
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Forfattere: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Usorterede udtjente batterier med varierende katodematerialer hæmmer anvendelsen af direkte genbrug på grund af deres katodespecifikke natur. Den stigende mængde af udtjente batterier nødvendiggør præcis sortering for effektiv direkte genbrug, men udfordringer opstår fra varierende operationelle historier, forskellige producenter og bekymringer om databeskyttelse hos genbrugssamarbejdspartnere (dataejere). Her viser vi, ud fra et unikt datasæt af 130 lithium-ion-batterier, der spænder over 5 katodematerialer og 7 producenter, at en fødereret maskinlæringsmetode kan klassificere disse udtjente batterier uden at være afhængig af tidligere operationelle data, hvilket beskytter databeskyttelsen hos genbrugssamarbejdspartnere. Ved at udnytte de funktioner, der er udvundet fra den afsluttende ladnings-afladningscyklus, udviser vores model 1% og 3% fejl i kattesortering under homogene og heterogene batterigenbrugsindstillinger, henholdsvis, hvilket tilskrives vores innovative Wasserstein-distance voting-strategi. Økonomisk understreger den foreslåede metode værdien af præcis batterisortering for en velstående og bæredygtig genbrugsindustri. Denne undersøgelse varsler et nyt paradigme for brug af privatlivsfølsomme data fra forskellige kilder, hvilket letter samarbejdsbaseret og privatlivsrespekterende beslutningstagning for distribuerede systemer. Introduktion Lithium-ion-batterier (LIB'er), der fungerer som energilagringsenheder, har opnået udbredt anvendelse på tværs af forskellige domæner, fra industriel produktion til dagligdagen som en accepteret teknisk vej. Fremskrivninger tyder på, at den globale produktionsskala af LIB'er vil overstige 1,3 TWh inden 2030 , hvor den stigende efterspørgsel efter batterier vil langt overstige tilgængeligheden af vitale metalressourcer som lithium og kobolt , . Den gennemsnitlige levetid for LIB-produkter ligger dog i øjeblikket på 5-8 år, hvilket fører til en umiddelbar stigning i udtjente batterier i mange lande. Hvis udtjente batterier ikke håndteres korrekt, vil det resultere i uholdbart spild af ressourcer og miljøskader. I betragtning af disse omstændigheder antager udviklingen af batterigenbrugsteknologi afgørende betydning, når vi står over for den forestående tidevand af LIB-pensioneringer . 1 2 3 4 Seneste fremskridt inden for batterigenbrugsforskning har fokuseret på pyrometallurgiske, hydrometallurgiske og direkte genbrugstilgange . I modsætning til de pyrometallurgiske og hydrometallurgiske metoder adskiller direkte genbrug sig som en distinkt tilgang. Denne proces forårsager ingen sekundær skade på materialestrukturen, hvilket muliggør mere effektiv strukturel reparation og ydeevnegendannelse. Desuden udviser direkte genbrug højere profitabilitet, da det indebærer lavere energiforbrug, reducerede drivhusgasemissioner og lettere miljøaftryk , . I faktisk produktion støder batterigenbrugere imidlertid ofte på LIB'er, der består af ukendte komponenter, eller batterimoduler, der består af en blanding af forskellige katodematerialetyper. Da direkte genbrug kan være stærkt katodespecifik, gør en sådan kompleksitet anvendelsen af direkte genbrug umulig for at opnå værdikonvertering af de udtjente batterier . Det er afgørende at understrege, at selvom de vitale metaller fra blandede katodematerialetyper kan udvindes ved hjælp af konventionelle genbrugsstrategier, kan samspillet mellem forskellige katodematerialer under genbrugsprocessen påvirke produktkvaliteten negativt . Derfor har forståelse af katodematerialetypeinformation på genbrugssiden en markant indvirkning på valget af den direkte genbrugsrute og forbedrer i sidste ende produktkvaliteten, profitabiliteten og bæredygtigheden. 5 6 7 8 9 Menneskestøttet direkte genbrug er blevet foreslået til at identificere information om katodematerialetype for udtjente batterier i forbehandlingstrinnet, hvilket stadig ikke er økonomisk rentabelt, når genbrugsindustrien skalerer op . For effektivt at genfinde informationen om katodetyper for udtjente batterier har det videnskabelige og industrielle samfund for nylig iværksat et batterilevetidssporingssystem  og nye koncepter som batteripass  og batteridatagenom . Selvom der er anvendt et betydeligt antal batterier før disse initiativer, er der en voksende konsensus om, at batterioplysninger bør være tilgængelige gennem hele livskæden for at lette beslutningstagning for andet liv . Dette er især tilfældet for batterigenbrugssektoren, den sidste station i batteriets andet liv, da genbrugsruten kan være stærkt katodespecifik. Imidlertid muliggøres batterilevetidssporingssystemer eller batteripass af elektroniske gadgets som stregkoder og nærkommunikation, hvilket kan medføre intensive investeringer og kan være bredt uforeneligt med forskellige batteridesignere. Desuden forbliver elektroniske gadgets udfordrende at administrere konsekvent gennem hele deres levetid, hvilket fører til slidte enheder og utilgængelighed på genbrugsstadiet, da den moderne fremstillingsproces af LIB'er stadig ikke er integreret fra produktion til genbrug . Derfor er der et presserende behov for flere gennembrud for at opnå en effektiv sortering af batterikattetyper udelukkende ved hjælp af let tilgængelig feltinformation , , i modsætning til historiske registrerede data eller den menneskestøttede måde, hvilket letter anvendelsen af direkte genbrug for at forbedre kvaliteten og profitabiliteten af genbrugsprodukter. 1 10 11 12 13 14 15 16 I de seneste år er maskinlæring dukket op som et levedygtigt redskab til at tackle åbne spørgsmål inden for alle batterifelter. Inden for andre batterirelaterede emner har maskinlæring for nylig givet os mulighed for automatisk at opdage komplekse batterimekanismer , , , forudsige resterende brugstid , , , , , evaluere sundhedstilstanden , , , optimere cyklusprofilen , , approximere fejlfordelingen , endda til at guide batteridesignet , , og forudsige livslang ydeevne umiddelbart efter fremstilling . I tilfælde af batterigenbrug har få arbejder undersøgt maskinlæring vedrørende katodematerialer , , hvilket tilskrives de knappe batteridata, især for dem, der er cyklet til slutningen af levetiden. Langt størstedelen af offentliggjorte undersøgelser viser meget begrænsede stikprøvestørrelser  og er endnu mere begrænsede i diversitet af batterikatoder . Knapheden tilskrives de intensive omkostninger, den lange testtid  og, vigtigst af alt, databeskyttelsen på grund af kommercielle eller interesseanliggender. Konsekvensen er, at privatlivsproblemet stivner dilemmaet, hvor de eksisterende batteridata, skønt betydelige i volumen og diversitet fra flere parter såsom batteriproducenter, praktiske anvendelser, akademiske institutioner og tredjepartsplatforme, ikke kan deles. Et sådant dilemma kalder på at studere sortering af katodematerialer for at optimere valg af batterigenbrugsrute på en kollaborativ, men privatlivsbevarende måde. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Fødereret maskinlæring, som et distribueret og privatlivsbevarende paradigme, har potentiale til at løse både samarbejde mellem flere parter (ækvivalent, batteridatamængden og diversiteten) og privatlivsproblemer gennem kollaborativ maskinlæring , , . I hver træningsiteration udfører de distribuerede dataejere lokal træning med deres lokale beregningskraft, krypterer de trænede modelparametre/resultater og uploader dem til en central koordinator til aggregering. Fakta er, at rå datasæt aldrig forlader deres respektive dataejere, og at overførte parametre/resultater er korrekt krypteret for at beskytte databeskyttelsen. Fødereret maskinlæring er blevet grundigt undersøgt inden for adskillige applikationsfelter, herunder folkesundhed , , klinisk diagnose , , , e-handel , Internet of Things , mobil databehandling , og smart grid , , . Denne tilgang kan revolutionere det datadrevne forskningsparadigme inden for brede energisektorer ved at muliggøre samarbejde, der respekterer privatlivets fred, især for dem med begrænset dataadgang. Med hensyn til batterigenbrugssektoren antager fødereret maskinlæring lovende muligheder for at udnytte den enorme mængde batteridata, der allerede eksisterer, men som ikke kan deles på grund af privatlivsbekymringer. Med et sådant kollaborativt, men privatlivsbevarende paradigme kan udtjent batterisortering implementeres med høj nøjagtighed, effektivitet, skalerbarhed og generalisering, hvilket optimerer kvaliteten og profitabiliteten af genbrugsprodukter. Så vidt vi ved, er der aldrig rapporteret om fødererede maskinlæringsundersøgelser med fokus på batterigenbrug. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 I denne undersøgelse udfører vi en sortering af katodematerialer af udtjente batterier ved at udnytte eksisterende batteridata fra flere samarbejdspartnere, såsom batteriproducenter, operatører af praktiske anvendelser, akademiske forskningsinstitutioner og tredjepartsplatforme, på en kollaborativ, men privatlivsbevarende maskinlæringsmanér, som illustreret i fig.   . Vores fødererede maskinlæringsmodel blev trænet ved kun at bruge én cyklus af feltprøvedata via en standardiseret funktionsekstraktionsproces, uden forudgående kendskab til de historiske driftsforhold. Vi sammenligner den forudsigende kraft af vores fødererede maskinlæringsmodel med den for uafhængigt lærte lokale modeller baseret på lokale data under både homogene og heterogene batterigenbrugsomstændigheder. Heterogenitetsproblemet løses af vores foreslåede Wasserstein-distance voting-strategi. En økonomisk evaluering af genbrug af udtjente batterier ved hjælp af vores foreslåede fødererede maskinlæringsrammeværk udføres, hvilket fremhæver relevansen og nødvendigheden af nøjagtig sortering af udtjente batterier. Vi diskuterer omfattende modellens fortolkelighed, implikationerne for batterigenbrug og bredere udsigter for fremtidig batterigenbrugspraksis integreret med fødereret maskinlæring. 1    Flere datakilder, såsom batteriproducenter (billede med tilladelse fra Addionics), operatører af praktiske anvendelser (batteripakke i bunden af en Tesla. Billede med tilladelse fra Tesla), akademiske forskningsinstitutioner og tredjepartsplatforme kan være databidragydere. Batteridata udveksles hverken mellem bidragydere eller uploades til batterigenbrugeren. I stedet træner datakontributorerne lokale modeller og deler modelparametre med batterigenbrugeren for at opbygge en global model. Den foreslåede Wasserstein-distance voting-teknik fusionerer de lokale modeller til den globale model, som er robust over for dataubalance og støj. Batterigenbrugere kan bruge den fælles model til batterisortering, kombineret med de let tilgængelige feltprøvedata.   Vores fødererede maskinlæringsrammeværk tilskynder samarbejdspartnere til at dele data, samtidig med at de bevarer databeskyttelsen, i modsætning til det traditionelle dataisoleringsparadigme. a b Resultater Dataindsamling og standardisering De unikke batterikinetiske egenskaber i forskellige batterityper er ofte højdimensionelle og svære at karakterisere på grund af divergerende driftstilfælde, fremstillingsvariabilitet og historisk brug . For at finde en løsning på dette dilemma indsamlede og standardiserede vi 130 udtjente batterier med 5 katodematerialetyper fra 7 producenter for at konstruere et out-of-distribution, ækvivalent heterogent datasæt. I betragtning af forskellige historiske anvendelser er kapaciteterne af de indsamlede batterier under 90 % af den nominelle kapacitet. Batterikatodematerialerne er lithiumkoboltoxid (LCO), nikkelmangan-kobolt (NMC), lithiumjernfosfat (LFP), nikkel-kobolt-aluminiumoxid (NCA) og NMC-LCO-blandede typer, som yderligere grupperes i 9 klasser baseret på producenterne (supplerende tabel  ). Vi inkluderer bevidst batterier med divergerende historiske anvendelser, fra laboratorietests til elbilers køreprofiler, for at træne en generaliseret model til batterigenbrugeren, uafhængigt af historiske anvendelser og batterityper. 52 1 Til standardisering kræves alle data fra genbrugeren være den nuværende (feltprøve) cyklus med én opladnings- og afladningstest, hvilket er let at implementere i praktiske tilfælde. De prøvede data renses først for støj ved at udfylde manglende værdier, erstatte outliers og udføre medianfiltrering. Menneskeskabt støj og støj forårsaget af katodeheterogenitet bevares dog bevidst for at gøre modellen robust over for ufuldkomne input. Data interpoleres derefter lineært for kurvefyldning (supplerende fig.   ) og funktionsudvikles for dimensionsreduktion, med et fælles sæt standardiseringsparametre (supplerende note   ). Funktionerne udvundet fra standardiseringspipelinen er veltolkbare, et anliggende af betydelig kommerciel interesse. Så vidt vi ved, er det første gang, at heterogene batteridata fra flere kilder og historiske anvendelser bruges til at assistere i designet af batterigenbrugsstrategier. 1 1 Figur   a,    demonstrerer funktionsekstraktionsprocessen. Vi fokuserer på opladnings- og afladningskurven for de udtjente batterier i den sidste cyklus, dvs. én opladnings- og én afladningscyklus (supplerende fig.   – ). I opladningscyklussen udvindes 15 funktioner fra spændings-kapacitets- og dQ/dV-kurverne, hvor V og Q refererer til spændings- og kapacitetsværdierne. Det samme sæt funktioner udvindes for afladningscyklussen. Som et resultat udvindes i alt 30 funktioner, som angivet fra F1 til F30. Se supplerende tabel    og supplerende note    for en detaljeret forklaring af funktionerne. Figur   c viser de absolutte og relative funktionsværdier for de udvalgte batterier fra hver klasse. De fleste relative funktionsværdier i forskellige klasser overlapper i -1 til 0-regionen (med den lysegrønne farve) og er umulige at skelne, hvilket illustrerer vanskeligheden ved at klassificere batterityper ved hjælp af én cyklus af batteridata. Vanskeligheden forventes, da de divergerende historiske driftsforhold kan påvirke batteriernes opladnings-afladningskinetik, således at de udvundne funktioner kan være stærkt korrelerede på trods af de forskellige batterityper (supplerende fig.   ). Frem for direkte at fortolke de udvundne funktioner ved hjælp af ekspertviden, anvender vi en alternativ datadrevet tilgang, der automatisk udnytter de latente mønstre på tværs af forskellige batterityper. 2 b 2 5 2 2 2 6    For opladningsprocessen udvindes 15 funktioner fra spændings-kapacitet (venstre) og dQ/dV-kurven (højre).   Det samme sæt funktioner er for afladningsprocessen som F16 til F30.   Funktioner visualiseres efter klasse, der følger formatet CxBn, hvilket indikerer det n-te batteri fra klasse x. Størrelsen af en cirkel afspejler den absolutte funktionsværdi. Kildedata leveres som en kildedatafil. a b c Udtjent batterisortering med homogen dataadgang Vi overvejer først en indstilling, hvor batteridata er homogent fordelt på tværs af samarbejdspartnere (dvs. klienter). Homogeniteten betyder, at hver klient tilbyder at dele batteridata på tværs af alle 9 klasser, selvom det specifikke antal batterier ikke er begrænset (supplerende tabel   ). Vi træner vores fødererede maskinlæringsmodel uden at kræve information om den historiske brug af de udtjente batterier. I vores arbejde behøver genbrugeren og klienterne kun at teste de udtjente batterier i den aktuelle (feltprøve) cyklus, specifikt med en komplet opladnings-afladningscyklus for en standardiseret funktionsekstraktionsproces initieret af genbrugeren. Lokale modeller trænes baseret på funktioner udvundet fra deres private batteridata. Det fødererede maskinlæringsrammeværk aggregerer de lokale modelparametre, snarere end de private batteridata, for at genbrugeren kan klassificere de udtjente batterier. 3 Figur    viser sorteringsresultaterne, når klienter bidrager med homogene batteridata. Figur   a sammenligner to fødererede maskinlæringsmetoder, dvs. flertalsafstemning (MV) og vores foreslåede Wasserstein distance voting (WDV), med det uafhængige lærings (IL) paradigme. Det skal bemærkes, at nøjagtigheden for IL er gennemsnitlig over alle klienter på en ikke-fødereret måde. Sammenlignet med IL ofrer MV ikke sorteringsydelsen, med en gennemsnitlig nøjagtighed på 95 %, samtidig med at den er i stand til at beskytte databeskyttelsen og afbøde beregningsbyrden. Imidlertid blev 3 klasser fejlsorteret ved brug af MV. For eksempel blev 3 batterier i NMC (SNL, klasse 8, 15 i alt) fejlsorteret til NCA (SNL, klasse 7), hvilket resulterede i en sorteringsnøjagtighed på 80 %. Sorteringsnøjagtigheden for NCA (UL-PUR, klasse 9) er 81 %, med 2 batterier fejlsorteret til NMC (MICH_Form, klasse 4) og 1 batteri fejlsorteret til NMC/LCO-blandingstype (HNEI, klasse 2), henholdsvis. I modsætning hertil overgår WDV MV, da den kun fejlsorterede ét batteri, hvilket resulterede i en sorteringsnøjagtighed på 99 %. Vi evaluerer også forudsigelsesandsynligheden for hver klasse for henholdsvis MV og WDV. Det viser sig, at WDV giver en mere sikker sortering end MV, da forudsigelsesandsynlighederne for WDV generelt er højre-skæve mod en højere sandsynlighedsværdi. Derfor giver vores foreslåede WDV højere sorteringsnøjagtigheder på tværs af alle klasser, og sorteringen er af rigere sandsynlighedsmarginer. 3 3

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

Denne lyd er produceret på historiens originalsprog!

Denne privatlivssikre AI kunne omdanne batterispild til stor fortjeneste

About Author

KOMMENTARER

HÆNG TAGS

DENNE ARTIKEL BLEV PRÆsenterET I

Related Stories

Meet IONOS: HackerNoon Company of the Week

Meet Timescale: HackerNoon Company of the Week

Meet Tailscale: HackerNoon Company of the Week

Meet Hubstaff: HackerNoon Company of the Week

Meet IONOS: HackerNoon Company of the Week

Meet Timescale: HackerNoon Company of the Week

Meet Tailscale: HackerNoon Company of the Week

Meet Hubstaff: HackerNoon Company of the Week

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps