AI & Sistem Terma BEV: Kunci Efisiensi Mobil Elektrik

AI dalam Pengangkutan & Logistik••By 3L3C

Sistem terma BEV sangat kompleks dan makan tenaga besar. Artikel ini tunjuk bagaimana AI dan automasi reka bentuk boleh menjadikannya aset strategik untuk EV & logistik.

AI automotifthermal management BEVEV fleet logistiksmart factory automotifdesign automationpengurusan bateriindustri E&E Malaysia
Share:

AI Sedang Mengubah Cara Kita Reka Sistem Terma BEV

Satu fakta yang ramai tak sedar: sehingga 30–40% penggunaan tenaga dalam kenderaan elektrik bateri (BEV) boleh datang daripada sistem pengurusan terma – bukannya motor atau elektronik kuasa. Kalau sistem terma boros, jarak perjalanan jatuh, bateri cepat rosak, dan pengalaman pemandu merosot.

Ini sebabnya pengeluar automotif besar seperti Ford dan rakan akademik mereka di University of Illinois at Urbana-Champaign (UIUC) dan Kyushu University sanggup melabur dalam kajian mendalam tentang seni bina Thermal Management System (TMS) untuk BEV. Mereka bukan sekadar tambah satu lagi radiator. Mereka guna pempetakan graf, simulasi automatik dan pengoptimuman multi-objektif untuk mereka bentuk seni bina TMS baharu yang reconfigurable.

Bagi pemain industri automotif, logistik dan pembuatan di Malaysia, ini bukan cerita R&D jauh di luar negara sahaja. Ini ialah gambaran masa depan AI dalam pengangkutan & logistik: dari cara kita reka sistem terma di peringkat kenderaan, hingga cara kilang elektronik dan automotif beroperasi sebagai smart factory.

Artikel ini kupas apa yang pasukan UIUC–Ford–Kyushu buat, kenapa sistem terma BEV sangat kompleks, dan bagaimana AI + automasi reka bentuk boleh menjadi kelebihan strategik untuk pengeluar automotif, pembekal komponen, dan pemain logistik di Malaysia.

Kenapa Thermal Management System BEV Begitu Kritikal

Sistem terma dalam BEV jauh lebih sensitif berbanding kereta enjin pembakaran dalaman (ICE). Puncanya jelas:

  1. Bateri sangat bergantung pada suhu operasi.
    • Terlalu sejuk → kapasiti & kuasa jatuh.
    • Terlalu panas → penuaan dipercepat, risiko keselamatan meningkat.
  2. Tiada haba pembakaran untuk “percuma”.
    • Dalam kereta ICE, haba dari enjin boleh dikitar untuk pemanas kabin.
    • Dalam BEV, semua pemanasan perlu guna elektrik dari bateri.
  3. Setiap watt yang digunakan TMS mengurangkan jarak perjalanan.
    • Tambah 1 kW beban TMS untuk tempoh panjang boleh “makan” puluhan kilometer jarak.

Masalahnya: Senibina TMS BEV moden bukan sekadar satu pam dan satu radiator. Ia melibatkan:

  • Litar penyejuk bateri
  • Litar penyejuk motor & inverter
  • Penyejuk udara kabin (HVAC)
  • Injap, pam, penukar haba dan kadang-kadang juga heat pump

Satu senibina TMS perlu menangani pelbagai mod operasi:

  • Pengecasan pantas di suhu tinggi
  • Pengecasan malam di suhu rendah
  • Pemanduan bandar perlahan
  • Lebuhraya jarak jauh
  • Pemanasan / penyejukan kabin untuk keselesaan penumpang

Kombinasi mod inilah yang menjadikan reka bentuk seni bina TMS sangat kompleks. Bergantung semata-mata pada intuisi pakar untuk mereka seni bina baharu memang tak cukup lagi.

Dari Intuisi Jurutera ke Reka Bentuk Berautomasi

Inilah yang kajian “Automated Enumeration of Reconfigurable Architectures for Thermal Management Systems in Battery Electric Vehicles” cuba tangani: bagaimana kalau kita biarkan algoritma yang menjana dan menapis seni bina TMS, dan jurutera fokus menilai dan memilih?

Pendekatan Mereka Secara Ringkas

Pasukan UIUC–Ford–Kyushu:

  1. Lukis seni bina TMS sebagai graf

    • Node: komponen seperti penukar haba, pam, injap, bateri, motor, kabin.
    • Edge: aliran penyejuk atau penyejuk udara.

  2. Guna algoritma untuk enumerasi seni bina reconfigurable

    • Diberi senarai mod operasi yang diingini (contoh: fast charge panas, fast charge sejuk, cruise, pre-conditioning, dsb.).
    • Algoritma menjana pelbagai kombinasi sambungan injap & litar yang boleh capai semua mod itu.

  3. Automasi pembinaan model Simscape

    • Setiap seni bina yang “lulus” peraturan asas akan dijana sebagai model MATLAB Simscape secara automatik.
    • Tak perlu jurutera bina model satu per satu.

  4. Jalankan simulasi transient & pengoptimuman multi-objektif

    • Analisis prestasi (suhu bateri, prestasi HVAC, kestabilan terma).
    • Tenaga yang digunakan TMS.
    • Tahap kompleksiti sistem (bilangan injap, panjang paip, kos potensi).

Daripada >150 turutan mod operasi yang diteroka, mereka pilih 39 seni bina unik untuk analisis mendalam dengan pengoptimuman multi-objektif.

Kenapa Pendekatan Ini Bijak

Berbanding reka bentuk tradisional, kaedah ini:

  • Menambah ruang reka bentuk yang boleh diteroka tanpa menambah bilangan jurutera.
  • Menemui seni bina yang pakar manusia mungkin tak terfikir kerana susunan injap dan litar terlalu banyak kemungkinan.
  • Memberi data kuantitatif untuk trade-off: contohnya, tambahan satu injap tiga hala mungkin +2% kos tetapi +4% jarak musim panas.

Inilah gaya generative design + design automation yang semakin masuk ke industri automotif dan elektronik, dan terus terang, kebanyakan syarikat yang lambat adapt akan ketinggalan.

Di Mana AI Masuk: Dari Model Terma ke Otak Digital

Automasi enumerasi dan simulasi ini hanyalah langkah pertama. Bila digabungkan dengan AI dan machine learning, nilainya naik satu tahap lagi.

1. AI untuk Menapis & Mengutamakan Seni Bina

Bayangkan anda ada ratusan seni bina TMS berpotensi. Tak logik untuk simulasi penuh bagi semua kombinasi keadaan ambien Malaysia – panas lembap, hujan lebat, trafik sesak, lebuh raya PLUS pada hujung minggu, dan sebagainya.

Di sinilah model AI boleh:

  • Belajar dari hasil simulasi awal.
  • Meramal prestasi seni bina baharu tanpa perlu simulasi terperinci.
  • Menapis 200+ opsyen kepada mungkin 10–20 kandidat utama untuk disimulasikan secara mendalam.

Ini menjimatkan masa R&D dan membolehkan pasukan reka bentuk mencuba lebih banyak idea tanpa melambatkan jadual SOP (start of production).

2. AI Sebagai Pengawal TMS Masa Nyata

Seni bina reconfigurable datang dengan banyak kombinasi:

  • Injap boleh buka/tutup atau beralih banyak posisi.
  • Pam boleh modulate kelajuan.
  • Litar boleh digabung atau diasingkan.

Manusia boleh reka logik kawalan asas, tetapi AI controller (contoh: reinforcement learning atau model predictive control dipacu AI) mampu:

  • Mengoptimumkan suhu bateri dan kabin secara serentak.
  • Mengambil kira gaya pemanduan, keadaan trafik, dan ramalan cuaca.
  • Mengurangkan penggunaan tenaga TMS tanpa kompromi keselamatan.

Untuk syarikat logistik dengan fleet EV, penjimatan 3–5% tenaga untuk TMS saja, diganda pada ratusan kenderaan setiap hari, boleh jadi ratusan ribu ringgit setahun.

3. AI dalam Smart Factory & Pembuatan Modul Terma

Di peringkat kilang automotif dan elektronik:

  • Data daripada ujian end-of-line modul penyejuk, pam, injap, sensor suhu dan tekanan boleh dianalisis oleh AI untuk mengesan corak kegagalan.
  • AI boleh mencadangkan pelarasan proses, suhu soldering, atau parameter pengujian untuk meningkatkan yield.
  • Digital twin sistem terma BEV boleh disepadukan dengan data real-time dari line pemasangan untuk kalibrasi awal yang lebih tepat.

Ini sangat relevan dengan ekosistem E&E dan automotif Malaysia, terutamanya syarikat Tier-1/Tier-2 yang tumpu kepada modul penyejukan, PCB kuasa, atau sistem kawalan HVAC automotif.

Implikasi Untuk Industri Automotif & Logistik di Malaysia

Untuk Malaysia yang sedang menolak agenda EV, IR4.0 dan pengangkutan hijau, ada beberapa implikasi praktikal daripada kerja seperti kajian UIUC–Ford–Kyushu ini.

1. Reka Bentuk Modul Terma Sebagai Peluang Nilai Tinggi

Syarikat tempatan yang sekarang hanya buat komponen asas (hos, bracket, casing) boleh mula naik ke:

  • Modul penyejuk bateri terintegrasi
  • Sub-sistem injap & manifold untuk TMS reconfigurable
  • Modul elektronik kawalan TMS berasaskan AI

Poin penting: nilai tambah tertinggi bukan pada plastik dan logam, tetapi pada kebolehan mereka bentuk dan sahkan seni bina sistem yang kompleks – tepat apa yang automasi dan AI boleh bantu.

