Ford, UIUC & Kyushu tunjuk bagaimana automasi reka bentuk dan AI boleh mengoptimumkan sistem pengurusan haba BEV – dari rekabentuk hingga operasi fleet logistik.
Mengurus Haba BEV: Masalah Senyap Yang Makan Jarak
Dalam kenderaan elektrik bateri (BEV), sehingga 30–40% tenaga boleh habis hanya untuk sistem pengurusan haba jika seni binanya tidak dioptimumkan. Di pasaran yang makin sensitif kepada jarak perjalanan setiap cas – dari pengguna EV di Lembah Klang hingga operator fleet logistik yang mengurus ratusan van penghantaran – angka ini bukan kecil.
Ini sebabnya penyelidikan terbaharu oleh University of Illinois at Urbana-Champaign, Ford Motor Company dan Kyushu University tentang seni bina sistem pengurusan haba (thermal management system, TMS) yang boleh dikonfigur semula untuk BEV patut menarik perhatian pemain automotif, E&E dan logistik di Malaysia. Lebih menarik, pendekatan mereka sebenarnya sangat rapat dengan apa yang kilang pintar dan sistem AI dalam pengangkutan sedang lakukan hari ini: automasi reka bentuk, simulasi besar-besaran dan pengoptimuman berbilang objektif.
Dalam artikel ini, saya akan kupas:
- Kenapa TMS BEV sangat kritikal – terutamanya untuk fleet pengangkutan dan logistik
- Apa yang berbeza tentang pendekatan “automated enumeration” dan reka bentuk generatif yang digunakan oleh Ford & rakan akademik
- Bagaimana prinsip yang sama boleh diguna dalam kilang pintar, automotif dan logistik di Malaysia
- Apa langkah praktikal untuk pengeluar dan operator fleet yang nak mula gunakan AI bagi reka bentuk & operasi terma
1. Kenapa Pengurusan Haba BEV Jadi Isu Besar Untuk Automotif & Logistik
Hakikat utama: bateri litium-ion sangat sensitif kepada suhu operasi.
Jika terlalu panas:
- Degradasi dipercepat, kitaran hayat bateri pendek
- Risiko keselamatan meningkat
- Inverter, motor dan elektronik kuasa juga terjejas
Jika terlalu sejuk:
- Kecekapan bateri merosot
- Kuasa puncak turun
- Jarak perjalanan berkurang ketara
Untuk kenderaan ICE, ada “bonus” haba daripada pembakaran yang boleh digunakan untuk pemanas kabin dan fungsi lain. BEV tak ada kemewahan itu. Jadi TMS BEV perlu:
- Menyejukkan bateri, motor, inverter, OBC dan komponen kuasa lain
- Memanaskan kabin penumpang bila perlu
- Membuat semua ini dengan penggunaan tenaga minimum, sebab setiap watt yang diguna TMS mengurangkan jarak perjalanan.
Bagi sektor AI dalam pengangkutan & logistik, kesan praktikalnya jelas:
- Van penghantaran EV yang hilang 15–20% jarak kerana TMS tidak efisien akan memaksa operator tambah kenderaan atau tukar jadual
- Kelewatan penghantaran akibat kenderaan perlu berhenti cas lebih awal akan memusnahkan model perancangan laluan yang sudah dioptimumkan AI
Maknanya, optimasi TMS bukan isu kejuruteraan semata-mata. Ia menular terus ke:
- Kos operasi fleet (TCO)
- Kebolehpercayaan penghantaran last-mile
- ROI pelaburan EV oleh syarikat logistik dan pengeluar OEM
2. Dari Intuisi Jurutera Ke Automasi Reka Bentuk: Apa Yang Dilakukan UIUC–Ford–Kyushu
Kebanyakan syarikat hari ini masih bergantung pada intuisi pakar untuk mereka TMS:
- Pilih susun atur pam, injap, penyejuk (chiller), radiator
- Tentukan berapa banyak litar penyejukan
- Reka beberapa mod operasi (contoh: mod cuaca panas, mod cuaca sejuk, mod cas pantas)
Masalahnya, ruang reka bentuk ini sangat besar dan kompleks. Manusia biasa hanya sempat cuba segelintir konfigurasi.
Pasukan penyelidik ini mengambil pendekatan berbeza:
Mereka gunakan pembinaan graf untuk memodelkan seni bina TMS, kemudian biarkan algoritma secara automatik menjana, menyenarai (enumerate) dan mensimulasikan berpuluh-puluh seni bina yang boleh dikonfigur semula.
Secara ringkas, aliran kerja mereka:
-
Representasi Graf TMS
Komponen seperti bateri, radiator, injap, pam, chiller dimodelkan sebagai nod; sambungan paip sebagai edge. Ini sangat selari dengan cara AI & EDA (electronic design automation) memodelkan litar. -
Enumerasi Automatik Seni Bina
Daripada set keperluan mod operasi (contoh: mod cas pantas, mod pemanduan bandar, mod highway, mod sejuk ekstrem), algoritma jana ratusan seni reka TMS yang mungkin, termasuk yang jurutera tak akan sempat fikir. -
Simulasi Automatik Dalam MATLAB Simscape
Untuk setiap seni bina, model Simscape dibina automatik dan diuji di bawah lebih 150 jujukan mod operasi. Hanya 39 seni bina unik terbaik dikekalkan untuk penilaian lanjut. -
Pengoptimuman Berbilang Objektif
Mereka tak cari “satu reka bentuk paling sempurna”. Sebaliknya, mereka guna pengoptimuman untuk seimbangkan:- Prestasi termal (kestabilan suhu, masa respon)
- Penggunaan tenaga (kesan ke jarak BEV)
- Kompleksiti sistem (bilangan komponen, kos, kebolehsenggaraan)
-
Sokongan Keputusan Berasaskan Data
Hasilnya ialah “peta pilihan” di mana pasukan produk atau pengurus kilang boleh pilih:- Seni bina paling jimat tenaga
- Seni bina paling ringkas untuk pembuatan massa
- Atau kompromi yang sesuai dengan keutamaan pasaran sasaran
Ini sebenarnya contoh yang sangat jelas bagaimana AI dan automasi reka bentuk boleh masuk ke dalam dunia BEV, bukan sekadar pada tahap “software in the loop”, tetapi terus ke tahap seni bina sistem fizikal.
3. Apa Kaitan Semua Ini Dengan AI & Kilang Pintar Di Malaysia?
Bagi ekosistem Malaysia – dari vendor Tier-1 automotif di Pekan dan Gurun, hingga kilang elektronik dan semikonduktor di Penang & Kulim – ada tiga mesej besar di sini.
3.1 Reka Bentuk Generatif Bukan Lagi Teori
Apa yang dibuat oleh pasukan ini sebenarnya sejenis generative design:
- Tetapkan kekangan (suasana sekitar, keperluan mod operasi, sasaran kos)
- Biarkan algoritma jana dan tapis ribuan pilihan
- Guna model simulasi fizikal untuk skor setiap pilihan
Untuk pemain E&E dan automotif tempatan, pendekatan serupa boleh digunakan untuk:
- Reka modul penyejukan bateri yang berbeza untuk van, bas atau lori EV logistik
- Susun atur heat sink dan aliran udara dalam inverter, charger on-board dan unit kuasa lain
- Optimasi layout kilang dengan mengambil kira aliran haba, penggunaan tenaga HVAC dan lokasi peralatan berkuasa tinggi
3.2 Data Kilang + AI = Penutupan Gelung Reka Bentuk–Pembuatan
Kita selalu bercakap tentang AI untuk ramalan penyelenggaraan dan analitik OEE. Penyelidikan TMS ini tunjuk satu lagi dimensi:
- Model simulasi digunakan untuk reka bentuk awal
- Data sebenar daripada kenderaan & kilang digunakan untuk:
- Kalibrasi semula model
- Kemas kini strategi kawalan TMS secara OTA
- Memberi maklum balas kepada pasukan reka bentuk bagi generasi produk seterusnya
Inilah yang membezakan kilang biasa dengan kilang pintar automotif:
- Reka bentuk tidak berhenti bila model produksi “stabil”
- AI terus belajar daripada data operasi di lapangan dan dalam kilang
- Seni bina boleh dikonfigur semula (reconfigurable architecture) membenarkan logik kawalan baharu digunakan tanpa perlu reka semula keseluruhan sistem mekanikal
3.3 Implikasi Terus Untuk AI Dalam Pengangkutan & Logistik
Bila TMS lebih efisien dan pintar, sistem AI peringkat fleet boleh:
- Masukkan model penggunaan tenaga TMS dalam pengiraan jarak sebenar (real-world range) untuk setiap laluan
- Pilih strategi pemanduan dan cas yang mengurangkan stres terma ke atas bateri – memanjangkan hayat aset EV
- Sesuaikan penghantaran ikut profil suhu dan kelembapan Malaysia, yang berbeza jauh daripada negara empat musim tempat banyak EV direka
Untuk pemain seperti Pos Malaysia, GDex, J&T atau operator 3PL lain yang sedang menguji EV, ini bukan isu akademik. Pengurusan haba yang baik boleh bermaksud:
- Kurang satu cas dalam sehari untuk setiap van
- Pulangan modal (payback period) EV yang lebih pendek
- Risiko “thermal derating” (kuasa terhad kerana suhu tinggi) yang lebih rendah semasa waktu puncak penghantaran tengah hari.
4. Cara Praktikal Mengaplikasi Pendekatan Ini Dalam Organisasi Anda
Bagaimana syarikat automotif, semikonduktor atau logistik di Malaysia boleh ambil pelajaran daripada kajian ini, tanpa perlu bina pasukan R&D sebesar Ford?
4.1 Mulakan Dengan Pemodelan Sistem Terma
Pilih satu komponen kritikal dahulu:
- Modul bateri EV
- Inverter kuasa untuk stesen pengecas pantas
- Ruang pengeluaran di kilang yang penuh peralatan kuasa tinggi
Kemudian:
- Gunakan alat simulasi (contoh kelas Simscape/Modelica) untuk buat model terma ringkas
- Libatkan jurutera proses dan jurutera kesetiaan (reliability) untuk tetapkan had suhu & KPI
Objektif awal bukan ketepatan 100%, tapi model yang cukup baik untuk buat perbandingan antara alternatif.
4.2 Bina “Perpustakaan Komponen” & Peraturan Sambungan
Ikuti semangat kajian tersebut:
- Senaraikan komponen asas: pam, injap, penukar haba, chiller, hose, tangki
- Tetapkan peraturan mudah: apa boleh sambung dengan apa, had tekanan/arus bendalir, dll.
Bila perpustakaan ini wujud, pasukan AI/data boleh mula:
- Menjana kombinasi seni bina yang sah secara automatik
- Menapis kombinasi yang jelas tidak praktikal sebelum mensimulasikan
4.3 Gunakan AI Untuk Carian & Pengoptimuman, Bukan Ganti Jurutera
Pendekatan yang bijak ialah:
- Biarkan AI jana dan tapis ribuan konfigurasi awal
- Biarkan simulasi memberi skor prestasi, tenaga dan kompleksiti
- Biarkan jurutera memilih daripada 10–20 calon terbaik, berdasarkan faktor praktikal seperti alat ganti, vendor, keserasian dengan platform sedia ada
Saya sendiri lebih percaya pada model “AI sebagai rakan jurutera” berbanding idea AI ganti terus team R&D.
4.4 Hubungkan Reka Bentuk Dengan Data Operasi
Untuk syarikat yang dah ada:
- Sistem pengurusan fleet dengan telematik
- SCADA/MES di kilang
Langkah seterusnya:
- Tarik data suhu, arus, penggunaan tenaga TMS / HVAC
- Bandingkan dengan output model simulasi
- Lakukan parameter fitting automatik menggunakan ML ringan (contoh: Bayesian optimization) supaya model semakin hampir dengan dunia sebenar
Dari sini, anda boleh mula buat:
- Senario “what-if” yang lebih tepat (contoh: apa jadi kalau tambah satu lagi chiller? Apa impak pada rangkaian bekalan kuasa kilang?)
- Polisi operasi adaptif (contoh: hadkan mod cas pantas bila suhu ambien sangat tinggi untuk selamatkan jangka hayat bateri)
5. Kenapa Syarikat Yang Serius Tentang AI Dalam Pengangkutan Perlu Ambil Berat Tentang TMS
Jika anda terlibat dalam AI untuk pengangkutan & logistik, senarai biasa ialah:
- Pengoptimuman laluan
- Pengurusan gudang robotik
- Perancangan permintaan
- Analitik fleet
Tetapi lapisan fizikal – haba, tenaga, kecekapan sistem – sering diabaikan. Kajian TMS BEV oleh UIUC, Ford dan Kyushu University tunjuk:
- Reka bentuk terma yang dioptimumkan secara automatik boleh menjimatkan tenaga dan melindungi aset
- Sistem yang boleh dikonfigur semula beri ruang untuk strategi kawalan pintar dan adaptif, sama seperti yang kita lakukan dalam AI routing
- Automasi reka bentuk berasaskan graf dan simulasi besar-besaran ialah kembar logik kepada apa yang sudah berlaku dalam rekaan cip dan semikonduktor – satu bidang yang Malaysia sangat aktif
Bagi syarikat di Malaysia yang mahu jadi serius tentang kilang pintar automotif dan penggunaan EV dalam operasi logistik, langkah seterusnya bukan hanya beli lebih banyak sensor atau pasang lebih banyak dashboard AI.
Langkah yang betul ialah:
- Jadikan pengurusan haba satu domain data & simulasi penuh, bukan hanya isu "tambah satu lagi radiator".
- Satukan pasukan reka bentuk, operasi kilang dan pasukan data di bawah projek bersama yang berorientasikan hasil: jarak lebih jauh, hayat bateri lebih panjang, dan kos operasi lebih rendah.
Akhirnya, ada satu soalan penting untuk pengurus kilang, CTO logistik atau jurutera automotif:
Jika Ford dan rakan akademiknya sudah guna automasi & AI untuk mereka sistem terma BEV, berapa lama lagi kita mahu kekal bergantung sepenuhnya pada intuisi manusia?
Soalan Lazim Ringkas
1. Apa beza TMS BEV dengan sistem penyejukan kereta biasa?
BEV tak ada haba pembakaran enjin, jadi semua pemanasan/penejukan bergantung kepada tenaga bateri. Ini menjadikan reka bentuk TMS jauh lebih sensitif kepada kecekapan tenaga.
2. Adakah pendekatan enumerasi automatik ini perlukan AI berat?
Tidak semestinya. Banyak bahagian boleh dibuat dengan algoritma kombinatorik dan pengoptimuman klasik. AI/ML jadi penting bila anda mula hubungkan model dengan data operasi sebenar dalam skala besar.
3. Sesuai tak untuk syarikat sederhana di Malaysia?
Sesuai jika fokus dikecilkan. Mulakan dengan satu modul kritikal dan gunakan alatan simulasi yang sudah biasa di pasaran, bukan bina sistem dari kosong.