepada digital twin kenderaan atau line pemasangan.

  3. Pengoptimuman multi‑objektif
    Mereka jalankan pengoptimuman berasaskan beberapa objektif serentak:

    • Prestasi thermal (bateri dalam julat suhu ideal).
    • Penggunaan tenaga TMS.
    • Kerumitan sistem (bilangan komponen, valve yang boleh kawal, dsb.).

    Hasilnya bukan satu jawapan tunggal, tetapi set kompromi terbaik (Pareto front) yang jurutera boleh pilih mengikut keutamaan bisnes.

Dalam konteks kilang dan AI, pola ini sama dengan:

  • Mengoptimumkan layout gudang e‑dagang: jarak perjalanan picker, kapasiti rak, kos automasi.
  • Menala parameter MES dan WMS: throughput, kadar ralat, penggunaan tenaga robot.

Perbezaannya: di BEV, keputusan ini terus mempengaruhi kos sistem, keperluan line pemasangan, dan spesifikasi ujian.

Implikasi Untuk Pengilang Automotif & Elektronik Di Malaysia

1. Reka Bentuk TMS Bukan Lagi Isu OEM Sahaja

Ramai pembekal Tier‑1/Tier‑2 di Malaysia masih anggap TMS sebagai "kotak hitam" yang datang daripada OEM global. Realitinya, bila OEM seperti Ford mula guna reka bentuk TMS yang sangat boleh dikonfigur dan dioptimumkan, rantaian bekalan akan kena tempias:

  • Variant complexity meningkat: lebih banyak varian hose, valve module, sensor harness.
  • Keperluan tracability jadi lebih ketat, sebab konfigurasi TMS mungkin berbeza mengikut pasaran atau pakej bateri.
  • Ujian akhir (EOL test) perlu menangani lebih banyak kombinasi mod operasi.

Syarikat yang awal bersedia dengan sistem reka bentuk dan perancangan pengeluaran berasaskan AI akan lebih mudah menangani kompleksiti ini.

2. AI Dalam Reka Bentuk Proses & Line Pemasangan

Apa yang dibuat dalam kajian ini – enumerasi senibina dan pengoptimuman multi‑objektif – sangat serasi dengan cabaran di lantai produksi:

  • Bagaimana nak susun station pemasangan modul bateri dan TMS supaya penggunaan robot optimum tapi CAPEX tak melambung?
  • Berapa banyak varian fixture yang munasabah sebelum OEE jatuh teruk?
  • Susunan buffer, AGV, dan zon pemeriksaan mana yang beri kombinasi terbaik antara throughput dan fleksibiliti?

Pendekatan yang sama boleh digunakan:

  1. Modelkan line pemasangan sebagai graf (node = station, edge = aliran bahan).
  2. Guna AI / algoritma generatif untuk jana pelbagai layout dan urutan operasi.
  3. Simulasi aliran kerja (misalnya dengan digital twin) bagi pelbagai senario permintaan – sama seperti mereka simulasi TMS dalam pelbagai mod thermal.
  4. Jalankan pengoptimuman multi‑objektif: throughput, WIP, tenaga, dan kos pekerja.

Saya pernah lihat kilang elektronik di Penang menggunakan pendekatan serupa, cuma masih banyak rule‑based, belum integrasi AI sepenuhnya. Kajian macam ini tunjuk next step yang lebih sistematik dan data‑driven.

3. Selarikan Dengan Dunia Runcit & E‑Dagang

Kenapa artikel ini masuk dalam siri "AI dalam Runcit & E‑Dagang"? Sebab rantaiannya jelas:

  • Pengeluar BEV dan elektronik guna AI untuk reka bentuk dan mengoptimumkan TMS serta line produksi.
  • Outputnya ialah produk yang lebih cekap tenaga, lebih konsisten kualitinya, dan lebih cepat time‑to‑market.
  • Bila masuk ke dunia runcit (contohnya platform e‑dagang jual EV, alat ganti, dan charger), data dari sisi pembuatan boleh dihubungkan dengan:
    • Ramalan permintaan alat ganti (kerana kita tahu profil kegagalan komponen thermal).
    • Strategi harga dinamik untuk varian kenderaan yang berbeza kecekapan tenaga.
    • Pelan servis predictive maintenance yang ditawarkan sekali dalam marketplace.

Akhirnya, AI menyatukan rantaian penuh: dari rekabentuk TMS di peringkat R&D, ke pengeluaran di kilang, hinggalah ke cara EV itu dijual, di-insuranskan dan diservis melalui ekosistem e‑dagang.

Bagaimana Kilang Di Malaysia Boleh Mula Bergerak Ke Arah Ini

1. Standardkan Data & Model Proses

Anda tak boleh buat enumerasi senibina atau generative design kalau data asas dan model proses tak konsisten.

Untuk pengeluar komponen automotif/elektronik:

  • Bangunkan library modul proses (contoh: solder, potting, test, assembly) dalam bentuk model standard.
  • Wujudkan naming convention dan parameter yang seragam – suhu, masa kitaran, kadar cacat, penggunaan tenaga.
  • Untuk TMS atau subsistem lain, mula dengan bill of materials (BOM) berstruktur dan rajah sambungan yang boleh diterjemah kepada model graf.

2. Eksperimen Dengan Automasi Reka Bentuk

Tak perlu tunggu tahap kompleks macam kajian Ford. Mulakan dengan:

  • Menggunakan skrip untuk jana varian fixture atau susun atur rak yang berbeza, kemudian bandingkan melalui simulasi ringkas.
  • Menguji alat EDA/CAE yang ada modul design space exploration – banyak sudah integrasi algoritma AI atau optimization engine.
  • Bina proof‑of‑concept untuk satu subsistem, contohnya reka bentuk manifold penyejuk, sebelum skala ke sistem penuh.

3. Integrasi Dengan AI Kilang & E‑Dagang

Bagi kumpulan besar yang ada kedua‑dua bahagian – pembuatan dan runcit/e‑dagang (contoh: pemain automotif yang juga jual alat ganti dan servis secara online):

  • Gabungkan data reka bentuk dan pembuatan (MTBF, profil kegagalan TMS) dengan sistem CRM dan platform e‑dagang.
  • Guna AI yang sama yang mengoptimumkan TMS untuk membantu forecast stok alat ganti, tetapkan SLA servis, dan reka cadangan pakej servis.
  • Pastikan pasukan IT, kejuruteraan proses, dan pasukan e‑dagang berkongsi data model yang serasi, bukan silo berasingan.

Kenapa Pendekatan Ini Patut Diambil Serius Sekarang

Ford bukan syarikat kecil. Bila pemain besar mula guna automasi reka bentuk dan pengoptimuman generatif pada sistem kritikal seperti TMS BEV, biasanya:

  • Dalam 3–5 tahun, pendekatan itu akan menjadi standard dalam industri.
  • Pembekal yang tak mampu menyokong variasi dan tahap optimasi baru akan hilang kontrak.
  • OEM akan cari rakan yang boleh bincang pada tahap model dan data, bukan sekadar ikut drawing.

Malaysia sudah ada asas kukuh dalam elektronik, automotif, dan e‑dagang. Langkah seterusnya ialah menghubungkan ketiga‑tiga dunia ini melalui AI:

  • Di lantai kilang: generative design untuk line pemasangan, thermal management kilang, konfigurasi robot dan AGV.
  • Di R&D: penerokaan senibina reconfigurable (bukan hanya TMS, tapi juga power electronics, modul sensor, dan sebagainya).
  • Di pasaran: platform e‑dagang yang faham tingkah laku produk di lapangan dan boleh jual bukan sahaja barang, tapi prestasi dan kebolehpercayaan.

Satu soalan praktikal untuk ditinggalkan: kalau anda boleh jana dan simulasi 39 senibina proses atau produk secara automatik minggu ini, berapa banyak kos tenaga, scrap, dan rework yang boleh dijimatkan dalam tahun 2026?