هذا الذكاء الاصطناعي الآمن للخصوصية يمكنه تحويل نفايات البطاريات إلى أرباح كبيرة.

المؤلفون: شنغيو تاو هايتشو ليو تشونغبو صن هاوتشنغ جي غوانجون جي تشيوان هان رونهوا غاو جون ما رويفاي ما يوو تشين شيهي فو يو وانغ ياوجي صن يو رونغ شوان زانغ قوانغمين تشو هونغبين صن ملخص تُعيق البطاريات المتقاعدة غير المصنفة ذات المواد الكاثودية المتنوعة تبني إعادة التدوير المباشر بسبب طبيعتها الخاصة بالكاثود. يتطلب الازدياد السريع في البطاريات المتقاعدة فرزًا دقيقًا لإعادة التدوير المباشر الفعال، ولكن تنشأ تحديات من سجلات التشغيل المتغيرة، والمصنعين المتنوعين، ومخاوف خصوصية البيانات لمُتعاوني إعادة التدوير (مالكي البيانات). نعرض هنا، من مجموعة بيانات فريدة تضم 130 بطارية ليثيوم أيون تمتد عبر 5 مواد كاثودية و 7 مصنعين، أن نهج التعلم الآلي الموحد يمكنه تصنيف هذه البطاريات المتقاعدة دون الاعتماد على بيانات التشغيل السابقة، مع الحفاظ على خصوصية بيانات مُتعاوني إعادة التدوير. من خلال الاستفادة من الميزات المستخرجة من دورة الشحن والتفريغ النهائية، يُظهر نموذجنا أخطاء فرز بنسبة 1% و 3% لمواد الكاثود في ظل ظروف إعادة تدوير البطاريات المتجانسة وغير المتجانسة على التوالي، ويعزى ذلك إلى استراتيجية التصويت بمسافة Wasserstein المبتكرة لدينا. من الناحية الاقتصادية، يؤكد النهج المقترح على قيمة الفرز الدقيق للبطاريات لصناعة إعادة تدوير مزدهرة ومستدامة. تبشر هذه الدراسة بنموذج جديد لاستخدام البيانات الحساسة للخصوصية من مصادر متنوعة، مما يسهل اتخاذ القرارات التعاونية والمحترمة للخصوصية للأنظمة الموزعة. مقدمة اكتسبت بطاريات الليثيوم أيون (LIBs)، التي تعمل كأجهزة لتخزين الطاقة، استخدامًا واسعًا عبر مجالات مختلفة، بدءًا من الإنتاج الصناعي إلى الحياة اليومية كمسار تقني مقبول. تشير التوقعات إلى أن الحجم العالمي لإنتاج بطاريات الليثيوم أيون سيتجاوز 1.3 تيرا واط في الساعة بحلول عام 2030 عندما يتجاوز الطلب المتزايد على البطاريات بكثير توفر المعادن الحيوية مثل الليثيوم والكوبالت , . ومع ذلك، يبلغ متوسط العمر الافتراضي الحالي لمنتجات بطاريات الليثيوم أيون 5-8 سنوات، مما يؤدي إلى زيادة وشيكة في البطاريات المتقاعدة في العديد من البلدان. إذا لم تتم إدارتها بشكل صحيح، فإن البطاريات المتقاعدة ستؤدي إلى إهدار غير مستدام للموارد وتضرر بيئي. في ظل هذه الظروف، يصبح تطوير تقنية إعادة تدوير البطاريات ذا أهمية بالغة في الوقت الذي نواجه فيه المد القادم للبطاريات المتقاعدة . 