Гэты AI, бяспечны для прыватнасці, можа ператварыць адходы акумулятараў у вялікі прыбытак

```html Аўтары: Шэньюй Тао Хайчжоў Лю Чунбо Сунь Хайчэн Цзі Гуанцзюнь Цзі Чжыюань Хань Жуньхуа Гао Цзюнь Ма Жуйфэй Ма Юоў Чэнь Шыі Фу Ю Ван Яоцзе Сунь Ю Ронг Сюань Чжан Гуанмін Чжоу Хунбінь Сунь Рэзюмэ Несартаваныя адпрацаваныя акумулятары з рознымі матэрыяламі катодаў перашкаджаюць прыняццю прамога перапрацоўкі з-за іх спецыфічнасці для катода. Рост колькасці адпрацаваных акумулятараў патрабуе дакладнай сартавання для эфектыўнай прамой перапрацоўкі, але ўзнікаюць праблемы з-за розных гістарычных аперацыйных рэжымаў, розных вытворцаў і праблем прыватнасці дадзеных супрацоўнікаў па перапрацоўцы (уладальнікаў дадзеных). Тут мы дэманструем, выкарыстоўваючы унікальны набор дадзеных з 130 літый-іённых акумулятараў, якія ахопліваюць 5 матэрыялаў катодаў і 7 вытворцаў, федэратыўны падыход машыннага навучання можа класіфікаваць гэтыя адпрацаваныя акумулятары без выкарыстання мінулых эксплуатацыйных дадзеных, забяспечваючы прыватнасць дадзеных супрацоўнікаў. Выкарыстоўваючы прыкметы, вынятыя з цыклу зарад-разрад у канцы жыццёвага цыклу, наша мадэль дэманструе памылкі сартавання катодаў на 1% і 3% у аднастайных і неаднастайных умовах перапрацоўкі акумулятараў адпаведна, што абумоўлена нашай інавацыйнай стратэгіяй галасавання на аснове адлегласці Васерштэйна. У эканамічным плане прапанаваны метад падкрэслівае каштоўнасць дакладнага сартавання акумулятараў для квітнеючай і ўстойлівай прамысловасці перапрацоўкі. Гэта даследаванне адкрывае новую парадыгму выкарыстання прыватных дадзеных з розных крыніц, спрыяючы сумеснаму і прыватнаму прыняццю рашэнняў для размеркаваных сістэм. Уводзіны Літый-іённыя акумулятары (ЛІА), якія служаць прыладамі захоўвання энергіі, атрымалі шырокае распаўсюджанне ў розных галінах, ад прамысловай вытворчасці да паўсядзённага жыцця як прыняты тэхнічны маршрут. Прагнозы паказваюць, што сусветны аб'ём вытворчасці ЛІА перавысіць 1,3 ТВт*г да 2030 года , калі расце попыт на акумулятары значна перавысіць даступнасць жыццёва важных металаў, такіх як літый і кобальт , . Аднак сярэдні тэрмін службы ЛІА складае 5-8 гадоў, што прыводзіць да непазбежнага росту адпрацаваных акумулятараў у многіх краінах. Калі не кіраваць належным чынам, адпрацаваныя акумулятары прывядуць да неўстойлівага марнавання рэсурсаў і шкоды навакольнаму асяроддзі. Улічваючы гэтыя абставіны, развіццё тэхналогіі перапрацоўкі акумулятараў набывае жыццёва важнае значэнне, калі мы сутыкаемся з надыходзячай хваляй адпрацаваных ЛІА . 1 2 3 4 Апошнія дасягненні ў даследаванні перапрацоўкі акумулятараў былі сканцэнтраваны на піраметалургічных, гідраметалургічных і прамых метадах перапрацоўкі . У адрозненне ад піраметалургічных і гідраметалургічных метадаў, прамая перапрацоўка адрозніваецца як асобны падыход. Гэты працэс не наносіць другародных пашкоджанняў матэрыяльнай структуры, што дазваляе больш эфектыўна аднаўляць структуру і працаздольнасць. Больш за тое, прамая перапрацоўка дэманструе большую прыбытковасць, паколькі яна патрабуе меншага спажывання энергіі, зніжэння выкідаў парніковых газаў і меншага ўздзеяння на навакольнае асяроддзе , . Аднак на практыцы перапрацоўшчыкі акумулятараў часта сутыкаюцца з ЛІА, якія складаюцца з невядомых кампанентаў, або акумулятарнымі модулямі, якія складаюцца з сумесі розных тыпаў матэрыялаў катодаў. Улічваючы, што прамая перапрацоўка можа быць моцна залежнай ад катода, такая складанасць робіць прымяненне прамой перапрацоўкі непрактычным для дасягнення пераўтварэння кошту адпрацаваных акумулятараў . Важна падкрэсліць, што нават калі жыццёва важныя металы са змешаных тыпаў катодаў можна здабыць, выкарыстоўваючы традыцыйныя стратэгіі перапрацоўкі, узаемадзеянне паміж рознымі матэрыяламі катодаў падчас працэсу перапрацоўкі можа негатыўна паўплываць на якасць прадукцыі . Такім чынам, разуменне інфармацыі пра тып матэрыялу катода з боку перапрацоўшчыка значна ўплывае на выбар маршруту прамой перапрацоўкі і ў канчатковым выніку паляпшае якасць прадукцыі, прыбытковасць і ўстойлівасць. 5 6 7 8 9 Была прапанавана прамая перапрацоўка з дапамогай чалавека для ідэнтыфікацыі інфармацыі пра тып матэрыялу катода адпрацаваных акумулятараў на этапе перадпрацоўкі, што пакуль не з'яўляецца фінансава жыццяздольным, калі прамысловасць перапрацоўкі маштабуецца . Для эфектыўнага атрымання інфармацыі пра тып катода адпрацаваных акумулятараў навуковае і прамысловае супольнасць нядаўна ініцыявала сістэму адсочвання жыццёвага цыклу акумулятара і новыя канцэпцыі, такія як пашпарт акумулятара і геном дадзеных акумулятара . Нягледзячы на тое, што да гэтага часу выкарыстоўвалася значная колькасць акумулятараў, расце кансенсус, што інфармацыя пра акумулятары павінна быць даступнай на працягу ўсяго жыццёвага цыклу для палягчэння прыняцця рашэнняў другога жыццёвага цыклу . Гэта асабліва тычыцца сектара перапрацоўкі акумулятараў, апошняй станцыі другога жыццёвага цыклу акумулятара, паколькі маршрут перапрацоўкі можа быць моцна спецыфічным для катода. Аднак сістэмы адсочвання жыццёвага цыклу акумулятара або пашпарты акумулятара ўключаюць электронныя прылады, такія як штрых-коды і бескантактная сувязь, якія могуць пацягнуць за сабой інтэнсіўныя інвестыцыі і могуць быць шырока несумяшчальныя з рознымі распрацоўшчыкамі акумулятараў. Акрамя таго, электронныя прылады застаюцца складанымі для пастаяннага кіравання на працягу іх жыццёвага цыклу, што прыводзіць да зношаных прылад і недаступнасці на этапе перапрацоўкі, паколькі сучасны працэс вытворчасці ЛІА па-ранейшаму не інтэграваны ад вытворчасці да перапрацоўкі . Такім чынам, тэрмінова неабходныя дадатковыя прарывы для дасягнення эфектыўнага сартавання адпрацаваных акумулятараў па тыпах катодаў, выкарыстоўваючы толькі лёгкадаступную інфармацыю з поля , , у адрозненне ад гістарычных запісаных дадзеных або ручнога спосабу, што спрыяе прыняццю прамой перапрацоўкі для паляпшэння якасці і прыбытковасці перапрацаваных прадуктаў. 1 10 11 12 13 14 15 16 У апошнія некалькі гадоў машыннае навучанне стала жыццяздольным інструментам для вырашэння адкрытых пытанняў ва ўсіх галінах акумулятараў. У іншых тэмах, звязаных з акумулятарамі, машыннае навучанне нядаўна дазволіла нам аўтаматычна выяўляць складаныя механізмы акумулятараў , , , прагназаваць пакінуты тэрмін службы , , , , , ацэньваць стан здароўя , , , аптымізаваць цыкл зарад-разрад , , прыблізна ацэньваць размеркаванне збояў , нават кіраваць распрацоўкай акумулятараў , , і прагназаваць працаздольнасць на працягу ўсяго жыццёвага цыклу адразу пасля вытворчасці . У выпадку перапрацоўкі акумулятараў мала работ даследавала машыннае навучанне адносна катодных матэрыялаў , , што абмяжоўваецца недастатковай колькасцю дадзеных пра акумулятары, асабліва для тых, якія дасягнулі канца жыццёвага цыклу. Пераважная большасць апублікаваных даследаванняў дэманструе вельмі абмежаваны памер выбаркі і яшчэ больш абмежаваны разнастайнасцю катодаў акумулятараў . Недахоп абумоўлены інтэнсіўнымі выдаткамі, працяглым часам тэсціравання і, што найбольш важна, прыватнасцю дадзеных з-за камерцыйных ці інтарэсных меркаванняў. Такім чынам, праблема прыватнасці ўмацоўвае дылему, калі існуючыя дадзеныя пра акумулятары, нягледзячы на іх значны аб'ём і разнастайнасць ад розных бакоў, такіх як вытворцы акумулятараў, практычныя прыкладанні, навуковыя ўстановы і староннія платформы, не могуць быць агульнымі. Такая дылема патрабуе вывучэння сартавання катодных матэрыялаў для аптымізацыі выбару маршруту перапрацоўкі акумулятараў у сумесным, але прыватным стылі. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Федэратыўнае машыннае навучанне, як размеркаваная і прыватная парадыгма, мае патэнцыял для вырашэння як шматбаковага супрацоўніцтва (эквівалентна, аб'ёму і разнастайнасці дадзеных акумулятараў), так і праблем прыватнасці праз сумесную машыннае навучанне , , . У кожнай ітэрацыі навучання размеркаваныя ўладальнікі дадзеных выконваюць лакальнае навучанне са сваёй лакальнай вылічальнай магутнасцю, шыфруюць навучаныя параметры/вынікі мадэлі і загружаюць іх у цэнтральны каардынатар для агрэгацыі. Факты, што сыравінныя наборы дадзеных ніколі не пакідаюць сваіх адпаведных уладальнікаў, і што перададзеныя параметры/вынікі належным чынам шыфруюцца для абароны прыватнасці дадзеных. Федэратыўнае машыннае навучанне было шырока даследавана ў шматлікіх прыкладных галінах, уключаючы ахову здароўя , , клінічную дыягностыку , , , электронную камерцыю , Інтэрнэт рэчаў , мабільныя вылічэнні , і смарт-сеткі , , . Гэты падыход можа рэвалюцыянізаваць парадыгму даследванняў на аснове дадзеных у шырокіх энергетычных сектарах, дазваляючы сумеснае навучанне з захаваннем прыватнасці, асабліва для тых, хто мае абмежаваны доступ да дадзеных. Што тычыцца сектара перапрацоўкі акумулятараў, федэратыўнае машыннае навучанне прапануе перспектыўныя магчымасці для выкарыстання велізарнай колькасці дадзеных пра акумулятары, якія ўжо існуюць, але не могуць быць агульнымі з-за праблем прыватнасці. З такой сумеснай, але прыватнай парадыгмай, сартаванне адпрацаваных акумулятараў можа быць рэалізавана з высокай дакладнасцю, эфектыўнасцю, маштабаванасцю і генералізацыяй, аптымізуючы якасць і прыбытковасць перапрацаваных прадуктаў. Наколькі нам вядома, даследаванняў федэратыўнага машыннага навучання, прысвечаных перапрацоўцы акумулятараў, яшчэ не было. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 У гэтым даследаванні мы праводзім сартаванне адпрацаваных акумулятараў па тыпах катодаў, выкарыстоўваючы існуючыя дадзеныя пра акумулятары ад розных супрацоўнікаў, такіх як вытворцы акумулятараў, аператары практычных прымяненняў, навуковыя даследчыя ўстановы і староннія платформы, у сумесным, але прыватным стылі машыннага навучання, як паказана на малюнку . Наша мадэль федэратыўнага машыннага навучання была навучана з выкарыстаннем толькі аднаго цыкла палявых выпрабавальных дадзеных праз стандартызаваны працэс здабыцця прыкмет, без папярэдніх ведаў пра гістарычныя ўмовы эксплуатацыі. Мы параўноўваем прагназуючую здольнасць нашай мадэлі федэратыўнага машыннага навучання з незалежна навучанымі лакальнымі мадэлямі на аснове лакальных дадзеных у аднастайных і неаднастайных абставінах перапрацоўкі акумулятараў. Праблема неаднастайнасці вырашаецца нашай прапанаванай стратэгіяй галасавання на аснове адлегласці Васерштэйна. Праведзена эканамічная ацэнка перапрацоўкі адпрацаваных акумулятараў з выкарыстаннем прапанаванай рамкі федэратыўнага машыннага навучання, падкрэсліваючы актуальнасць і неабходнасць дакладнага сартавання адпрацаваных акумулятараў. Мы комплексна абмяркоўваем інтэрпрэтаванасць мадэлі, наступствы перапрацоўкі акумулятараў і больш шырокія перспектывы будучай практыкі перапрацоўкі акумулятараў, інтэграванай з федэратыўным машынным навучаннем. 1 Некалькі крыніц дадзеных, такіх як вытворцы акумулятараў (Малюнак прадастаўлены Addionics), аператары практычных прымяненняў (акумулятарны блок у паддоне Tesla. Малюнак прадастаўлены Tesla), навуковыя даследчыя ўстановы і староннія платформы, могуць быць укладнікамі дадзеных. Дадзеныя пра акумулятары не абменьваюцца паміж укладнікамі і не загружаюцца перапрацоўшчыку акумулятараў. Замест гэтага ўкладнікі дадзеных навучаюць лакальныя мадэлі і абменьваюцца параметрамі мадэлі з перапрацоўшчыкам акумулятараў для пабудовы глабальнай мадэлі. Прапанаваная тэхніка галасавання на аснове адлегласці Васерштэйна аб'ядноўвае лакальныя мадэлі ў глабальную мадэль, якая ўстойлівая да дысбалансу і шуму дадзеных. Перапрацоўшчыкі акумулятараў могуць выкарыстоўваць сумесна пабудаваную мадэль для сартавання акумулятараў у спалучэнні з лёгкадаступнымі палявымі тэставымі дадзенымі. Наша федэратыўная мадэль машыннага навучання заахвочвае супрацоўнікаў абменьвацца дадзенымі, захоўваючы прыватнасць дадзеных, у адрозненне ад традыцыйнай парадыгмы раз'яднання дадзеных. а б Вынікі Збор і стандартызацыя дадзеных Унікальная кінетыка акумулятараў у розных тыпах акумулятараў часта з'яўляецца высокамернай і цяжкай для характарыстыкі з-за адрозненняў у рабочых выпадках, варыятыўнасці вытворчасці і гістарычнага выкарыстання . Каб знайсці рашэнне гэтай дылемы, мы сабралі і стандартызавалі 130 адпрацаваных акумулятараў з 5 тыпамі катодных матэрыялаў ад 7 вытворцаў, каб стварыць набор дадзеных па-за размеркаваннем, эквівалентна неаднастайны. Улічваючы розныя гістарычныя выпадкі выкарыстання, ёмістасць сабраных акумулятараў складае менш за 90% ад намінальнай ёмістасці. Матэрыялы катодаў акумулятараў - гэта аксід літый-кобальту (LCO), нікель-манган-кобальт (NMC), літый-жалезафасфат (LFP), аксід нікель-кобальт-алюмінію (NCA) і змешаныя тыпы NMC-LCO, якія далей разбіты на 9 класаў на аснове вытворцаў (дадатковая табліца ). Мы наўмысна ўключылі акумулятары з рознымі гістарычнымі выпадкамі выкарыстання, ад лабараторных выпрабаванняў да профіляў кіравання электрамабілямі, каб навучыць агульную мадэль для перапрацоўшчыка акумулятараў, незалежна ад гістарычнага выкарыстання і тыпаў акумулятараў. 52 1 Для стандартызацыі ўсе дадзеныя, неабходныя ад перапрацоўшчыка, - гэта бягучы (палявы) цыкл з адным тэстам зарадкі і разрадкі, які лёгка рэалізаваць на практыцы. Атрыманыя дадзеныя спачатку ачышчаюцца ад шуму шляхам запаўнення прапушчаных значэнняў, замены анамалій і фільтрацыі медыяны. Аднак штучныя шумы і шумы, выкліканыя неаднастайнасцю катодаў, наўмысна захаваны, каб зрабіць мадэль устойлівай да няпоўных уваходаў. Затым дадзеныя лінейна інтэрпалююцца для запаўнення крывых (дадатковая фіг. ) і здабываюцца прыкметы для зніжэння размернасці, з агульным наборам параметраў стандартызацыі (дадатковая заўвага ). Прыкметы, здабытыя з канвеера стандартызацыі, добра інтэрпрэтуюцца, што з'яўляецца заклапочанасцю значнай камерцыйнай цікавасці. Наколькі нам вядома, гэта першы раз, калі неаднастайныя дадзеныя акумулятараў з некалькіх крыніц і гістарычнага выкарыстання выкарыстоўваюцца для падтрымкі распрацоўкі стратэгіі перапрацоўкі акумулятараў. 1 1 Малюнкі а, дэманструюць працэс здабыцця прыкмет. Мы засяроджваемся на крывой зарадкі і разрадкі адпрацаваных акумулятараў у апошнім цыкле, г.зн., адным цыкле зарадкі і адным цыкле разрадкі (дадатковыя фіг. – ). У цыкле зарадкі 15 прыкмет здабываюцца з крывых напружання-ёмістасці і dQ/dV, дзе V і Q азначаюць значэнні напружання і ёмістасці адпаведна. Той жа набор прыкмет здабываецца для цыклу разрадкі. 2 б 2 5