AI Assistant untuk Optimasi Kinerja Baterai EV

​

Solusi Cerdas untuk Kesehatan dan Performa Motor Listrik

​

Universitas Indonesia • Teknik Mesin • 2025

DAIS Framework

Oktafianus Tage

2506669296

DAIS Framework

Tujuan Penelitian

1. Mengoptimalkan kinerja baterai lithium-ion motor listrik melalui penggantian komponen rusak
2. Mengembangkan AI asisten untuk monitoring State of Charge (SOC) dan State of Health (SOH)
3. Memberikan rekomendasi real-time tentang reaktivasi sel dan penggantian komponen Meningkatkan umur pakai baterai dan mengurangi biaya operasional

Variabel Kunci Optimasi Baterai

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

Variabel Operasional

• Jumlah Siklus Charge
• Pola Penggunaan
• Remaining Useful Life
• Kapasitas Aktual (Ah)

Cara Mengukur State of Health (SOH)

Formula Dasar

SOH = (Kapasitas Aktual / Kapasitas Nominal) × 100%

Metode Pengukuran

1. Full Charge-Discharge: Ukur kapasitas aktual dengan battery cycler
2. Impedansi Spektroskopi: Analisis resistansi internal untuk deteksi degradasi
3. OBD-II / BMS Reading: Baca data dari Battery Management System secara real-time

Proses Reaktivasi Sel Baterai

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

Arsitektur AI Asisten Optimasi Baterai

Input Data

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

Proses AI

1. Hitung SOC/SOH
2. Analisis Degradasi
3. Machine Learning
4. Prediksi RUL

Output Rekomendasi

• Diagnosis Kesehatan
• Saran Pengisian
• Panduan Reaktivasi
• Alert Penggantian

Alur Kerja AI Asisten

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

Implementasi Frontend - User Interface

1. Chat Interface: Dialog dengan asisten untuk tanya kondisi baterai (web/mobile)
2. Dashboard Real-time: Tampilan grafis SOC, SOH, suhu, peringatan (gauge, chart)
3. Panduan Interaktif: Step-by-step instruksi bongkar, reaktivasi, penggantian sel
4. History & Report: Log penggunaan, tren degradasi, rekomendasi penggantian
5. Alert & Notifikasi: Push notification untuk kondisi kritis atau maintenance

Skenario Penggunaan Asisten

Bengkel / Mekanik

Tanya "Baterai motor ini SOH berapa?", asisten baca BMS, hitung SOH, beri diagnosis dan saran reaktivasi atau ganti sel

Pengguna Motor Listrik

Monitor dashboard, terima alert kalau suhu >40°C atau SOH <80%, asisten kasih tips pengisian optimal

Service Center

Panduan langkah demi langkah pembongkaran, cell balancing, reaktivasi, dengan parameter optimal dan safety

R&D / Peneliti

Akses data historis baterai, analisis tren degradasi, validasi model optimasi dengan dataset real

Metode Numerik

AI Asisten Baterai

Dari Pertanyaan hingga Jawaban Optimal

Kasus: Pertanyaan Arus Charging Optimal

Pertanyaan Pengguna:

"Berapa besar arus yang optimal untuk pengecasan baterai motor listrik saya?"

Data Baterai (dari sensor):

• Kapasitas nominal (C_n) = 30 Ah
• SOH = 82% (kesehatan baterai)
• Suhu = 41°C (sudah di atas normal)
• SOC = 50% (sedang tidak penuh)

I_dasar = C_norm × C_n

I_dasar = 0,5 × 30 = 15 A

Langkah 1: Backend Hitung C-rate Dasar

Tentukan C-rate aman untuk charging harian (misal 0,5C):

Substitusi nilai:

Ini adalah arus ideal tanpa mempertimbangkan kondisi suhu dan SOH saat ini.

I_aman = C_corr × C_n = 0,3 × 30 = 9 A

Langkah 2: Koreksi Suhu & SOH

Karena suhu > 40°C, turunkan C-rate ke 0,3C (lebih aman):

Rule-based koreksi:

• Jika T > 40°C → gunakan C_rate = 0,3C ✓
• Jika SOH < 80% → gunakan C_rate = 0,25C
• Jika SOC > 80% → terapkan tapering (× 0,5)

Hasil akhir: arus optimal 8–10 A (0,25–0,35C)

Langkah 3: Susun Ringkasan Numerik

Backend membuat rangkuman yang akan diberikan ke LLM:

Kapasitas: 30 Ah

SOH: 82% (cukup baik)

Suhu: 41°C (di atas normal)

Hasil perhitungan:

→ Arus optimal: 8–10 A (0,25–0,35C)

→ Hindari > 15 A pada suhu ini

Ringkasan ini adalah FAKTA NUMERIK yang harus dipertahankan LLM.

x_t = E[w_t] ∈ ℝ^d

Langkah 4: Tokenisasi & Embedding

Backend menyusun prompt lengkap untuk LLM:

"Kamu adalah asisten baterai. Data: C=30Ah, SOH=82%, T=41°C.

Arus optimal dihitung: 8–10 A. Jangan ubah angka ini.

Pertanyaan: 'Berapa arus optimal charging?'

Jelaskan singkat dan aman."

Teks di-tokenisasi:

["Kamu", "adalah", "asisten", ..., "8", "–", "10", "A", ...]

Tiap token diubah ke vektor embedding berdimensi d:

Langkah 5: Self-Attention (1/2)

Model menghitung Query, Key, Value untuk setiap posisi:

Q_t = W_Q x_t

K_i = W_K x_i

V_i = W_V x_i

W_Q, W_K, W_V adalah matriks bobot yang sudah dilatih.

Operasi ini memungkinkan model memahami hubungan antar token. Misalnya, token "arus" dan "optimal" akan saling mempengaruhi melalui attention.

α_t,i = softmax_i(Q_t^⊤ K_i / √d_k)

h_t = Σ_i α_t,i V_i

Langkah 6: Bobot Perhatian (Softmax)

Dihitung bobot perhatian antar token:

Representasi baru kombinasi terbobot:

Softmax mengubah skor jadi probabilitas (0–1). Vektor h_t adalah hasil perpaduan informasi dari semua posisi dalam teks yang relevan untuk posisi t.

u = W_o z_T + b_o

P(w | input) = e^(u_w) / Σ_j e^(u_j)

Langkah 7: Softmax Output & Sampling Kata

Setelah beberapa layer Transformer, model menghitung skor:

Diubah ke probabilitas dengan softmax untuk setiap kata dalam kosakata:

Model memilih kata dengan probabilitas tertinggi. Misalnya, "Untuk" (prob=75%), "Berdasarkan" (prob=20%), dll.

Langkah 8: Iterasi Menghasilkan Jawaban

Iterasi 1: Input = prompt + data baterai

→ Prediksi kata 1: "Untuk" (prob=75%)

Iterasi 2: Input = prompt + "Untuk"

→ Prediksi kata 2: "kondisi" (prob=68%)

Iterasi 3+: Proses berlanjut...

→ kata 3: "baterai" | kata 4: "Anda" | kata 5: "saat" ... (hingga model output ".")

Jawaban akhir: "Untuk kondisi baterai Anda saat ini, arus pengisian yang optimal sekitar 8–10 A..."

Alur Lengkap: Numerik → Jawaban

1. Ambil data baterai (C_n, SOH, T, SOC)

↓

2. Hitung C-rate dasar & koreksi (0,5C → 0,3C) → Arus aman = 8–10 A

↓

3. Susun prompt (ringkasan numerik + pertanyaan)

↓

4. Tokenisasi & Embedding (teks → vektor)

↓

5. Transformer: Self-attention + Softmax (iterasi per kata)

↓

6. Output Jawaban "Arus optimal 8–10 A untuk kondisi Anda..."

Metode Numerik yang Digunakan

1. Aljabar Linear: Perkalian matriks-vektor (W·x), transpos

Untuk transformasi embedding, Query/Key/Value, dan output projection

2. Kalkulus Numerik: Fungsi eksponensial, softmax, normalisasi

Untuk bobot perhatian dan distribusi probabilitas

3. Probabilitas: Softmax, sampling multinomial

Untuk memilih kata berikutnya dari distribusi probabilitas

Operasi Numerik Detail

1. Perkalian matriks-vektor untuk transformasi linear (W·x)
2. Dot product untuk menghitung similarity (Q^⊤·K)
3. Fungsi softmax mengubah skor jadi probabilitas
4. Penjumlahan terbobot dalam self-attention (Σ α·V)
5. Sampling memilih token dari distribusi multinomial

Kesimpulan

AI asisten menggabungkan metode numerik (perhitungan C-rate, koreksi) dengan Transformer (embedding, self-attention, softmax) untuk mengubah pertanyaan menjadi jawaban yang relevan dan aman.

Setiap langkah adalah operasi matematika terstruktur pada vektor dan matriks.

Terima Kasih!

contact@example.com • Universitas Indonesia