2. Fleet EV Logistik: Dari Kenderaan ke Operasi End-to-End

Dalam konteks siri AI dalam Pengangkutan & Logistik, TMS nampak macam isu “dalam kereta” semata-mata. Sebenarnya:

  • Kestabilan suhu bateri mempengaruhi degradsi jangka panjang; ini berkait rapat dengan Total Cost of Ownership (TCO) bagi syarikat seperti Pos Malaysia, GDex, dan operator e-dagang.
  • AI yang mengawal TMS di peringkat kenderaan boleh dihubungkan dengan sistem pengurusan fleet:
    • Rancang jadual pengecasan berdasarkan suhu bateri dan ramalan permintaan penghantaran.
    • Ubah suai strategi penyejukan ketika kenderaan dijangka idle lama di depot.

Kombinasi data TMS + data operasi fleet membuka peluang kepada model peramalan kesihatan bateri (battery health prediction) yang lebih tepat.

3. Kolaborasi Universiti–Industri di Malaysia

Kerjasama UIUC, Ford dan Kyushu ialah template yang sangat relevan untuk Malaysia:

  • Universiti fokus bangunkan model graf, algoritma enumerasi, dan kaedah pengoptimuman.
  • Industri automotif & E&E tempatan sediakan data sebenar, keperluan reka bentuk, dan platform ujian.

Saya rasa banyak syarikat di Malaysia masih terlalu bergantung pada reka bentuk yang datang daripada HQ luar negara. Kalau kita tak mula bangun kepakaran design automation & AI untuk sistem terma, kita akan kekal sebagai pemasang, bukan pencipta.

Langkah Praktikal Untuk Syarikat yang Mahu Bermula

Secara praktikal, apa yang pengeluar automotif, pembekal komponen, atau operator fleet boleh buat dalam 12–24 bulan akan datang?

1. Audit Keupayaan Data & Simulasi Terma

Tanya beberapa soalan asas dalam pasukan anda:

  • Adakah kita sudah guna alat seperti Simscape, GT-SUITE atau yang setara untuk model TMS?
  • Berapa banyak variasi seni bina yang pernah kita cuba dalam projek terakhir?
  • Adakah proses penjanaan seni bina masih manual (PowerPoint, CAD asas) atau sudah separa automatik?

Kalau jawapannya terlalu manual, di sinilah ruang untuk naik taraf.

2. Bentuk Pasukan Kecil Fokus “AI + Thermal Design”

Tak perlu mula dengan pasukan besar. Kombinasi berikut biasanya cukup kuat:

  • 1–2 jurutera terma / HVAC automotif
  • 1 jurutera simulasi / model-based design
  • 1 data scientist / ML engineer

Mandat pasukan ini jelas:

  • Bangunkan representasi graf untuk TMS syarikat.
  • Automasi penjanaan beberapa variasi seni bina ringkas.
  • Cuba gunakan ML untuk meramal hasil simulasi berdasarkan subset data.

3. Uji Kes Penggunaan Pada Satu Model Kenderaan atau Fleet Terpilih

Contohnya:

  • Pilih satu model EV atau varian hibrid plug-in.
  • Fokus pada satu objektif dahulu, seperti kurangkan penggunaan tenaga TMS 5% dalam trafik bandar.
  • Integrasikan kawalan AI dalam TMS melalui ECU tambahan atau perisian OTA (jika dibenarkan).

Bagi syarikat logistik, pilih cluster kenderaan untuk pilot projek pengumpulan data TMS dan analitik bateri, sebelum skala ke seluruh fleet.

Penutup: Masa Untuk Jadikan Terma Sebagai “Brain Project”, Bukan “Plumbing Project”

Sistem pengurusan terma BEV bukan lagi paip dan pam semata-mata. Ia sudah menjadi sistem pintar yang menentukan jarak, kos operasi, dan juga reputasi jenama.

Kerja UIUC–Ford–Kyushu menunjukkan satu perkara penting: bila kita gabungkan pemodelan graf, simulasi automatik dan pengoptimuman multi-objektif, kita boleh reka seni bina TMS reconfigurable yang jauh lebih baik daripada apa yang boleh dicapai dengan intuisi sahaja.

Langkah seterusnya ialah membawa AI masuk ke setiap lapisan:

  • Pada tahap reka bentuk: AI menapis dan mencadangkan seni bina terbaik.
  • Pada tahap operasi kenderaan: AI mengawal TMS secara pintar untuk jimat tenaga.
  • Pada tahap kilang & fleet: AI menghubungkan data TMS dengan strategi smart factory dan pengurusan logistik.

Bagi Malaysia yang serius dengan EV, E&E dan logistik pintar, sekarang masa yang sesuai untuk berhenti melihat TMS sebagai perkara pinggiran. Jadikan ia salah satu fokus utama bila anda bercakap tentang AI dalam Pengangkutan & Logistik.

Soalan yang tinggal: adakah syarikat anda masih mereka bentuk TMS seperti 10 tahun lepas, atau sudah bersedia menjadikan ia projek AI pertama yang betul-betul memberi impak pada kos, jarak, dan kepuasan pelanggan?