1 2 3 4 ركزت التطورات الحديثة في أبحاث إعادة تدوير البطاريات على أساليب إعادة التدوير الحرارية، والهيدروميتالورجية، والمباشرة . على عكس الأساليب الحرارية والهيدروميتالورجية، تبرز إعادة التدوير المباشر كنهج متميز. لا تسبب هذه العملية ضررًا ثانويًا لهيكل المواد، مما يتيح إصلاحًا هيكليًا واستعادة أداء أكثر كفاءة. علاوة على ذلك، تُظهر إعادة التدوير المباشر ربحية أعلى، حيث أنها تتطلب استهلاكًا أقل للطاقة، وانبعاثات غازات دفيئة أقل، وبصمات بيئية أخف , . ومع ذلك، في الإنتاج الفعلي، غالبًا ما يواجه مُعيدو تدوير البطاريات بطاريات الليثيوم أيون التي تتكون من مكونات غير معروفة أو وحدات بطارية تتكون من مزيج من أنواع مختلفة من مواد الكاثود. بالنظر إلى أن إعادة التدوير المباشر يمكن أن تكون خاصة بالكاثود بشكل كبير، فإن هذا التعقيد يجعل تطبيق إعادة التدوير المباشر غير ممكن لتحقيق تحويل قيم للبطاريات المتقاعدة . من المهم التأكيد على أنه حتى لو تم استخراج المعادن الحيوية من أنواع مواد الكاثود المختلطة باستخدام استراتيجيات إعادة التدوير التقليدية، فإن التفاعل بين مواد الكاثود المختلفة أثناء عملية إعادة التدوير يمكن أن يؤثر سلبًا على جودة المنتج . لذلك، فإن فهم معلومات نوع مادة الكاثود من جانب إعادة التدوير يؤثر بشكل كبير على اختيار مسار إعادة التدوير المباشر ويحسن في النهاية جودة المنتج والربحية والاستدامة. 5 6 7 8 9 تم اقتراح إعادة التدوير المباشر بمساعدة الإنسان لتحديد معلومات نوع مادة الكاثود للبطاريات المتقاعدة في مرحلة المعالجة الأولية، والتي لا تزال غير مجدية ماليًا مع توسع صناعة إعادة التدوير . لاسترجاع معلومات نوع الكاثود للبطاريات المتقاعدة بفعالية، بدأت الجهات العلمية والصناعية مؤخرًا نظام تتبع عمر البطارية ومفاهيم ناشئة مثل جواز سفر البطارية وجينوم بيانات البطارية . على الرغم من استخدام عدد كبير من البطاريات قبل هذه المبادرات، إلا أن هناك توافقًا متزايدًا على أن معلومات البطارية يجب أن تكون متاحة طوال سلسلة العمر لتسهيل اتخاذ القرارات للحياة الثانية . هذا صحيح بشكل خاص لقطاع إعادة تدوير البطاريات، المحطة الأخيرة في الحياة الثانية للبطارية، حيث يمكن أن يكون مسار إعادة التدوير خاصًا بالكاثود بشكل كبير. ومع ذلك، تعتمد أنظمة تتبع عمر البطارية أو جوازات سفر البطارية على الأجهزة الإلكترونية مثل الرموز الشريطية والاتصالات قريبة المدى، والتي يمكن أن تقدم استثمارات مكثفة ويمكن أن تكون غير متوافقة على نطاق واسع مع مصممي البطاريات المختلفين. علاوة على ذلك، تظل الأجهزة الإلكترونية صعبة الإدارة باستمرار طوال عمرها الافتراضي، مما يؤدي إلى أجهزة بالية وعدم إمكانية الوصول إليها في مرحلة إعادة التدوير نظرًا لأن عملية التصنيع الحديثة لبطاريات الليثيوم أيون لا تزال غير متكاملة من الإنتاج إلى إعادة التدوير . وبالتالي، هناك حاجة ماسة إلى اختراقات أخرى لتحقيق فرز فعال لنوع الكاثود للبطاريات فقط باستخدام معلومات ميدانية يسهل الوصول إليها , ، على عكس البيانات التاريخية المسجلة أو الطريقة المساعدة للبشر، مما يسهل اعتماد إعادة التدوير المباشر لتحسين جودة وربحية المنتجات المعاد تدويرها. 1 10 11 12 13 14 15 16 في السنوات القليلة الماضية، برز التعلم الآلي كأداة قابلة للتطبيق لمعالجة الأسئلة المفتوحة في جميع مجالات البطاريات. في مواضيع أخرى متعلقة بالبطاريات، سمح التعلم الآلي مؤخرًا باكتشاف آليات معقدة للبطاريات تلقائيًا , , ، والتنبؤ بالعمر التشغيلي المتبقي , , , , ، وتقييم حالة الصحة , , ، وتحسين ملف الدورة , ، وتقريب توزيع الفشل ، وحتى لتوجيه تصميم البطارية , ، والتنبؤ بالأداء مدى الحياة فور التصنيع . في حالة إعادة تدوير البطاريات، حققت أعمال قليلة في استكشاف التعلم الآلي فيما يتعلق بمواد الكاثود , ، وهذا يرجع إلى ندرة بيانات البطاريات، خاصة بالنسبة لتلك التي تم اختبارها حتى نهاية عمرها الافتراضي. تُظهر الغالبية العظمى من الدراسات المنشورة أحجام عينات محدودة جدًا وتنوع كاثودات البطاريات محدود أكثر . يُعزى النقص إلى التكلفة المكثفة، ووقت الاختبار الطويل ، والأهم من ذلك، خصوصية البيانات بسبب المخاوف التجارية أو المتعلقة بالمصلحة. وبالتالي، فإن مشكلة الخصوصية تُصلب المعضلة حيث لا يمكن مشاركة بيانات البطاريات الموجودة، على الرغم من حجمها وتنوعها من أطراف متعددة مثل مصنعي البطاريات، وتطبيقات الممارسة، والمؤسسات الأكاديمية، والمنصات التابعة لجهات خارجية. تدعو هذه المعضلة إلى دراسة فرز مواد الكاثود لتحسين اختيار مسار إعادة تدوير البطاريات بطريقة تعاونية مع الحفاظ على الخصوصية. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 يتمتع التعلم الآلي الموحد، باعتباره نموذجًا موزعًا ويحافظ على الخصوصية، بإمكانية حل كل من مشاكل التعاون متعدد الأطراف (بشكل مكافئ، حجم وتنوع بيانات البطاريات) ومشاكل الخصوصية من خلال التعلم الآلي التعاوني , , . في كل تكرار تدريبي، يقوم أصحاب البيانات الموزعون بإجراء تدريب محلي باستخدام قوتهم الحسابية المحلية، وتشفير معلمات/نتائج النموذج المدرب محليًا، وتحميلها إلى منسق مركزي للتجميع. الحقائق هي أن مجموعات البيانات الأولية لا تغادر أصحاب بياناتهم المعنيين وأن المعلمات/النتائج المنقولة مشفرة بشكل صحيح لحماية خصوصية البيانات. تم التحقيق في التعلم الآلي الموحد على نطاق واسع في العديد من المجالات التطبيقية، بما في ذلك الصحة العامة , ، والتشخيص السريري , , ، التجارة الإلكترونية ، إنترنت الأشياء ، الحوسبة المتنقلة ، والشبكات الذكية , , . يمكن لهذا النهج إحداث ثورة في نموذج البحث القائم على البيانات في قطاعات الطاقة الواسعة من خلال تمكين التعاون الذي يحافظ على الخصوصية، خاصة بالنسبة لتلك التي لديها وصول محدود إلى البيانات. فيما يتعلق بقطاع إعادة تدوير البطاريات، يفترض التعلم الآلي الموحد إمكانيات واعدة للاستفادة من الكم الهائل من بيانات البطاريات الموجودة ولكن لا يمكن مشاركتها بسبب مخاوف الخصوصية. من خلال هذا النموذج التعاوني الذي يحافظ على الخصوصية، يمكن تنفيذ فرز البطاريات المتقادمة بدقة وكفاءة وقابلية للتوسع وتعميم عالية، مما يحسن جودة المنتجات المعاد تدويرها وربحيتها. على حد علمنا، لم يتم الإبلاغ عن دراسات التعلم الآلي الموحد التي تركز على إعادة تدوير البطاريات. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 في هذه الدراسة، نقوم بفرز مواد الكاثود للبطاريات المتقادمة، مع الاستفادة من بيانات البطاريات الموجودة من مُتعاونين متعددين، مثل مصنعي البطاريات، ومشغلي التطبيقات العملية، ومؤسسات البحث الأكاديمي، والمنصات التابعة لجهات خارجية، في نموذج تعلم آلي موحد تعاوني مع الحفاظ على الخصوصية كما هو موضح في الشكل . تم تدريب نموذج التعلم الآلي الموحد الخاص بنا باستخدام دورة واحدة فقط من بيانات الاختبار الميداني عبر عملية استخراج ميزات موحدة، دون أي معرفة مسبقة بظروف التشغيل التاريخية. نقارن القوة التنبؤية لنموذج التعلم الآلي الموحد الخاص بنا بتلك النماذج المحلية المتعلمة بشكل مستقل بناءً على البيانات المحلية في ظل ظروف إعادة تدوير البطاريات المتجانسة وغير المتجانسة. تم حل مشكلة عدم التجانس من خلال استراتيجية التصويت بمسافة Wasserstein المقترحة. يتم إجراء تقييم اقتصادي لإعادة تدوير البطاريات المتقادمة باستخدام إطار عمل التعلم الآلي الموحد المقترح، مما يسلط الضوء على أهمية وضرورة فرز دقيق للبطاريات المتقادمة. نناقش بشكل شامل تفسير النموذج، وتداعيات إعادة تدوير البطاريات، وآفاق أوسع لممارسة إعادة تدوير البطاريات المستقبلية المتكاملة مع التعلم الآلي الموحد. 1 يمكن أن تكون مصادر البيانات المتعددة، مثل مصنعي البطاريات (صورة مقدمة من Addionics)، ومشغلي التطبيقات العملية (حزمة بطارية في أرضية سيارة تسلا. صورة مقدمة من Tesla)، والمؤسسات البحثية الأكاديمية، والمنصات التابعة لجهات خارجية، مساهمين في البيانات. لا يتم تبادل بيانات البطاريات بين المساهمين ولا يتم تحميلها إلى مُعيد تدوير البطاريات. بدلاً من ذلك، يقوم المساهمون في البيانات بتدريب نماذج محلية ومشاركة معلمات النموذج مع مُعيد تدوير البطاريات لبناء نموذج عالمي. تُدمج تقنية التصويت بمسافة Wasserstein المقترحة النماذج المحلية في النموذج العالمي، وهو قوي ضد عدم توازن البيانات والضوضاء. يمكن لمُعيدو تدوير البطاريات استخدام النموذج المبني بشكل مشترك للفرز، جنبًا إلى جنب مع بيانات الاختبار الميداني سهلة الوصول. يشجع إطار عمل التعلم الآلي الموحد الخاص بنا المُتعاونين على مشاركة البيانات مع الحفاظ على خصوصية البيانات على عكس نموذج الجزر البيانات التقليدي. أ ب النتائج جمع البيانات وتوحيدها غالبًا ما تكون حركية البطارية الفريدة في أنواع البطاريات المختلفة عالية الأبعاد ويصعب توصيفها بسبب حالات التشغيل المتباينة، وتباين التصنيع، والاستخدامات التاريخية . لإيجاد حل لهذه المعضلة، قمنا بجمع وتوحيد 130 بطارية متقاعدة من 5 أنواع كاثودية من 7 مصنعين لإنشاء مجموعة بيانات غير موزعة، أي غير متجانسة. نظرًا للاستخدامات التاريخية المختلفة، فإن سعات البطاريات المجمعة أقل من 90% من