
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autors: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Resum Les piles retirades no classificades amb diversos materials de càtode dificulten l'adopció del reciclatge directe a causa de la seva naturalesa específica del càtode. L'auge de les piles retirades requereix una classificació precisa per a un reciclatge directe eficaç, però sorgeixen reptes per les diferents històries operatives, els diversos fabricants i les preocupacions de privadesa de dades dels col·laboradors de reciclatge (propietaris de dades). Aquí us presentem, a partir d'un conjunt de dades únic de 130 piles de litió de cinc materials de càtode i set fabricants, com un enfocament d'aprenentatge automàtic federat pot classificar aquestes piles retirades sense dependre de dades operatives passades, salvaguardant la privadesa de dades dels col·laboradors de reciclatge. Utilitzant les característiques extretes del cicle de càrrega-descàrrega del final de vida, el nostre model presenta errors de classificació del càtode de l'1% i del 3% en entorns de reciclatge de piles homogenis i heterogenis respectivament, atribuïts a la nostra innovadora estratègia de votació per distància de Wasserstein. Econòmicament, el mètode proposat subratlla el valor de la classificació precisa de les piles per a una indústria de reciclatge pròspera i sostenible. Aquest estudi marca un nou paradigma d'ús de dades sensibles a la privadesa de diverses fonts, facilitant la presa de decisions col·laborativa i respectuosa amb la privadesa per a sistemes distribuïts. Introducció Les piles d'ió de liti (LIB), que serveixen com a dispositius d'emmagatzematge d'energia, han guanyat una utilització generalitzada en diversos dominis, des de la producció industrial fins a la vida diària com a via tècnica acceptada. Les projeccions suggereixen que l'escala de producció global de LIB superarà els 1,3 TWh el 2030 quan la creixent demanda de piles superarà àmpliament la disponibilitat de recursos de metalls vitals com el liti i el cobalt , . No obstant això, la vida útil mitjana actual dels productes LIB és de 5-8 anys, cosa que porta a un augment imminent de piles retirades en molts països. Si no es gestionen adequadament, les piles retirades provocaran un malbaratament insostenible de recursos i danys mediambientals. Donades aquestes circumstàncies, el desenvolupament de la tecnologia de reciclatge de piles assumeix una importància crucial a mesura que ens enfrontem a l'imminent onada de retirades de LIB . 1 2 3 4 Els avenços recents en la investigació del reciclatge de piles s'han centrat en els enfocaments pirometal·lúrgics, hidrometal·lúrgics i de reciclatge directe . En contrast amb els mètodes pirometal·lúrgics i hidrometal·lúrgics, el reciclatge directe es diferencia com un enfocament distint. Aquest procés no causa danys secundaris a l'estructura del material, permetent una reparació estructural i una restauració del rendiment més eficients. A més, el reciclatge directe presenta una major rendibilitat, ja que implica un menor consum d'energia, menors emissions de gasos d'efecte hivernacle i un menor impacte mediambiental , . En la producció real, però, els recicladors de piles sovint es troben amb LIB que comprenen components desconeguts o mòduls de piles que consisteixen en una barreja de diferents tipus de materials de càtode. Considerant que el reciclatge directe pot ser molt específic del càtode, aquesta complexitat fa inviable l'aplicació del reciclatge directe per aconseguir la conversió de valor de les piles retirades . És crucial subratllar que fins i tot si els metalls vitals de diferents tipus de materials de càtode es poden extreure utilitzant estratègies de reciclatge convencionals, la interacció entre diferents materials de càtode durant el procés de reciclatge pot afectar negativament la qualitat del producte . Per tant, comprendre la informació del tipus de material de càtode des del costat del reciclatge influeix marcadament en l'elecció de la ruta de reciclatge directe i, en última instància, millora la qualitat del producte, la rendibilitat i la sostenibilitat. 