Analitik Prediktif: Kunci Sasaran Baterai Tesla $100/kWh
“Ya,” mengonfirmasi Kari Terho, direktur dan kepala Smart Factory di Elisa Smart Factory. Ia menjelaskan bagaimana timnya meningkatkan hasil produksi sel baterai lithium‑ion sebesar 16 % melalui Analitik Kualitas Prediktif di eLab, pusat riset elektromobilitas di Universitas Aachen.
Mencapai biaya paket baterai $100 / kWh (≈€90,8 / kWh) adalah prioritas utama untuk Tesla. Untuk mencapai tonggak ini, perusahaan harus mendorong batas kepadatan energi volumetrik sambil sekaligus menurunkan biaya manufaktur.
Dalam panggilan hasil tahun 2017, Elon Musk bertanya, “Bisakah seseorang menemukan terobosan baterai? Kami akan sangat senang!” Pertanyaan ini menyoroti besarnya tantangan yang dihadapi Tesla. Ilmuwan data Elisa merespons dengan menerapkan analitik prediktif untuk memprediksi kualitas manufaktur dan meningkatkan hasil.
Tantangan Kualitas dalam Produksi Sel Baterai
Sementara proses pembuatan sel lithium‑ion—merakit anoda dan katoda, menyelubunginya dengan elektrolit, dan menyelesaikan sel—terlihat sederhana, hambatan nyata terletak pada verifikasi kualitas. Pengujian akhir garis dapat memakan waktu hingga tiga minggu, dan hanya setelah periode ini sel dapat dianggap layak untuk rangkaian paket atau ditandai untuk dibuang.
Sel yang dibuang tidak dapat didaur ulang, yang mengakibatkan kehilangan bahan bahan langka dan mahal seperti lithium, kobalt, nikel, tembaga, aluminium, dan grafit. Dengan first‑time yield (FTY) global sekitar 15 %, sektor ini menghadapi ketidakefisienan biaya dan waktu yang signifikan.
Strategi untuk Meningkatkan Hasil
Di eLab, hambatan kualitas diidentifikasi sebagai hambatan utama untuk produksi yang hemat biaya dan adopsi EV yang lebih luas. Untuk mengatasi hal ini, eLab bekerjasama dengan tim ilmuwan data Elisa Smart Factory.
Analitik Kualitas Prediktif dalam Tindakan
Analitik Kualitas Prediktif mengekstrak data proses real‑time, mengidentifikasi pola, dan memprediksi hasil kualitas—membuatnya solusi ideal untuk kebutuhan eLab.
Tim menggunakan kerangka kerja CRISP‑DM, metodologi data mining yang terbukti enam langkah, sebagai berikut:
Pemahaman Bisnis: Menentukan konteks produksi, mengidentifikasi driver kualitas, dan menentukan titik data penting.
Pemahaman Data: Melakukan analisis kesenjangan dan menambahkan kamera resolusi tinggi untuk menangkap data yang hilang.
Persiapan Data: Membersihkan, menyelaraskan, dan menyinkronkan stempel waktu untuk mencegah kehilangan data.
Pemodelan: Menguji beberapa algoritma untuk menemukan model prediktif terbaik untuk kualitas sel.
Evaluasi: Memvalidasi kinerja model untuk memastikan prediksi kualitas yang andal.
Penerapan: Menerapkan parameter optimal—seperti pengaturan viskositas—ke dalam peralatan produksi untuk kualitas yang konsisten.
Hasil: Peningkatan Hasil 16 %
Setelah menerapkan solusi analitik, tingkat limbah turun 16 %. Sel yang standar di bawah identifikasi lebih awal, memungkinkan bahan benda untuk didaur ulang daripada dibuang setelah tes tiga minggu.
Implikasi untuk Tesla
Mengasumsikan Gigafactory 1 milik Tesla memproses 23 GWh sel 2170 untuk Model 3, fasilitas ini dapat menghasilkan 1,3 miliar sel setiap tahunnya. Peningkatan hasil 16 % setara dengan lebih dari 200 juta sel tambahan—cukup untuk 49.000 kendaraan Model 3 Long‑range—dan dapat menghemat sekitar $400 juta (≈€363 juta) jika biaya saat ini $111 / kWh, menurut perkiraan UBS.
Keuntungan ini menyoroti kebutuhan akan perbaikan berkelanjutan dalam manufaktur baterai. Penggunaan logam langka yang efisien esensial untuk memenuhi permintaan kendaraan listrik yang tumbuh pesat.
Penulis adalah Kari Terho, direktur dan kepala Smart Factory di Elisa Corporation.
Tentang Penulis
Kari Terho memimpin divisi Smart Factory di Elisa Corporation, penyedia layanan ICT di Finlandia. Sebelum Elisa, ia menempati posisi senior dalam manajemen layanan, penjualan, dan pengembangan bisnis di operator nirkabel tier‑one dan perusahaan teknologi global, termasuk Hewlett‑Packard. Ia memiliki MBA di Bidang Bisnis dan Administrasi.
Elisa Smart Factory mengkhususkan diri dalam AI dan solusi IoT industri untuk produsen. Dengan terhubung ke berbagai sumber data dan menerapkan analitik canggih serta pembelajaran mesin, mereka memberikan hasil seperti waktu operasional yang lebih tinggi, kualitas produksi yang ditingkatkan, dan hasil yang lebih besar. Dengan memanfaatkan dekade pengalaman dalam mengelola jaringan terotomatisasi dan mencegah gangguan, Elisa bertujuan menjadi penyedia solusi digitalisasi pabrik terkemuka di Eropa dan luar negeri.