السعة الاسمية. مواد الكاثود للبطاريات هي أكسيد كوبالت الليثيوم (LCO)، وأكسيد نيكل مانجنيز كوبالت (NMC)، وفوسفات حديد الليثيوم (LFP)، وأكسيد نيكل كوبالت ألومنيوم (NCA)، وأنواع مختلطة من NMC-LCO، والتي يتم تجميعها بشكل إضافي في 9 فئات بناءً على المصنعين (الجدول التكميلي ). ندرج عن قصد بطاريات ذات استخدامات تاريخية متباينة، من الاختبارات المعملية إلى ملفات قيادة المركبات الكهربائية، لتدريب نموذج معمّم لمُعيد تدوير البطاريات بشكل مستقل عن الاستخدامات التاريخية وأنواع البطاريات. 52 1 للتوحيد، تتطلب جميع البيانات من المُعيد هي دورة الاختبار الحالية (الاختبار الميداني) مع اختبار شحن وتفريغ واحد، وهو سهل التنفيذ في الحالات العملية. يتم أولاً تنقية البيانات المُختبرة عن طريق ملء القيم المفقودة، واستبدال القيم المتطرفة، وإجراء ترشيح وسيط. ومع ذلك، يتم الاحتفاظ بالضوضاء التي يسببها الإنسان والضوضاء الناتجة عن عدم تجانس الكاثود لجعل النموذج قويًا ضد المدخلات غير المثالية. يتم بعد ذلك استيفاء البيانات خطيًا لملء المنحنى (الشكل التكميلي ) وهندسة الميزات لتقليل الأبعاد، مع مجموعة مشتركة من معلمات التوحيد (الملاحظة التكميلية ). الميزات المستخرجة من خط أنابيب التوحيد قابلة للتفسير بشكل جيد، وهي مصدر قلق ذي أهمية تجارية كبيرة. على حد علمنا، هذه هي المرة الأولى التي يتم فيها استخدام بيانات البطاريات غير المتجانسة من مصادر متعددة واستخدامات تاريخية للمساعدة في تصميم استراتيجية إعادة تدوير البطاريات. 1 1 يوضح الشكلان أ و ب عملية هندسة الميزات. نركز على منحنى الشحن والتفريغ للبطاريات المتقادمة في الدورة الأخيرة، أي دورة شحن واحدة ودورة تفريغ واحدة (الأشكال التكميلية – ). في دورة الشحن، يتم استخراج 15 ميزة من منحنيات الجهد-السعة و dQ/dV، حيث يشير V و Q إلى قيم الجهد والسعة على التوالي. يتم استخراج نفس مجموعة الميزات لدورة التفريغ. ونتيجة لذلك، يتم استخراج 30 ميزة في المجموع، كما هو مشار إليه من F1 إلى F30. ارجع إلى الجدول التكميلي والملاحظة التكميلية للحصول على شرح مفصل للميزات. يوضح الشكل ج القيم المطلقة والنسبية للميزات للبطاريات المختارة من كل فئة. تتداخل معظم القيم النسبية للميزات في فئات مختلفة في المنطقة من -1 إلى 0 (باللون الأخضر الفاتح) وغير قابلة للتمييز، مما يوضح صعوبة تصنيف نوع البطارية باستخدام دورة واحدة من بيانات البطارية. من المتوقع صعوبة ذلك لأن ظروف التشغيل التاريخية المتباينة يمكن أن تؤثر على حركية الشحن والتفريغ للبطاريات بحيث يمكن أن ترتبط الميزات المستخرجة إلى حد كبير على الرغم من اختلاف أنواع البطاريات (الشكل التكميلي ). بدلاً من تفسير الميزات المستخرجة مباشرة باستخدام معرفة الخبراء، نستخدم نهجًا بديلاً يعتمد على البيانات يستفيد تلقائيًا من الأنماط الكامنة عبر أنواع البطاريات المختلفة. 2 2 2 5 2 2 2 6 بالنسبة لعملية الشحن، يتم استخراج 15 ميزة من منحنى الجهد-السعة (يسار) ومنحنى dQ/dV (يمين). نفس مجموعة الميزات هي لعملية التفريغ من F16 إلى F30. يتم تصور الميزات حسب الفئات، باتباع التنسيق CxBn، مما يشير إلى البطارية رقم n من الفئة x. حجم الدائرة يمثل القيمة المطلقة للميزة. البيانات المصدر مقدمة كملف بيانات مصدر. أ ب ج فرز البطاريات المتقادمة مع وصول متجانس للبيانات ننظر أولاً في سيناريو يتم فيه توزيع بيانات البطاريات بشكل متجانس عبر المُتعاونين (أي، العملاء). التجانس يعني أن كل عميل يقدم لمشاركة بيانات البطارية عبر جميع الفئات التسع، على الرغم من أن العدد المحدد للبطاريات غير مقيد (الجدول التكميلي ). نقوم بتدريب نموذج التعلم الآلي الموحد لدينا دون الحاجة إلى معلومات حول الاستخدام التاريخي للبطاريات المتقادمة. في عملنا، يحتاج المُعيد والعملاء فقط إلى اختبار البطاريات المتقادمة في الدورة الحالية (الاختبار الميداني)، وعلى وجه التحديد، مع دورة شحن وتفريغ كاملة لعملية هندسة ميزات قياسية يبدأها المُعيد. يتم تدريب النماذج المحلية بناءً على الميزات المستخرجة من بيانات البطارية الخاصة بهم. يقوم إطار عمل التعلم الآلي الموحد بتجميع معلمات النموذج المحلية، بدلاً من بيانات البطارية الخاصة، ليقوم المُعيد بتصنيف البطاريات المتقادمة. 3 يوضح الشكل نتائج الفرز عندما يساهم العملاء ببيانات بطاريات متجانسة. يقارن الشكل أ بين طريقتين للتعلم الآلي الموحد، أي التصويت بالأغلبية (MV) والتصويت بمسافة Wasserstein المقترحة (WDV)، مع نموذج التعلم المستقل (IL). يجب ملاحظة أن دقة IL يتم حساب متوسطها على جميع العملاء بطريقة غير موحدة. بالمقارنة مع IL، لا يضحي MV بأداء الفرز، بمتوسط دقة 95%، مع كونه قادرًا على حماية خصوصية البيانات وتخفيف العبء الحسابي. ومع ذلك، يتم فرز 3 فئات بشكل خاطئ باستخدام MV. على سبيل المثال، يتم فرز 3 بطاريات في NMC (SNL، الفئة 8، 15 إجمالًا) بشكل خاطئ إلى NCA (SNL، الفئة 7)، مما يؤدي إلى دقة فرز 80%. دقة الفرز لـ NCA (UL-PUR، الفئة 9) هي 81%، مع فرز بطاريتين بشكل خاطئ إلى NMC (MICH_Form، الفئة 4) وبطارية واحدة بشكل خاطئ إلى نوع مختلط من NMC/LCO (HNEI، الفئة 2)، على التوالي. على النقيض من ذلك، يتفوق WDV على MV لأنه فرز بطارية واحدة فقط بشكل خاطئ، مما يؤدي إلى دقة فرز 99%. نقوم أيضًا بتقييم احتمالية التنبؤ لكل فئة لكل من MV و WDV على التوالي. يتضح أن WDV يقوم بفرز أكثر ثقة من MV نظرًا لأن احتمالات التنبؤ لـ WDV تكون بشكل عام منحرفة إلى اليمين نحو قيمة احتمالية أعلى. لذلك، ينتج WDV المقترح دقة فرز أعلى عبر جميع الفئات، ويكون الفرز بهامش ثقة احتمالي أغنى. 3 3 مصفوفة الارتباك لطرق التصويت بالأغلبية (MV) والتصويت بمسافة Wasserstein (WDV) على التوالي. نأخذ في الاعتبار توزيع احتمالات التنبؤ لكل فئة. يتم التعليق على فرز التعلم المستقل (IL). توزيع دقة الفرز وم أ ب