
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autoři: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Abstrakt Netříděné vyřazené baterie s různými katodovými materiály brání přímému recyklování kvůli jejich specifické povaze. Nárůst počtu vyřazených baterií vyžaduje přesné třídění pro efektivní přímé recyklování, ale vznikají problémy v důsledku různých provozních historií, rozmanitých výrobců a obav o ochranu osobních údajů spolupracujících recyklačních partnerů (vlastníků dat). Zde ukazujeme, že z jedinečného souboru dat 130 lithium-iontových baterií pokrývajících 5 katodových materiálů a 7 výrobců může federativní přístup k strojovému učení klasifikovat tyto vyřazené baterie bez spoléhání na minulé provozní údaje, čímž je zajištěna ochrana osobních údajů spolupracujících recyklačních partnerů. Využitím příznaků extrahovaných z cyklu nabíjení-vybíjení na konci životnosti vykazuje náš model 1% a 3% chybovost při třídění katod v homogenních a heterogenních prostředích recyklace baterií v daném pořadí, což je přičítáno naší inovativní strategii hlasování pomocí Wassersteinovy vzdálenosti. Z ekonomického hlediska navrhovaná metoda podtrhuje hodnotu přesného třídění baterií pro prosperující a udržitelný recyklační průmysl. Tato studie zahajuje nový paradigma využívání citlivých dat z různých zdrojů, čímž usnadňuje kolaborativní a respektující rozhodování pro distribuované systémy. Úvod Lithium-iontové baterie (LIB) sloužící jako zařízení pro ukládání energie jsou široce využívány v různých oblastech, od průmyslové výroby až po každodenní život jako přijatá technická cesta. Projekce naznačují, že celosvětový objem výroby LIB do roku 2030 přesáhne 1,3 TWh , kdy rostoucí poptávka po bateriích daleko předčí dostupnost klíčových kovových zdrojů, jako je lithium a kobalt , . Nicméně současná průměrná životnost produktů LIB činí 5–8 let, což vede k nevyhnutelnému nárůstu počtu vyřazených baterií v mnoha zemích. Pokud nebudou řádně spravovány, vyřazené baterie povedou k neudržitelnému plýtvání zdroji a poškození životního prostředí. Vzhledem k těmto okolnostem nabývá vývoj technologie recyklace baterií zásadního významu, protože čelíme nadcházející vlně vyřazování LIB . 1 2 3 4 Nedávné pokroky ve výzkumu recyklace baterií se zaměřily na pyrometalurgické, hydrometalurgické a přímé recyklační přístupy . Na rozdíl od pyrometalurgických a hydrometalurgických metod se přímé recyklování odlišuje jako samostatný přístup. Tento proces nezpůsobuje sekundární poškození struktury materiálu, což umožňuje efektivnější opravu struktury a obnovení výkonu. Kromě toho má přímé recyklování vyšší ziskovost, protože zahrnuje nižší spotřebu energie, snížené emise skleníkových plynů a menší dopad na životní prostředí , . V praxi se však recyklovací baterií často setkávají LIB obsahující neznámé komponenty nebo bateriové moduly, které se skládají ze směsi různých typů katodových materiálů. Vzhledem k tomu, že přímé recyklování může být silně specifické pro katodu, taková složitost znemožňuje aplikaci přímého recyklování pro dosažení přeměny hodnoty vyřazených baterií . Je důležité zdůraznit, že i když lze klíčové kovy ze směsných typů katodových materiálů získat konvenčními recyklačními strategiemi, vzájemné působení různých katodových materiálů během procesu recyklace může negativně ovlivnit kvalitu produktu . Proto pochopení informací o typu katodového materiálu na straně recyklace výrazně ovlivňuje volbu trasy přímého recyklování a nakonec zlepšuje kvalitu produktu, ziskovost a udržitelnost. 5 6 7 8 9 Bylo navrženo přímé recyklování s lidskou asistencí pro identifikaci informací o typu katodového materiálu vyřazených baterií v předúpravném článku, což stále není finančně životaschopné, když se recyklační průmysl škáluje . Aby bylo možné efektivně získat informace o typu katody vyřazených baterií, vědecká a průmyslová komunita nedávno iniciovala systém sledování životnosti baterií  a vznikající koncepty jako pas baterie  a genom dat baterie . Ačkoli byly před těmito iniciativami použity značné baterie, panuje rostoucí shoda, že informace o bateriích by měly být přístupné po celém životním řetězci, aby bylo možné usnadnit rozhodování o druhé životnosti . To platí zejména pro sektor recyklace baterií, poslední stanici druhé životnosti baterie, protože recyklační trasa může být silně specifická pro katodu. Nicméně systémy sledování životnosti baterií nebo pasy baterií jsou umožněny elektronickými zařízeními, jako jsou čárové kódy a technologie NFC, které by mohly zavést intenzivní investice a mohly by být široce nekompatibilní s různými návrhy baterií. Navíc elektronická zařízení zůstávají náročná na konzistentní správu po celou dobu jejich životnosti, což vede k opotřebovaným zařízením a nedostupnosti ve fázi recyklace, jelikož moderní výrobní proces LIB stále není integrovaný od výroby k recyklaci . Proto jsou naléhavě zapotřebí další průlomy k dosažení efektivního třídění typů katod baterií pouze pomocí snadno dostupných informací z terénu , , na rozdíl od historických zaznamenaných dat nebo ručně asistovaného způsobu, což usnadňuje přijetí přímého recyklování ke zlepšení kvality a ziskovosti recyklovaných produktů. 1 10 11 12 13 14 15 16 V posledních několika letech se strojové učení ukázalo jako životaschopný nástroj pro řešení otevřených otázek ve všech oblastech baterií. V jiných tématech souvisejících s bateriemi strojové učení nedávno umožnilo automaticky objevovat složité mechanismy baterií , , , předpovídat zbývající užitečnou životnost , , , , , hodnotit stav zdraví , , , optimalizovat cyklický profil , , aproximovat distribuci selhání , dokonce i řídit návrh baterie ,  a předpovídat celoživotní výkon ihned po výrobě . V případě recyklace baterií bylo zkoumáno strojové učení týkající se katodových materiálů jen zřídka , , což je způsobeno nedostatkem dat o bateriích, zejména těch, které byly cyklovány do fáze konce životnosti. Velká většina publikovaných studií ukazuje velmi omezené velikosti vzorků  a ještě více omezenou rozmanitost katod baterií . Nedostatek je přičítán intenzivním nákladům, dlouhé době testování  a především ochraně soukromí dat z důvodu komerčních nebo zájmových důvodů. V důsledku toho problém soukromí ztvrzuje dilema, kde stávající data o bateriích, ačkoli jsou značná objemem a rozmanitostí od více stran, jako jsou výrobci baterií, praktické aplikace, akademické instituce a platformy třetích stran, nelze sdílet. Takové dilema vyžaduje studium třídění typů katod pro optimalizaci volby trasy recyklace baterií kolaborativním a zároveň respektujícím soukromí způsobem. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Federativní strojové učení jako distribuovaný a soukromí respektující paradigma má potenciál vyřešit jak spolupráci více stran (ekvivalentně objem a rozmanitost dat o bateriích), tak problémy soukromí prostřednictvím kolaborativního strojového učení , , . V každé tréninkové iteraci provádějí distribuovaní vlastníci dat lokální trénink s jejich lokálním výpočetním výkonem, šifrují natrénované parametry/výsledky modelu a nahrávají je centrálnímu koordinátorovi k agregaci. Skutečnost, že surové datové sady nikdy neopustí své příslušné vlastníky dat a že přenášené parametry/výsledky jsou řádně šifrovány k ochraně soukromí dat. Federativní strojové učení bylo rozsáhle prozkoumáno v mnoha aplikačních oblastech, včetně veřejného zdraví , , klinické diagnostiky , , , elektronického obchodu , internetu věcí , mobilních výpočtů  a chytré sítě , , . Tento přístup může přinést revoluci do datově řízeného výzkumného paradigmatu v širokých energetických sektorech tím, že umožní kolaboraci s ochranou soukromí, zejména pro ty s omezeným přístupem k datům. Pokud jde o sektor recyklace baterií, federativní strojové učení představuje slibné možnosti pro využití obrovského množství stávajících dat o bateriích, která však nelze sdílet z důvodu obav o soukromí. S takovým kolaborativním a zároveň soukromí respektujícím paradigmatem lze třídění vyřazených baterií realizovat s vysokou přesností, efektivitou, škálovatelností a generalizací, což optimalizuje kvalitu a ziskovost recyklovaných produktů. Pokud je nám známo, studie federativního strojového učení zaměřené na recyklaci baterií dosud nebyly hlášeny. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 V této studii provádíme třídění katodového materiálu vyřazených baterií s využitím stávajících dat o bateriích od více spolupracujících stran, jako jsou výrobci baterií, provozovatelé praktických aplikací, akademické výzkumné instituce a platformy třetích stran, kolaborativním a zároveň soukromí respektujícím způsobem strojového učení, jak je znázorněno na obr. 1. Náš model federativního strojového učení byl natrénován pouze s jedním cyklem dat z terénního testování prostřednictvím standardizovaného procesu extrakce příznaků, bez jakýchkoli předchozích znalostí o historických provozních podmínkách. Porovnáváme prediktivní sílu našeho modelu federativního strojového učení s prediktivní silou nezávisle naučených lokálních modelů založených na lokálních datech v homogenních i heterogenních okolnostech recyklace baterií. Problém heterogenity je řešen naší navrhovanou strategií hlasování pomocí Wassersteinovy vzdálenosti. Je provedeno ekonomické hodnocení recyklace vyřazených baterií pomocí navrhovaného rámce federativního strojového učení, který zdůrazňuje relevanci a nutnost přesného třídění vyřazených baterií. Komplexně diskutujeme interpretovatelnost modelu, důsledky recyklace baterií a širší vyhlídky budoucí praxe recyklace baterií integrované s federativním strojovým učením.    Více zdrojů dat, jako jsou výrobci baterií (s laskavým svolením Addionics), provozovatelé praktických aplikací (bateriový paket v podlaze Tesly. S laskavým svolením Tesla), akademické výzkumné instituce a platformy třetích stran, mohou být přispěvateli dat. Data o bateriích se mezi přispěvateli nevyměňují ani nenahrávají recyklátoru baterií. Místo toho přispěvatelé dat trénují lokální modely a sdílejí parametry modelu s recyklátorem baterií, aby vytvořili globální model. Navrhovaná technika hlasování pomocí Wassersteinovy vzdálenosti fúzuje lokální modely do globálního modelu, který je odolný vůči nevyváženosti dat a šumu. Recyklátory baterií mohou společně vytvořený model použít pro třídění baterií v kombinaci s snadno dostupnými daty z terénního testování.   Náš rámec federativního strojového učení podporuje spolupráci při sdílení dat při zachování soukromí dat na rozdíl od tradičního paradigmatu izolace dat. a b Výsledky Sběr a standardizace dat Jedinečná kinetika baterií v různých typech baterií je často vysokorozměrná a obtížně charakterizovatelná kvůli rozdílným provozním případům, výrobní variabilitě a historickému využití . Abychom našli řešení tohoto dilematu, shromáždili jsme a standardizovali 130 vyřazených baterií s 5 typy katodových materiálů od 7 výrobců, abychom vytvořili out-of-distribution, ekvivalentně heterogenní datovou sadu. Vzhledem k rozdílnému historickému využití jsou kapacity sebraných baterií pod 90 % nominální kapacity. Katodové materiály baterií jsou oxid lithno-kobaltový (LCO), nikl-mangan-kobalt (NMC), lithium-železo-fosfát (LFP), oxid nikl-kobalt-hliníkový (NCA) a směsi NMC-LCO, které jsou dále seskupeny do 9 tříd na základě výrobců (Doplňková tabulka 1). 52 Úmyslně zahrnujeme baterie s různým historickým využitím, od laboratorního testování po profily jízdy elektrických vozidel, abychom natrénovali generalizovaný model pro recyklátora baterií nezávislý na historickém využití a typech baterií. Pro účely standardizace jsou všechna data požadovaná od recyklátora aktuálně zkoumaný (terénní testovací) cyklus s jedním testem nabíjení a vybíjení, který lze snadno implementovat v praktických případech. Zkoumaná data jsou nejprve odšumována doplněním chybějících hodnot, nahrazením odlehlých hodnot a filtrací mediánem. Šum způsobený člověkem a šum způsobený heterogenitou katod jsou však záměrně ponechány, aby byl model odolný vůči nedokonalým vstupům. Data jsou poté lineárně interpolována pro vyplnění křivek (Doplňkový obr. 1) a vygenerována jsou příznaky pro redukci dimenzionality, se sdílenou sadou standardizačních parametrů (Doplňková poznámka 1). Příznaky extrahované ze standardizačního pipeline jsou dobře interpretovatelné, což je zájem značného komerčního zájmu. Pokud je nám známo, je to poprvé, co jsou heterogenní data baterií z více zdrojů a historického využití použity k podpoře návrhu strategie recyklace baterií. Obrázek 2a, b demonstruje proces generování příznaků. Zaměřujeme se na křivku nabíjení a vybíjení vyřazených baterií v posledním cyklu, tj. jeden cyklus nabíjení a jeden cyklus vybíjení (Doplňkové obrázky 2–5). Během cyklu nabíjení je z křivek napětí-kapacita a dQ/dV extrahováno 15 příznaků, kde V a Q odkazují na hodnoty napětí a kapacity. Stejná sada příznaků je extrahována pro cyklus vybíjení. Výsledkem je celkem 30 extrahovaných příznaků, jak je označeno od F1 do F30. Podrobný popis příznaků naleznete v Doplňkové tabulce 2 a Doplňkové poznámce 2. Obrázek 2c zobrazuje absolutní a relativní hodnoty příznaků vybraných baterií z každé třídy. Většina relativních hodnot příznaků v různých třídách se překrývá v oblasti −1 až 0 (se světle zelenou barvou) a je nerozlišitelná, což ilustruje obtížnost klasifikace typu baterie pomocí jednoho cyklu dat baterie. Obtížnost je očekávaná, protože rozdílné historické provozní podmínky mohou ovlivnit kinetiku nabíjení-vybíjení baterií tak, že extrahované příznaky mohou být do značné míry korelované navzdory různým typům baterií (Doplňkový obr. 6). Místo přímé interpretace extrahovaných příznaků pomocí odborných znalostí používáme alternativní datově řízený přístup, který automaticky využívá skryté vzory napříč různými typy baterií.    Pro proces nabíjení je z křivky napětí-kapacita (vlevo) a křivky dQ/dV (vpravo) extrahováno 15 příznaků.   Stejná sada příznaků je pro proces vybíjení jako F16 až F30.   Příznaky jsou vizualizovány podle tříd, v formátu CxBn, označujícího n-tou baterii z třídy x. Velikost kruhu odpovídá absolutní hodnotě příznaku. Zdrojová data jsou poskytována jako soubor Source Data. a b c Třídění vyřazených baterií s homogenním přístupem k datům Nejprve zvažujeme nastavení, kde jsou data o bateriích homogenně distribuována mezi spolupracující strany (klienty). Homogenita znamená, že každý klient nabízí sdílení dat o bateriích napříč všemi 9 třídami, i když počet baterií není omezen (Doplňková tabulka 3). Trénujeme náš model federativního strojového učení bez požadavku na informace o historickém využití vyřazených baterií. V naší práci stačí recyklátor a klienti pouze testovat vyřazené baterie v aktuálním (terénním testovacím) cyklu, konkrétně s kompletním cyklem nabíjení-vybíjení pro standardní proces generování příznaků iniciovaný recyklátorem. Lokální modely jsou trénovány na základě příznaků extrahovaných z jejich soukromých dat baterií. Rámec federativního strojového učení agreguje lokální parametry modelu, nikoli soukromá data baterií, pro klasifikaci vyřazených baterií recyklátorem. Obrázek 3 ukazuje výsledky třídění, když klienti přispívají homogenními daty baterií. Obrázek 3a porovnává dvě metody federativního strojového učení, tj. většinové hlasování (MV) a námi navrhované hlasování pomocí Wassersteinovy vzdálenosti (WDV), s paradigmatem nezávislého učení (IL). Mělo by být poznamenáno, že přesnost pro IL je průměrována přes všechny klienty nefederativním způsobem. Ve srovnání s IL nepřináší MV žádné snížení výkonu při třídění, s průměrnou přesností 95 %, přičemž je schopen chránit soukromí dat a zmírňovat výpočetní zátěž. Nicméně 3 třídy jsou pomocí MV nesprávně tříděny. Například 3 baterie v NMC (SNL, třída 8, celkem 15) jsou nesprávně zařazeny do NCA (SNL, třída 7), což má za následek přesnost třídění 80 %. Přesnost třídění pro NCA (UL-PUR, třída 9) je 81 %, přičemž 2 baterie jsou nesprávně zařazeny do NMC (MICH_Form, třída 4) a 1 baterie je nesprávně zařazena do směsi NMC/LCO (HNEI, třída 2). Naopak WDV překonává MV, protože nesprávně zařadila pouze jednu baterii, což má za následek přesnost třídění 99 %. Dále hodnotíme predikční pravděpodobnost každé třídy pro MV a WDV. Ukazuje se, že WDV provádí jistější třídění než MV, protože predikční pravděpodobnosti WDV jsou obecně pravostranně sešikmené k vyšší hodnotě pravděpodobnosti. Proto náš navrhovaný WDV produkuje vyšší přesnosti třídění ve všech třídách a třídění má bohatší intervaly spolehlivosti pravděpodobnosti.    Matice záměn pro metody většinového hlasování (MV) a hlasování pomocí Wassersteinovy vzdálenosti (WDV). Zvažujeme distribuci predikční pravděpodobnosti pro každou třídu. Třídění nezávislého učení (IL) je anotováno.   Distribuce přesnosti třídění a rozpočet na ochranu soukromí (PB) IL, MV a WDV v přítomnosti náhodného šumu. Hodnota PB je referencována na úrovni přesnosti 90 %.   Průměrné skóre F1 výsledků třídění a PB v každé třídě pomocí IL, MV a WDV. Hodnoty PB jsou všechny referencovány na úrovni skóre F1 0,9. Data a b c

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

Tento zvuk je produkován v původním jazyce příběhu!

Tato AI bezpečná pro soukromí by mohla proměnit odpad z baterií ve velký zisk

About Author

KOMENTÁŘE

ZAVĚŠIT ZNAČKY

TENTO ČLÁNEK BYL PŘEDSTAVEN V

Related Stories

Coinshift Launches csUSDL, Announces Strategic Partnerships

Coinshift Launches csUSDL, Announces Strategic Partnerships

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps