
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 specifičnosti ke katodě. Nárůst vyřazených baterií vyžaduje přesné třídění pro efektivní přímé recyklování, ale objevují se problémy kvůli různým provozním historiím, různým výrobcům a obavám o soukromí dat recyklačních partnerů (vlastníků dat). Zde ukazujeme, že z unikátní datové sady 130 lithium-iontových baterií pokrývajících 5 katodových materiálů a 7 výrobců může federativní přístup strojového učení klasifikovat tyto vyřazené baterie bez spoléhání na minulé provozní údaje, čímž chrání soukromí dat recyklačních partnerů. Využitím rysů extrahovaných z cyklu nabíjení-vybíjení na konci životnosti vykazuje náš model chyby třídění katod o 1 % a 3 % v homogenních a heterogenních prostředích recyklace baterií, resp., což je přičítáno naší inovativní strategii hlasování pomocí Wassersteinovy vzdálenosti. Ekonomicky navrhovaná metoda podtrhuje hodnotu přesného třídění baterií pro prosperující a udržitelný recyklační průmysl. Tato studie zahajuje nový paradigmatu používání dat citlivých na soukromí z různých zdrojů, usnadňující kolaborativní a na soukromí respektující rozhodování pro distribuované systémy. Úvod Lithium-iontové baterie (LIB), sloužící jako zařízení pro ukládání energie, získaly široké využití v různých oblastech, od průmyslové výroby až po každodenní život jako přijatá technická cesta. Projekce naznačují, že globální produkční měřítko LIB překročí 1,3 TWh do roku 2030 , kdy eskalující poptávka po bateriích daleko převýší dostupnost klíčových kovových zdrojů, jako je lithium a kobalt , . Nicméně, současná průměrná životnost produktů LIB činí 5–8 let, což vede k bezprostřednímu nárůstu vyřazených baterií v mnoha zemích. Pokud nebudou řádně spravovány, vyřazené baterie povedou k neudržitelnému plýtvání zdroji a poškození životního prostředí. Vzhledem k těmto okolnostem má vývoj technologie recyklace baterií zásadní význam, protože čelíme hrozící 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 liší jako odlišný přístup. Tento proces nezpůsobuje sekundární poškození struktury materiálu, což umožňuje efektivnější opravu struktury a obnovení výkonu. Navíc přímé recyklování vykazuje vyšší ziskovost, protože zahrnuje nižší spotřebu energie, snížené emise skleníkových plynů a menší dopady na životní prostředí , . V reálné výrobě se však recyklovači baterií často setkávají s LIB obsahujícími neznámé komponenty nebo bateriovými 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 použití přímého recyklování pro dosažení hodnotové konverze vyřazených baterií . Je důležité zdůraznit, že i když lze klíčové kovy ze směsných typů katodových materiálů získat konvenčními recyklačními strategiemi, vzájemné působení mezi různými katodovými materiály během recyklačního procesu může nepříznivě ovlivnit kvalitu produktu . Proto porozumění informacím 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 Lidmi asistované přímé recyklování bylo navrženo k identifikaci informací o typu katodového materiálu vyřazených baterií v předúpravné fázi, což stále není finančně životaschopné, když se recyklační průmysl rozšiřuje . K efektivnímu získání informací o typu katody vyřazených baterií vědecká a průmyslová komunita nedávno zahájila systém sledování životnosti baterií  a vznikající koncepty jako pas baterie  a genová databáze baterií . Ačkoli byly před těmito iniciativami použity značné baterie, panuje rostoucí shoda, že informace o bateriích by měly být přístupné po celém životním řetězci, aby se usnadnilo rozhodování o druhotném použití . To platí zejména pro sektor recyklace baterií, poslední stanici druhotného života baterie, jelikož 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 představovat 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 potřeba další průlomy k dosažení efektivního třídění typů katod baterií pouze pomocí snadno dostupných polních informací , , na rozdíl od historicky zaznamenaných dat nebo manuálního způsobu, usnadňující přijetí přímého recyklování pro zlepšení kvality a ziskovosti recyklovaných produktů. 1 10 11 12 13 14 15 16 V posledních několika letech se strojové učení stalo životaschopným nástrojem 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 cyklovací profil , , aproximovat rozdělení selhání , dokonce řídit návrh baterie , a předpovídat celoživotní výkon ihned po výrobě . V případě recyklace baterií jen málo prací zkoumalo strojové učení týkající se katodových materiálů , , což je způsobeno nedostatkem dat o bateriích, zejména pro ty, které byly cyklovány do fáze konce životnosti. Velká většina publikovaných studií vykazuje velmi omezené velikosti vzorků a jsou ještě omezenější v rozmanitosti katod baterií . Nedostatek je přičítán intenzivním nákladům, dlouhé době testování a především soukromí dat z důvodu komerčních zájmů nebo zájmů zisků. V důsledku toho problém soukromí ztěžuje dilema, kde existující data o bateriích, ačkoli jsou značná v objemu a rozmanitosti od více stran, jako jsou výrobci baterií, praktické aplikace, akademické instituce a platformy třetích stran, nemohou být sdílena. Takové dilema vyžaduje studium třídění typů katod k optimalizaci volby recyklační trasy baterií kolaborativním způsobem, který zároveň respektuje soukromí. 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 distribuované a na soukromí respektující paradigma, má potenciál vyřešit jak multi-strannou spolupráci (ekvivalentně, objem a rozmanitost dat o bateriích), tak problémy soukromí prostřednictvím kolaborativního strojového učení , , . V každé tréninkové iteraci vlastníci distribuovaných dat provádějí lokální trénink pomocí své lokální výpočetní síly, šifrují natrénované parametry/výsledky modelu a nahrávají je centrálnímu koordinátorovi k agregaci. Skutečnost, že surové datové sady nikdy neopustí své příslušné vlastníky dat a přenášené parametry/výsledky jsou řádně šifrovány k ochraně soukromí dat. Federativní strojové učení bylo rozsáhle zkoumáno v mnoha aplikačních oblastech, včetně veřejného zdraví , , klinické diagnostiky , , , e-commerce , Internetu věcí , mobilního počítání a chytré sítě , , . Tento přístup může revolučně změnit paradigma datově řízeného výzkumu v širokých energetických sektorech tím, že umožní spolupráci chránící 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 dat o bateriích, které již existují, ale nemohou být sdílena kvůli obavám o soukromí. S takovým kolaborativním, na soukromí respektujícím paradigmatem může být třídění vyřazených baterií implementováno s vysokou přesností, efektivitou, škálovatelností a generalizací, optimalizující kvalitu a ziskovost recyklovaných produktů. Pokud je nám známo, studie federativního strojového učení zaměřené na recyklaci baterií nebyly dosud hlášeny. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 V této studii provádíme třídění typů katod vyřazených baterií, využíváme existující data o bateriích od více partnerů, jako jsou výrobci baterií, provozovatelé praktických aplikací, akademické výzkumné instituce a platformy třetích stran, kolaborativním způsobem strojového učení, který respektuje soukromí, jak je znázorněno na obr.   . Náš federativní model strojového učení byl trénován pomocí pouze jednoho cyklu dat z terénního testování prostřednictvím standardizovaného procesu extrakce rysů, bez jakýchkoli předchozích znalostí o historických provozních podmínkách. Porovnáváme prediktivní sílu našeho federativního modelu 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 našeho navrhovaného federativního rámce strojového učení, zdůrazňující relevanci a nezbytnost přesného třídění vyřazených baterií. Komplexně diskutujeme interpretovatelnost modelu, důsledky recyklace baterií a širší vyhlídky budoucí praxe recyklace baterií integrované s federativním strojovým učením. 1    Více zdrojů dat, jako jsou výrobci baterií (obrázek s laskavým svolením Addionics), provozovatelé praktických aplikací (bateriový paket v podlaze Tesly. Obrázek s laskavým svolením Tesly), akademické výzkumné instituce a platformy třetích stran, mohou být přispěvateli dat. Data o bateriích se ani nevyměňují mezi přispěvateli, ani nenahrávají recyklovači baterií. Místo toho přispěvatelé dat trénují lokální modely a sdílejí parametry modelu s recyklovačem baterií, aby vytvořili globální model. Navrhovaná technika hlasování pomocí Wassersteinovy vzdálenosti slučuje lokální modely do globálního modelu, který je odolný vůči nevyváženosti dat a šumu. Recyklovači baterií mohou používat společně vytvořený model pro třídění baterií v kombinaci s snadno dostupnými daty z terénního testování.   Náš federativní rámec 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 vícerozměrná a obtížně charakterizovatelná kvůli rozdílným provozním případům, výrobním variabilitám a historickému využití . K nalezení řešení tohoto dilematu jsme shromáždili a standardizovali 130 vyřazených baterií s 5 typy katodových materiálů od 7 výrobců, abychom vytvořili odhadovanou, ekvivalentně heterogenní datovou sadu. Vzhledem k různým historickým využitím jsou kapacity shromážděných baterií pod 90 % nominální kapacity. Katodové materiály baterií jsou lithium-kobaltový oxid (LCO), nikl-mangan-kobalt (NMC), lithium-železo-fosfát (LFP), nikl-kobalt-hliníkový oxid (NCA) a směsi NMC-LCO, které jsou dále rozděleny do 9 tříd podle výrobců (doplňková tabulka  ). Záměrně zahrnujeme baterie s odlišným historickým využitím, od laboratorního testování po jízdní profily elektrických vozidel, abychom natrénovali generalizovaný model pro recyklátora baterií nezávislý na historickém využití a typech baterií. 52 1 Pro standardizaci jsou všechna data vyžadovaná od recyklátora aktuálně měřený (terénní testovací) cyklus s jedním testem nabíjení a vybíjení, což je snadno implementovatelné v praktických případech. Naměřená data jsou nejprve odšuměna vyplněním chybějících hodnot, nahrazením odlehlých hodnot a filtrací mediánem. Lidsky indukované a šumem způsobeným heterogenitou katody jsou však záměrně zachovány, aby byl model odolný vůči nedokonalým vstupům. Data jsou následně lineárně interpolována pro vyplnění křivky (doplňkový obrázek  ) a inženýrsky zpracována pro redukci dimenzionality, se sdílenou sadou standardizačních parametrů (doplňková poznámka  ). Rysy extrahované ze standardizačního potrubí jsou dobře interpretovatelné, což je zájem s významným komerčním zájmem. Pokud je nám známo, je to poprvé, kdy jsou heterogenní data baterií z více zdrojů a historického využití použita k asistenci při návrhu strategie recyklace baterií. 1 1 Obrázky  a,    demonstrují proces inženýrství rysů. Zaměřujeme se na křivku nabíjení a vybíjení vyřazených baterií v posledním cyklu, tj. jeden cyklus nabíjení a jeden cyklus vybíjení (doplňkové obrázky  – ). V nabíjecím cyklu je extrahováno 15 rysů z křivek napětí-kapacita a dQ/dV, kde V a Q odkazují na hodnoty napětí a kapacity. Stejná sada rysů je extrahována pro vybíjecí cyklus. V důsledku toho je celkem extrahováno 30 rysů, jak je uvedeno z F1 do F30. Podrobný popis rysů naleznete v doplňkové tabulce   a doplňkové poznámce  . Obrázek  c ukazuje absolutní a relativní hodnoty rysů vybraných baterií z každé třídy. Většina relativních hodnot rysů v různých třídách se překrývá v oblasti −1 až 0 (se světle zelenou barvou) a jsou nerozlišitelné, 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 rysy mohou být do značné míry korelované navzdory různým typům baterií (doplňkový obrázek  ). Spíše než přímé interpretování extrahovaných rysů pomocí odborných znalostí, používáme alternativní datově řízený přístup, který automaticky využívá latentní vzorce napříč různými typy baterií. 2 b 2 5 2 2 2 6    Pro proces nabíjení je 15 rysů extrahováno z křivky napětí-kapacita (vlevo) a křivky dQ/dV (vpravo).   Stejná sada rysů je pro proces vybíjení jako F16 až F30.   Rysy jsou vizualizovány podle tříd, v pořadí CxBn, označující n-tou baterii z třídy x. Velikost kruhu mapuje absolutní hodnotu rysu. Zdrojová data jsou poskytována jako soubor zdrojových dat. a b c Třídění vyřazených baterií s homogenním přístupem k datům Nejprve zvažujeme scénář, kdy jsou data baterií homogenně distribuována mezi partnery (klienty). Homogenita znamená, že každý klient nabízí sdílení dat baterií napříč všemi 9 třídami, ačkoli konkrétní počet baterií není omezen (doplňková tabulka  ). Trénujeme náš federativní model strojového učení bez požadavku na informace o historickém využití vyřazených baterií. V naší práci recyklátor a klienti pouze potřebují testovat vyřazené baterie v aktuálním (terénním testovacím) cyklu, konkrétně s kompletním cyklem nabíjení-vybíjení pro standardní proces inženýrství rysů iniciovaný recyklátorem. Lokální modely jsou trénovány na základě rysů extrahovaných z jejich soukromých dat baterií. Federativní rámec strojového učení agreguje parametry lokálních modelů, nikoli soukromá data baterií, pro klasifikaci vyřazených baterií recyklátorem. 3 Obrázek   ukazuje výsledky třídění, když klienti přispívají homogenními daty baterií. Obrázek  a porovnává dvě metody federativního strojového učení, tj. většinové hlasování (MV) a naši navrhovanou Wassersteinovu vzdálenost hlasování (WDV), s paradigmatem nezávislého učení (IL). Je třeba poznamenat, že přesnost pro IL je průměrována napříč všemi klienty nefederativním způsobem. Ve srovnání s IL, MV neobětuje výkon třídění, s průměrnou přesností 95 %, přičemž je schopen chránit soukromí dat a zmírňovat výpočetní zátěž. Nicméně 3 třídy jsou pomocí MV špatně zařazeny. Například 3 baterie v NMC (SNL, třída 8, celkem 15) jsou špatně zařazeny do NCA (SNL, třída 7), což vede k přesnosti třídění 80 %. Přesnost třídění pro NCA (UL-PUR, třída 9) je 3 3

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 přeměnit odpad z baterií na 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