```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autori: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Shengyu Tao Haizhou Liu Chongbo Sun Haocheng Ji Guanjun Ji Zhiyuan Han Runhua Gao Jun Ma Ruifei Ma Yuou Chen Shiyi Fu Yu Wang Yaojie Sun Yu Rong Xuan Zhang Guangmin Zhou Hongbin Sun Sažetak Ne sortirane otpadne baterije sa različitim materijalima katoda otežavaju usvajanje direktnog recikliranja zbog njihove specifičnosti katode. Povećanje broja otpadnih baterija zahtijeva precizno sortiranje za efikasno direktno recikliranje, ali se javljaju izazovi zbog različitih operativnih historija, raznolikih proizvođača i problema privatnosti podataka saradnika za reciklažu (vlasnika podataka). Ovdje prikazujemo, iz jedinstvenog skupa podataka od 130 litijum-jonskih baterija koje obuhvataju 5 materijala katoda i 7 proizvođača, da federativni pristup mašinskog učenja može klasificirati ove otpadne baterije bez oslanjanja na prošle operativne podatke, čuvajući privatnost podataka saradnika za reciklažu. Korištenjem karakteristika ekstrahovanih iz ciklusa punjenja-pražnjenja na kraju životnog vijeka, naš model pokazuje greške u sortiranju katoda od 1% i 3% pod homogenim i heterogenim postavkama reciklaže baterija, respektivno, što je pripisano našoj inovativnoj strategiji glasanja sa udaljenosti Wasserstein. Ekonomski, predložena metoda naglašava vrijednost preciznog sortiranja baterija za prosperitetnu i održivu industriju reciklaže. Ova studija najavljuje novu paradigmu korištenja podataka osjetljivih na privatnost iz različitih izvora, olakšavajući kolaborativno donošenje odluka koje poštuje privatnost za distribuirane sisteme. Uvod Litijum-jonske baterije (LIB), koje služe kao uređaji za skladištenje energije, stekle su široku upotrebu u različitim domenima, od industrijske proizvodnje do svakodnevnog života kao prihvaćena tehnička ruta. Projekcije sugeriraju da će globalni obim proizvodnje LIB-ova premašiti 1,3 TWh do 2030. godine , kada će rastuća potražnja za baterijama daleko nadmašiti dostupnost vitalnih metalnih resursa poput litijuma i kobalta , . Međutim, trenutni prosječni životni vijek LIB proizvoda iznosi 5-8 godina, što dovodi do neposrednog porasta broja otpadnih baterija u mnogim zemljama. Ako se ne upravlja pravilno, otpadne baterije će rezultirati neodrživim rasipanjem resursa i šteti okolišu. S obzirom na ove okolnosti, razvoj tehnologije reciklaže baterija dobija ključni značaj kako se suočavamo sa nadolazećim plimom otpadnih LIB-ova . 1 2 3 4 Nedavna dostignuća u istraživanju reciklaže baterija fokusirala su se na pirometalurške, hidrometalurške i direktne pristupe reciklaži . Za razliku od pirometalurških i hidrometalurških metoda, direktna reciklaža se izdvaja kao poseban pristup. Ovaj proces ne nanosi sekundarnu štetu strukturi materijala, omogućavajući efikasniju popravku strukture i obnavljanje performansi. Štaviše, direktna reciklaža pokazuje veću profitabilnost, jer podrazumijeva nižu potrošnju energije, smanjene emisije gasova staklene bašte i lakši ekološki otisak , . Međutim, u stvarnoj proizvodnji, reciklažeri baterija često nailaze na LIB-ove koji sadrže nepoznate komponente ili baterijske module koji se sastoje od mješavine različitih tipova materijala katoda. Imajući u vidu da direktna reciklaža može biti u velikoj mjeri specifična za katodu, takva složenost čini primjenu direktne reciklaže neizvodljivom za postizanje pretvaranja vrijednosti otpadnih baterija . Ključno je naglasiti da čak i ako se vitalni metali iz mješovitih tipova materijala katoda mogu ekstrahovati korištenjem konvencionalnih strategija reciklaže, međudjelovanje između različitih materijala katoda tokom procesa reciklaže može negativno utjecati na kvalitet proizvoda . Stoga, razumijevanje informacija o tipu materijala katode na strani reciklaže značajno utječe na izbor rute direktne reciklaže i na kraju poboljšava kvalitet proizvoda, profitabilnost i održivost. 5 6 7 8 9 Direktna reciklaža uz pomoć čovjeka predložena je za identifikaciju informacija o tipu materijala katode otpadnih baterija u pred-tretmanskoj karici, što još uvijek nije finansijski isplativo kada se industrija reciklaže proširuje . Kako bi se efikasno dobile informacije o tipu katode otpadne baterije, naučna i industrijska zajednica nedavno je pokrenula sistem praćenja životnog vijeka baterija  i nove koncepte poput pasoša baterije  i genoma podataka baterija . Iako je značajan broj baterija korišten prije ovih inicijativa, postoji rastući konsenzus da bi informacije o baterijama trebale biti dostupne tokom cijelog životnog lanca kako bi se olakšalo donošenje odluka o drugom životu . Ovo je posebno slučaj za sektor reciklaže baterija, posljednju stanicu drugog života baterije, jer ruta reciklaže može biti u velikoj mjeri specifična za katodu. Međutim, sistemi za praćenje životnog vijeka baterija ili pasoši baterija omogućeni su elektronskim uređajima poput bar kodova i komunikacija bliskog polja, što bi moglo uvesti intenzivna ulaganja i moglo bi biti široko nekompatibilno sa različitim dizajnerima baterija. Nadalje, elektronski uređaji ostaju izazov za dosljedno upravljanje tokom njihovog životnog vijeka, što dovodi do istrošenih uređaja i nedostupnosti u fazi reciklaže jer moderni proizvodni proces LIB-ova još uvijek nije integriran od proizvodnje do reciklaže . Stoga su hitno potrebna daljnja probojna rješenja za postizanje efikasnog sortiranja tipova katoda baterija samo korištenjem lako dostupnih terenskih informacija , , nasuprot historijskim podacima ili načinu uz pomoć čovjeka, olakšavajući usvajanje direktne reciklaže za poboljšanje kvaliteta i profitabilnosti recikliranih proizvoda. 1 10 11 12 13 14 15 16 Posljednjih nekoliko godina, mašinsko učenje se pojavilo kao održiv alat za rješavanje otvorenih pitanja u svim oblastima baterija. U drugim temama vezanim za baterije, mašinsko učenje je nedavno omogućilo automatsko otkrivanje složenih mehanizama baterija , , , predviđanje preostalog korisnog vijeka , , , , , procjenu zdravstvenog stanja , , , optimizaciju profila ciklusa , , aproksimaciju distribucije kvarova , čak i za vođenje dizajna baterija , , i predviđanje performansi tokom cijelog životnog vijeka odmah nakon proizvodnje . U slučaju reciklaže baterija, malo radova je istraživalo mašinsko učenje u vezi sa materijalima katoda , , što se pripisuje oskudnim podacima o baterijama, posebno za one ciklirane do kraja životnog vijeka. Velika većina objavljenih studija pokazuje vrlo ograničene veličine uzoraka , a još su ograničeniji u raznolikosti katoda baterija . Nedostatak se pripisuje intenzivnim troškovima, dugom vremenu testiranja , i, što je najvažnije, privatnosti podataka zbog komercijalnih ili interesnih razloga. Posljedično, problem privatnosti učvršćuje dilemu gdje postojeći podaci o baterijama, iako značajni po obimu i raznolikosti od više strana kao što su proizvođači baterija, praktične aplikacije, akademske institucije i platforme trećih strana, ne mogu biti podijeljeni. Takva dilema poziva na proučavanje sortiranja materijala katoda radi optimizacije izbora rute reciklaže baterija na kolaborativan način koji poštuje privatnost. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Federativno mašinsko učenje, kao distribuirana paradigma koja čuva privatnost, ima potencijal da riješi probleme kolaboracije više strana (ekvivalentno, obim i raznolikost podataka o baterijama) i privatnosti kroz kolaborativno mašinsko učenje , , . U svakoj iteraciji obuke, distribuirani vlasnici podataka vrše lokalnu obuku sa svojom lokalnom računarskom snagom, šifruju obučene parametre modela/rezultate i postavljaju ih centralnom koordinatoru na agregaciju. Činjenica je da sirovi skupovi podataka nikada ne napuštaju svoje respective vlasnike podataka, a preneseni parametri/rezultati su pravilno šifrovani radi zaštite privatnosti podataka. Federativno mašinsko učenje je opsežno istraženo u brojnim aplikativnim poljima, uključujući javno zdravlje , , kliničku dijagnostiku , , , e-trgovinu , Internet stvari , mobilno računanje , i pametne mreže , , . Ovaj pristup može revolucionirati paradigms istraživanja zasnovanog na podacima u širokim energetskim sektorima omogućavajući saradnju koja čuva privatnost, posebno za one sa ograničenim pristupom podacima. U pogledu sektora reciklaže baterija, federativno mašinsko učenje pretpostavlja obećavajuće mogućnosti za iskorištavanje ogromne količine podataka o baterijama koje već postoje, ali se ne mogu dijeliti zbog problema privatnosti. Sa takvom kolaborativnom paradigmom koja poštuje privatnost, sortiranje otpadnih baterija može se implementirati sa visokom preciznošću, efikasnošću, skalabilnošću i generalizacijom, optimizujući kvalitet i profitabilnost recikliranih proizvoda. Koliko nam je poznato, studije federativnog mašinskog učenja fokusirane na reciklažu baterija nikada nisu bile prijavljene. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 U ovoj studiji, izvodimo sortiranje materijala katoda otpadnih baterija, koristeći postojeće podatke o baterijama od više saradnika, kao što su proizvođači baterija, operateri praktičnih aplikacija, akademske istraživačke institucije i platforme trećih strana, na kolaborativan način mašinskog učenja koji čuva privatnost, kao što je prikazano na slici  . Naš federativni model mašinskog učenja obučen je koristeći samo jedan ciklus terenskih testnih podataka putem standardiziranog procesa ekstrakcije karakteristika, bez ikakvog prethodnog znanja o historijskim uslovima rada. Upoređujemo prediktivnu snagu našeg federativnog modela mašinskog učenja sa samostalno naučenim lokalnim modelima zasnovanim na lokalnim podacima u homogenim i heterogenim okolnostima reciklaže baterija. Problem heterogenosti riješen je našom predloženom strategijom glasanja sa udaljenosti Wasserstein. Izvršena je ekonomska evaluacija reciklaže otpadnih baterija koristeći naš predloženi federativni okvir mašinskog učenja, naglašavajući relevantnost i neophodnost preciznog sortiranja otpadnih baterija. Sveobuhvatno diskutujemo interpretaciju modela, implikacije reciklaže baterija i šire izglede buduće prakse reciklaže baterija integrisane sa federativnim mašinskim učenjem. 1    Više izvora podataka, kao što su proizvođači baterija (Ljubaznošću slike Addionics), operateri praktičnih aplikacija (baterija u podu Tesla vozila. Ljubaznošću slike Tesla), akademske istraživačke institucije i platforme trećih strana, mogu biti doprinosioci podataka. Podaci o baterijama se ne razmjenjuju između doprinosilaca niti se postavljaju reciklažeru baterija. Umjesto toga, doprinosioci podataka obučavaju lokalne modele i dijele parametre modela sa reciklažerom baterija radi izgradnje globalnog modela. Predložena tehnika glasanja sa udaljenosti Wasserstein objedinjuje lokalne modele u globalni model, koji je robustan na neuravnoteženost podataka i šum. Reciklažeri baterija mogu koristiti zajednički izgrađeni model za sortiranje baterija, u kombinaciji sa lako dostupnim podacima iz terenskog testiranja.   Naš federativni okvir mašinskog učenja podstiče saradnike na dijeljenje podataka uz očuvanje privatnosti podataka, za razliku od tradicionalne paradigme izolacije podataka. a b Rezultati Prikupljanje i standardizacija podataka Jedinstvena kinetika baterija u različitim tipovima baterija često je visokodimenzionalna i teška za karakterizaciju zbog divergentnih operativnih slučajeva, varijabilnosti proizvodnje i historijske upotrebe . Da bismo pronašli rješenje za ovu dilemu, prikupili smo i standardizovali 130 otpadnih baterija sa 5 tipova materijala katoda od 7 proizvođača kako bismo konstruisali skup podataka izvan distribucije, ekvivalentno heterogen. S obzirom na različitu historijsku upotrebu, kapaciteti prikupljenih baterija su ispod 90% nominalnog kapaciteta. Materijali katoda baterija su litijum-kobalt-oksid (LCO), nikl-mangan-kobalt (NMC), litijum-ferofosfat (LFP), nikl-kobalt-aluminijum-oksid (NCA), i mješoviti tipovi NMC-LCO, koji su dalje grupisani u 9 klasa na osnovu proizvođača (Dodatna tabela  ). Namjerno smo uključili baterije sa različitom historijskom upotrebom, od laboratorijskog testiranja do profila vožnje električnih vozila, kako bismo obučili generalizovani model za reciklažera baterija neovisno o historijskoj upotrebi i tipovima baterija. 52 1 Za standardizaciju, svi podaci potrebni od reciklažera su trenutno ispitani (terenski test) ciklus sa jednim testom punjenja i pražnjenja, što je lako implementirati u praktičnim slučajevima. Podaci dobijeni ispitivanjem se prvo filtriraju od šuma popunjavanjem nedostajućih vrijednosti, zamjenom vanrednih vrijednosti i medijalnom filtracijom. Međutim, šumovi izazvani čovjekom i heterogenošću katoda su namjerno zadržani kako bi model bio robustan na nesavršene ulaze. Podaci se zatim linearno interpoliraju za popunjavanje krivulja (Dodatna slika  ) i ekstracije karakteristika za smanjenje dimenzionalnosti, sa zajedničkim skupom parametara standardizacije (Dodatna napomena  ). Karakteristike ekstrahovane iz pipeline-a za standardizaciju su dobro interpretirajuće, što je od značajnog komercijalnog interesa. Koliko nam je poznato, ovo je prvi put da se heterogeni podaci o baterijama iz više izvora i historijske upotrebe koriste za pomoć u dizajnu strategije reciklaže baterija. 1 1 Slika  a,   demonstrira proces ekstrakcije karakteristika. Fokusiramo se na krivulju punjenja i pražnjenja otpadnih baterija u posljednjem ciklusu, tj. jedan ciklus punjenja i jedan ciklus pražnjenja (Dodatne slike  – ). U ciklusu punjenja, 15 karakteristika se ekstrahuje iz krivulja napon-kapacitet i dQ/dV, gdje V i Q označavaju vrijednosti napona i kapaciteta, respektivno. Ista grupa karakteristika se ekstrahuje za ciklus pražnjenja. Kao rezultat, ekstrahuje se ukupno 30 karakteristika, kako je naznačeno od F1 do F30. Pogledajte Dodatnu tabelu   i Dodatnu napomenu   za detaljno objašnjenje karakteristika. Slika  c prikazuje apsolutne i relativne vrijednosti karakteristika odabranih baterija iz svake klase. Većina relativnih vrijednosti karakteristika u različitim klasama se preklapa u regiji od −1 do 0 (sa svijetlozelenom bojom) i ne mogu se razlikovati, ilustrujući poteškoću u klasifikaciji tipa baterije korištenjem jednog ciklusa podataka o bateriji. Očekuje se poteškoća jer divergentni historijski operativni uslovi mogu utjecati na kinetiku punjenja-pražnjenja baterija tako da ekstrahovane karakteristike mogu biti u velikoj mjeri korelirane uprkos različitim tipovima baterija (Dodatna slika  ). Umjesto direktnog tumačenja ekstrahovanih karakteristika korištenjem stručnog znanja, primjenjujemo alternativni pristup zasnovan na podacima koji automatski iskorištava latentne obrasce u različitim tipovima baterija. 2 b 2 5 2 2 2 6    Za proces punjenja, 15 karakteristika se ekstrahuje iz krivulje napon-kapacitet (lijevo) i krivulje dQ/dV (desno).   Ista grupa karakteristika je za proces pražnjenja kao F16 do F30.   Karakteristike su vizualizovane po klasama, prateći format CxBn, ukazujući na nth bateriju iz klase x. Veličina kruga prikazuje apsolutnu vrijednost karakteristike. Izvor podataka je dostupan kao datoteka sa izvornim podacima. a b c Sortiranje otpadnih baterija sa homogenim pristupom podacima Prvo razmatramo postavku gdje su podaci o baterijama homogeno raspoređeni među saradnicima (naime, klijentima). Homogenost znači da svaki klijent nudi dijeljenje podataka o baterijama za sve 9 klasa, iako specifičan broj baterija nije ograničen (Dodatna tabela  ). Obučavamo naš federativni model mašinskog učenja bez potrebe za informacijama o historijskoj upotrebi otpadnih baterija. U našem radu, reciklažer i klijenti trebaju samo testirati otpadne baterije u trenutnom (terenskom) ciklusu, specifično, sa potpunim ciklusom punjenja-pražnjenja za standardni proces ekstrakcije karakteristika koji pokreće reciklažer. Lokalni modeli se obučavaju na osnovu karakteristika ekstrahovanih iz njihovih privatnih podataka o baterijama. Federativni okvir mašinskog učenja agregira parametre lokalnih modela, umjesto privatnih podataka o baterijama, za reciklažera radi klasifikacije otpadnih baterija. 3 Slika   prikazuje rezultate sortiranja kada klijenti doprinose homogenim podacima o baterijama. Slika  a poredi dvije metode federativnog mašinskog učenja, tj. većinsko glasanje (MV) i naš predloženi Wasserstein distance voting (WDV), sa nezavisnim učenjem (IL) paradigmom. Treba napomenuti da je tačnost za IL prosječna nad svim klijentima na ne-federativni način. U poređenju sa IL, MV ne žrtvuje performanse sortiranja, sa prosječnom tačnošću od 95%, a istovremeno je sposoban zaštititi privatnost podataka i ublažiti računarsko opterećenje. Međutim, 3 klase su pogrešno sortirane korištenjem MV. Na primjer, 3 baterije u NMC (SNL, klasa 8, 15 ukupno) su pogrešno sortirane u NCA (SNL, klasa 7), što rezultira tačnošću sortiranja od 80%. Tačnost sortiranja za NCA (UL-PUR, klasa 9) je 81%, sa 2 baterije pogrešno sortirane u NMC (MICH_Form, klasa 4) i 1 baterijom pogrešno sortiranom u mješoviti tip NMC/LCO (HNEI, klasa 2), respektivno. Nasuprot tome, WDV nadmašuje MV jer je pogrešno sortirao samo jednu bateriju, što rezultira tačnošću sortiranja od 99%. Također procjenjujemo vjerovatno 3 3

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Ovaj audio je proizveden na originalnom jeziku priče!

Ova AI koja štiti privatnost mogla bi pretvoriti otpad od baterija u veliki profit

About Author

KOMENTARI

HANG TAGS

OVAJ ČLANAK JE PREDSTAVLJEN U

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps