AI Assistant Battery Optimization

“AI Assistant Battery Optimization”

https://docs.google.com/presentation/d/1dqH8WcjOOZRnIMf0AvuBizAkZQtwzNFM/edit?usp=drive_link&ouid=116396950669449953781&rtpof=true&sd=true

Dokumen ini adalah presentasi mengenai Asisten AI untuk Optimasi Kinerja Baterai Motor Listrik , yang merupakan solusi cerdas untuk kesehatan dan performa motor listrik. Presentasi dibuat oleh Oktafianus Tage (NPM: 2506669296) dari Teknik Mesin Universitas Indonesia, angkatan 2025.

Pengembangan sistem ini menggunakan Kerangka Kerja DAIS (DAIS Framework). Kerangka kerja ini memiliki langkah-langkah yang terkait dengan optimasi kinerja baterai motor listrik:

  • Deep Awareness of I (Kesadaran Mendalam): Menyadarkan pengembang bahwa sistem harus diarahkan pada keberlanjutan dan keselamatan pengguna.
  • Intention (Niat): Menetapkan niat untuk mengoptimalkan umur dan efisiensi baterai dengan memberikan rekomendasi cerdas.
  • Initial Thinking (Pemikiran Awal): Menganalisis degradasi, State of Charge (SOC), State of Health (SOH), pola charging, serta keterbatasan data.
  • Idealization (Idealisasi): Merancang kondisi ideal, yaitu prediksi SOH yang akurat dan pemberian rekomendasi yang optimal.
  • Instruction-Set (Set Instruksi): Menyusun prosedur terstruktur yang mencakup data, model, rekomendasi, dan evaluasi.

Tujuan Penelitian

Tujuan dari penelitian ini meliputi:

  1. Mengoptimalkan kinerja baterai lithium-ion motor listrik dengan cara penggantian komponen yang rusak.
  2. Mengembangkan Asisten AI untuk memonitor State of Charge (SOC) dan State of Health (SOH).
  3. Memberikan rekomendasi real-time mengenai reaktivasi sel dan penggantian komponen.
  4. Meningkatkan umur pakai baterai dan mengurangi biaya operasional.

Variabel Kunci Optimasi Baterai

Optimasi baterai didasarkan pada dua kategori variabel kunci:

  • Variabel Listrik:
    1. State of Charge (SOC)
    2. State of Health (SOH)
    3. Resistansi Internal
    4. Keseimbangan Tegangan Sel
  • Variabel Termal:
    1. Suhu Baterai
    2. Suhu Operasi Sel
    3. Distribusi Panas
    4. Sistem Pendingin

Cara Mengukur State of Health (SOH)

State of Health (SOH) diukur menggunakan Formula Dasar:

$$SOH = (\text{Kapasitas Aktual} / \text{Kapasitas Nominal}) \times 100\%$$

Metode yang digunakan untuk pengukuran SOH adalah:

  1. Full Charge-Discharge: Mengukur kapasitas aktual menggunakan battery cycler.
  2. Impedansi Spektroskopi: Menganalisis resistansi internal untuk mendeteksi degradasi.
  3. OBD-II/BMS Reading: Membaca data secara real-time dari Battery Management System (BMS).

Proses Reaktivasi Sel Baterai

Proses reaktivasi sel baterai dilakukan melalui langkah-langkah berikut:

  1. Inspeksi Fisik: Memeriksa kerusakan pada modul, konektor, dan tray busbar.
  2. Cell Balancing: Menyeimbangkan tegangan antar sel dengan menggunakan arus mikro
  3. Equalizing Charge: Pengisian daya dengan arus rendah untuk pemerataan kapasitas.
  4. Equalizing Discharge: Pengosongan terkontrol untuk kalibrasi BMS.
  5. Uji Performa: Memverifikasi kapasitas, efisiensi, dan suhu operasi baterai

Arsitektur dan Alur Kerja AI Asisten

Arsitektur AI Asisten Optimasi Baterai menerima Input Data dari:

  1. Sensor BMS (Tegangan/V, Arus/I, Suhu/T)
  2. Data OBD-II
  3. Riwayat Penggunaan
  4. Pertanyaan Pengguna

Proses AI mencakup:

  1. Hitung SOC/SOH
  2. Analisis Degradasi
  3. Machine Learning
  4. Prediksi Remaining Useful Life (RUL)

Alur Kerja AI Asisten terdiri dari:

  1. Akuisisi Data: Membaca parameter baterai dari sensor/BMS secara real-time.
  2. Preprocessing: Normalisasi data, deteksi anomali, dan validasi sensor.
  3. Perhitungan SOH/SOC: Menggunakan formula dan algoritma Kalman Filter.
  4. Diagnosis: Menentukan kondisi baterai (sehat, perlu reaktivasi, atau ganti sel).
  5. Rekomendasi: Memberikan saran pengisian, maintenance, atau penggantian komponen.
  6. Feedback Pengguna: Menampilkan hasil melalui User Interface (UI) chat, dashboard, atau notifikasi.

Implementasi Frontend – User Interface (UI)

User Interface (UI) dirancang untuk memfasilitasi interaksi pengguna dengan AI Asisten:

  1. Chat Interface: Dialog (melalui web/mobile) untuk menanyakan kondisi baterai.
  2. Dashboard Real-time: Tampilan grafis SOC, SOH, suhu, dan peringatan (menggunakan gauge atau chart).
  3. Panduan Interaktif: Instruksi step-by-step untuk pembongkaran, reaktivasi, atau penggantian sel.
  4. History & Report: Log penggunaan, tren degradasi, dan laporan rekomendasi penggantian.
  5. Alert & Notifikasi: Push notification untuk kondisi kritis atau kebutuhan maintenance.

Skenario Penggunaan Asisten

Asisten AI dapat digunakan dalam berbagai skenario:

  • Bengkel / Mekanik: Bertanya “Baterai motor ini SOH berapa?”, Asisten akan membaca BMS, menghitung SOH, lalu memberikan diagnosis dan saran reaktivasi atau penggantian sel.
  • Pengguna Motor Listrik: Memonitor dashboard, menerima peringatan (alert) jika suhu $T > 40^{\circ}C$ atau SOH $< 80\%$, serta mendapat tips pengisian optimal.
  • Service Center: Menggunakan panduan langkah demi langkah untuk pembongkaran, cell balancing, dan reaktivasi, lengkap dengan parameter optimal dan keselamatan.
  • R&D / Peneliti: Mengakses data historis baterai, menganalisis tren degradasi, dan memvalidasi model optimasi dengan dataset real.

Metode Numerik dan Alur Jawaban

Bagian ini menjelaskan bagaimana Asisten AI mengubah pertanyaan pengguna menjadi jawaban optimal menggunakan metode numerik dan pemrosesan Large Language Model (LLM).

Kasus: Pertanyaan Arus Charging Optimal 67Seorang pengguna bertanya: “Berapa besar arus yang optimal untuk pengecasan baterai motor listrik saya?”.

Data Baterai (dari sensor): Kapasitas nominal ($C_n$) = 30 Ah, SOH = 82%, Suhu = $41^{\circ}C$ (di atas normal), dan SOC = 50%.

  1. Langkah 1: Backend Hitung C-rate Dasar
    • Menentukan $C$-rate aman untuk charging harian, misalnya $0.5C$.
    • Arus Dasar ($I_{dasar}$) dihitung sebagai: $I_{dasar} = C_{norm} \times C_n = 0.5 \times 30 = 15 \ A$. Ini adalah arus ideal tanpa mempertimbangkan kondisi suhu dan SOH saat ini.
  2. Langkah 2: Koreksi Suhu & SOH
    • Karena suhu ($T$) saat ini $41^{\circ}C$ (> $40^{\circ}C$), $C$-rate diturunkan menjadi $0.3C$ (lebih aman).
    • Arus Aman ($I_{aman}$) dihitung sebagai: $I_{aman} = C_{corr} \times C_n = 0.3 \times 30 = 9 \ A$.
    • Rule-based koreksi lain: Jika SOH < 80% → gunakan $C$-rate = $0.25C$; Jika SOC > 80% → terapkan tapering ($\times 0.5$).
    • Hasil akhir adalah arus optimal antara $8–10 \ A$ ($0.25–0.35C$).
  3. Langkah 3: Susun Ringkasan Numerik
    • Backend membuat ringkasan numerik untuk LLM (ringkasan ini harus dipertahankan sebagai fakta): Kapasitas 30 Ah, SOH 82% (cukup baik), Suhu $41^{\circ}C$ (di atas normal)
    • Hasil perhitungan: Arus optimal 8–10 A ($0.25–0.35C$), dan harus menghindari arus > 15 A pada suhu ini.
  4. Langkah 4: Tokenisasi & Embedding
    • Backend menyusun prompt lengkap untuk LLM, mencakup peran Asisten, data baterai, hasil perhitungan arus optimal (8–10 A), dan pertanyaan pengguna.
    • Teks dalam prompt di-tokenisasi (dibagi menjadi kata/subkata), dan tiap token diubah menjadi vektor embedding berdimensi $d$ ($x_t = E[w_t] \in \mathbb{R}^d$).
  5. Langkah 5 & 6: Self-Attention & Bobot Perhatian (Softmax)
    • Model menghitung Query ($Q_t$), Key ($K_i$), dan Value ($V_i$) untuk setiap posisi, menggunakan matriks bobot ($W_Q, W_K, W_V$) yang sudah dilatih ($Q_t = W_Q x_t$; $K_i = W_K x_i$; $V_i = W_V x_i$). Ini memungkinkan model memahami hubungan antar token.
    • Bobot perhatian ($\alpha_{t,i}$) antar token dihitung menggunakan fungsi softmax ($\alpha_{t,i} = \text{softmax}_i(Q_t^\top K_i / \sqrt{d_k})$). Softmax mengubah skor menjadi probabilitas.
    • Representasi baru ($h_t$) adalah kombinasi terbobot dari Value ($h_t = \sum_i \alpha_{t,i} V_i$), yang memadukan informasi yang relevan dari semua posisi teks
  6. Langkah 7 & 8: Softmax Output & Sampling Kata
    • Setelah beberapa lapisan Transformer, model menghitung skor dan mengubahnya menjadi probabilitas untuk setiap kata dalam kosakata menggunakan softmax.
    • Model memilih kata dengan probabilitas tertinggi, misalnya “Untuk” (prob=75%).
    • Proses ini berlanjut secara iteratif: hasil kata sebelumnya ditambahkan ke input, dan model memprediksi kata berikutnya.
    • Jawaban akhir dihasilkan: “Untuk kondisi baterai Anda saat ini, arus pengisian yang optimal sekitar 8–10 A…”.

Alur Lengkap Numerik $\rightarrow$ Jawaban:

  1. Ambil data baterai ($C_n, SOH, T, SOC$).
  2. Hitung C-rate dasar & koreksi (misalnya $0.5C \rightarrow 0.3C$) $\rightarrow$ Arus aman = 8–10 A.
  3. Susun prompt (ringkasan numerik + pertanyaan).
  4. Tokenisasi & Embedding (teks $\rightarrow$ vektor).
  5. Transformer: Self-attention + Softmax (iterasi per kata).
  6. Output Jawaban “Arus optimal 8–10 A untuk kondisi Anda…”

Metode Numerik

Metode numerik yang digunakan dalam AI Asisten ini meliputi:

  1. Aljabar Linear: Untuk perkalian matriks-vektor ($W \cdot x$) dan transpos, yang digunakan dalam transformasi embedding, Query/Key/Value, dan output projection.
  2. Kalkulus Numerik: Untuk fungsi eksponensial, softmax, dan normalisasi, yang digunakan dalam bobot perhatian dan distribusi probabilitas.
  3. Probabilitas: Untuk softmax dan sampling multinomial, yang digunakan untuk memilih kata berikutnya dari distribusi probabilitas.

Operasi numerik detailnya termasuk : perkalian matriks-vektor untuk transformasi linear, dot product ($Q^\top \cdot K$) untuk menghitung similarity, fungsi softmax untuk probabilitas, penjumlahan terbobot ($\sum \alpha \cdot V$) dalam self-attention, dan sampling untuk memilih token dari distribusi multinomial.

Kesimpulan

AI Asisten ini menggabungkan dua metode utama: metode numerik (perhitungan $C$-rate dan koreksi) dan Transformer (yang melibatkan embedding, self-attention, dan softmax). Kombinasi ini bertujuan untuk mengubah pertanyaan pengguna menjadi jawaban yang relevan dan aman. Setiap langkah dalam proses ini merupakan operasi matematika terstruktur pada vektor dan matriks.

Post Views: 45

Oktafianus Tage

Leave a Reply

Your email address will not be published. Required fields are marked *