5 6 7 8 9 S'ha proposat el reciclatge directe assistit per humans per identificar la informació del tipus de material de càtode de piles retirades en l'enllaç de pretractament, que encara no és viable financerament quan la indústria del reciclatge s'està escalant . Per recuperar eficaçment la informació del tipus de càtode de piles retirades, la comunitat científica i industrial ha iniciat recentment un sistema de seguiment de la vida útil de les piles i conceptes emergents com el passaport de piles i el genoma de dades de piles . Tot i que s'han utilitzat piles substancials abans d'aquestes iniciatives, hi ha un consens creixent que la informació de les piles hauria de ser accessible al llarg de la cadena de vida per facilitar la presa de decisions de segona vida . Aquest és notablement el cas del sector del reciclatge de piles, l'última estació de la segona vida de la pila, ja que la ruta de reciclatge pot ser molt específica del càtode. No obstant això, els sistemes de seguiment de la vida útil de les piles o els passaports de piles estan habilitats per aparells electrònics com codis de barres i comunicacions de camp proper, que podrien introduir una inversió intensiva i podrien ser àmpliament incompatibles amb diferents dissenyadors de piles. A més, els aparells electrònics segueixen sent difícils de gestionar constantment durant la seva vida útil, cosa que comporta dispositius desgastats i inaccesibilitat a l'etapa de reciclatge, ja que el procés de fabricació modern de LIB encara no està integrat de producció a reciclatge . Per tant, es necessiten urgentment més avenços per aconseguir una classificació eficient del tipus de càtode de pila utilitzant només informació de camp fàcilment accessible , , en contrast amb les dades històriques registrades o la manera assistida per humans, facilitant l'adopció del reciclatge directe per millorar la qualitat i la rendibilitat dels productes reciclats. 1 10 11 12 13 14 15 16 En els últims anys, l'aprenentatge automàtic ha sorgit com una eina viable per abordar qüestions obertes en tots els camps de les piles. En altres temes relacionats amb les piles, l'aprenentatge automàtic ha permès recentment descobrir automàticament mecanismes complexos de piles , , , predir la vida útil restant , , , , , avaluar l'estat de salut , , , optimitzar el perfil de ciclatge , , aproximar la distribució de fallades , fins i tot per guiar el disseny de la pila , , i predir el rendiment al llarg de la vida immediatament després de la fabricació . En el cas del reciclatge de piles, pocs treballs han investigat l'aprenentatge automàtic pel que fa als materials de càtode , , cosa que es culpa de la escassetat de dades de piles, especialment per a aquelles ciclades fins a la fase final de vida. La gran majoria dels estudis publicats mostren mides de mostra molt limitades i són encara més limitats en la diversitat de càtodes de pila . L'escassetat s'atribueix al cost intensiu, al llarg temps de prova i, el més important, a la privadesa de les dades degut a preocupacions comercials o d'interès. En conseqüència, el problema de la privadesa rigidifica el dilema on les dades de piles existents, tot i que substancials en volum i diversitat de diverses parts com fabricants de piles, aplicacions pràctiques, institucions acadèmiques i plataformes de tercers, no es poden compartir. Aquest dilema requereix l'estudi de la classificació del material de càtode per optimitzar l'elecció de la ruta de reciclatge de piles d'una manera col·laborativa i respectuosa amb la privadesa. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 L'aprenentatge automàtic federat, com a paradigma distribuït i respectuós amb la privadesa, té el potencial de resoldre tant la col·laboració multipartida (equivalentment, el volum i la diversitat de dades de piles) com els problemes de privadesa mitjançant l'aprenentatge automàtic col·laboratiu , , . En cada iteració d'entrenament, els propietaris de dades distribuïts realitzen entrenament local amb la seva potència computacional local, xifren els paràmetres/resultats del model entrenat i els pugen a un coordinador central per a l'agregació. Els fets que els conjunts de dades bruts mai surten dels seus respectius propietaris de dades i que els paràmetres/resultats transferits estan degudament xifrats per protegir la privadesa de les dades. L'aprenentatge automàtic federat s'ha investigat àmpliament en nombrosos camps aplicatius, incloent la salut pública , , diagnòstic clínic , , , comerç electrònic , Internet de les coses , computació mòbil , i xarxa intel·ligent , , . Aquest enfocament pot revolucionar el paradigma de recerca basat en dades en amplis sectors energètics permetent la col·laboració que preserva la privadesa, especialment per a aquells amb accés limitat a dades. Pel que fa al sector del reciclatge de piles, l'aprenentatge automàtic federat assumeix possibilitats prometedores per aprofitar la quantitat gegantina de dades de piles que ja existeixen però que no es poden compartir a causa de preocupacions de privadesa. Amb aquest paradigma col·laboratiu i respectuós amb la privadesa, la classificació de piles retirades es pot implementar amb alta precisió, eficiència, escalabilitat i generalització, optimitzant la qualitat i la rendibilitat dels productes reciclats. Fins on sabem, no s'han reportat mai estudis d'aprenentatge automàtic federat centrats en el reciclatge de piles. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 En aquest estudi, realitzem una classificació del material de càtode de les piles retirades, aprofitant les dades de piles existents de múltiples col·laboradors, com ara fabricants de piles, operadors d'aplicacions pràctiques, institucions de recerca acadèmica i plataformes de tercers, d'una manera d'aprenentatge automàtic col·laboratiu i respectuós amb la privadesa, tal com s'il·lustra a la Fig.  . El nostre model d'aprenentatge automàtic federat es va entrenar utilitzant només un cicle de dades de proves de camp mitjançant un procés d'extracció de característiques estandarditzat, sense cap coneixement previ de les condicions d'operació històriques. Comparem el poder predictiu del nostre model d'aprenentatge automàtic federat amb el dels models locals apresos independentment basats en dades locals en circumstàncies de reciclatge de piles tant homogenis com heterogenis. La qüestió de l'heterogeneïtat es resol amb la nostra estratègia de votació per distància de Wasserstein proposada. Es realitza una avaluació econòmica del reciclatge de piles retirades utilitzant el nostre marc d'aprenentatge automàtic federat proposat, posant de manifest la rellevància i la necessitat d'una classificació precisa de les piles retirades. Discutim àmpliament la interpretabilitat del model, les implicacions del reciclatge de piles i les perspectives més àmplies de la pràctica futura del reciclatge de piles integrada amb l'aprenentatge automàtic federat. 1    Múltiples fonts de dades, com ara fabricants de piles (Imatge cortesia d'Addionics), operadors d'aplicacions pràctiques (paquet de piles al terra d'un Tesla. Imatge cortesia de Tesla), institucions de recerca acadèmica i plataformes de tercers, poden ser contribuïdors de dades. Les dades de les piles no s'intercanvien entre els contribuïdors ni es pugen al reciclador de piles. En canvi, els contribuïdors de dades entrenaen models locals i comparteixen paràmetres del model amb el reciclador de piles per construir un model global. La tècnica proposada de votació per distància de Wasserstein fusiona els models locals en el model global, que és robust a desequilibris i soroll de dades. Els recicladors de piles poden utilitzar el model construït conjuntament per a la classificació de piles, combinat amb les dades de proves de camp fàcilment accessibles.   El nostre marc d'aprenentatge automàtic federat anima els col·laboradors a compartir les dades preservant la privadesa de les dades en oposició al paradigma tradicional d'illes de dades. a b Resultats Recopilació i estandardització de dades La cinètica única de les piles en diferents tipus de piles és sovint d'alta dimensionalitat i difícil de caracteritzar a causa de casos operatius divergents, variabilitat de fabricació i usos històrics . Per trobar una solució a aquest dilema, vam recopilar i estandarditzar 130 piles retirades amb 5 tipus de materials de càtode de 7 fabricants per construir un conjunt de dades fora de distribució, equivalentment heterogeni. Donats diferents usos històrics, les capacitats de les piles recollides són inferiors al 90% de la capacitat nominal. Els materials de càtode de la pila són òxid de liti cobalt (LCO), cobalt de níquel i manganès (NMC), fosfat de ferro i liti (LFP), òxid de níquel cobalt alumini (NCA) i tipus barrejats NMC-LCO, que es classifiquen a més en 9 classes basades en els fabricants (Taula Suplementària  ). Incloem intencionadament piles amb usos històrics divergents, des de proves de laboratori fins a perfils de conducció de vehicles elèctrics, per entrenar un model generalitzat per al reciclador de piles independent dels usos històrics i tipus de piles. 52 1 Per a l'estandardització, totes les dades requerides del reciclador són el cicle actualment sondat (prova de camp) amb una prova de càrrega i descàrrega, que és fàcil d'implementar en casos pràctics. Les dades sondades es pre-filtres netejant valors perduts, reemplaçant valors atípics i realitzant filtratge medà. Els sorolls induïts per humans i induïts per l'heterogeneïtat del càtode es conserven deliberadament, però, per fer que el model sigui robust a entrades imperfectes. Les dades s'interpolen linealment per a l'ompliment de corbes (Figura Suplementària  ) i s'extreuen característiques per a la reducció de dimensionalitat, amb un conjunt compartit de paràmetres d'estandardització (Nota Suplementària  ). Les característiques extretes del canal d'estandardització són ben interpretable, una preocupació d'interès comercial significatiu. Fins on sabem, és la primera vegada que es fan servir dades de piles heterogènies de múltiples fonts i usos històrics per ajudar en el disseny de la estratègia de reciclatge de piles. 1 1 La Figura  a, b demostren el procés d'extracció de característiques. Ens centrem en la corba de càrrega i descàrrega de les piles retirades en l'últim cicle, és a dir, un cicle de càrrega i una descàrrega (Figures Suplementàries  – ). En el cicle de càrrega, s'extreuen 15 característiques de les corbes de voltatge-capacitat i dQ/dV, on V i Q es refereixen als valors de voltatge i capacitat, respectivament. El mateix conjunt de característiques s'extreu per al cicle de descàrrega. Com a resultat, s'extreuen 30 característiques en total, tal com s'indica de F1 a F30. Consulteu la Taula Suplementària  i la Nota Suplementària  per a una explicació detallada de les característiques. La Figura  c mostra els valors de característiques absoluts i relatius de les piles seleccionades de cada classe. La majoria dels valors de característiques relatius en diferents classes es superposen a la regió de -1 a 0 (amb el color verd clar) i són indistinguibles, il·lustrant la dificultat de classificar el tipus de pila utilitzant un cicle de dades de pila. La dificultat és esperada perquè les condicions d'operació històriques divergents poden influir en la cinètica de càrrega-descàrrega de les piles, de manera que les característiques extretes poden estar àmpliament correlacionades malgrat els diferents tipus de piles (Figura Suplementària  ). En lloc d'interpretar directament les característiques extretes amb coneixement expert, emprem un enfocament alternatiu basat en dades que aprofita automàticament els patrons latents entre diversos tipus de piles. 2 2 5 2 2 2 6    Per al procés de càrrega, s'extreuen 15 característiques de la corba de voltatge-capacitat (esquerra) i dQ/dV (dreta).   El mateix conjunt de característiques és per al procés de descàrrega com F16 a F30.   Les característiques es visualitzen per classes, seguint el format CxBn, que indica la n-èsima pila de la classe x. La mida d'un cercle representa el valor absolut de la característica. Les dades d'origen es proporcionen com a fitxer de dades d'origen. a b c Classificació de piles retirades amb accés homogeni a les dades Primer considerem un entorn on les dades de les piles estan distribuïdes homogeniament entre els col·laboradors (és a dir, els clients). L'homogeneïtat significa que cada client ofereix compartir les dades de les piles a través de les 9 classes, encara que el nombre específic de piles no estigui restringit (Taula Suplementària  ). Entrenem el nostre model d'aprenentatge automàtic federat sense requerir informació sobre l'ús històric de les piles retirades. En el nostre treball, el reciclador i els clients només necessiten provar les piles retirades en el cicle actual (de prova de camp), específicament, amb un cicle complet de càrrega-descàrrega per a un procés d'extracció de característiques estàndard iniciat pel reciclador. Els models locals s'entrenen basant-se en les característiques extretes de les seves dades privades de piles. El marc d'aprenentatge automàtic federat agrega els paràmetres del model local, en lloc de les dades privades de piles, perquè el reciclador classifiqui les piles retirades. 3 La Figura  mostra els resultats de classificació quan els clients contribueixen amb dades de piles homogènies. La Figura  a compara dos mètodes d'aprenentatge automàtic federat, és a dir, el vot majoritari (MV) i el nostre vot per distància de Wasserstein proposat (WDV), amb el paradigma d'aprenentatge independent (IL). Cal assenyalar que la precisió per a l'IL es calcula de mitjana sobre tots els clients d'una manera no federada. En comparació amb l 3 3

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

Aquest àudio és produït a l'idioma original de la història!

Aquesta IA segura per a la privadesa podria convertir els residus de bateries en grans beneficis

About Author

COMENTARIS

Etiquetes penjant

AQUEST ARTICLE VA SER PRESENTAT A

Related Stories

Startups of The Year: Meet the Education Industry

Meet Catchpoint: HackerNoon Company of the Week

How AWS, Bosch & Brave Reach 4M+ Tech Pros on HackerNoon

Generar líders de qualitat ASAP: HackerNoon's Content-Relevant Niche Ads FTW

Startups of The Year: Meet the Education Industry

Meet Catchpoint: HackerNoon Company of the Week

How AWS, Bosch & Brave Reach 4M+ Tech Pros on HackerNoon

Generar líders de qualitat ASAP: HackerNoon's Content-Relevant Niche Ads FTW

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps