Diese datenschutzfreundliche KI könnte Batterieabfälle in große Gewinne verwandeln.

```html Autoren: 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 Zusammenfassung Unsortierte Altbatterien mit unterschiedlichen Kathodenmaterialien behindern die Einführung des Direktrecyclings aufgrund ihrer kathodenspezifischen Natur. Die Zunahme von Altbatterien erfordert eine präzise Sortierung für ein effektives Direktrecycling, aber es ergeben sich Herausforderungen aufgrund unterschiedlicher Betriebshistorien, verschiedener Hersteller und Datenschutzbedenken von Recyclingkollaborateuren (Dateneigentümer). Hier zeigen wir anhand eines einzigartigen Datensatzes von 130 Lithium-Ionen-Batterien, die 5 Kathodenmaterialien und 7 Hersteller umfassen, dass ein föderierter Ansatz des maschinellen Lernens diese Altbatterien klassifizieren kann, ohne auf vergangene Betriebsdaten angewiesen zu sein, und schützt so die Datenprivatsphäre von Recyclingkollaborateuren. Durch die Nutzung der aus dem Lade-Entlade-Zyklus am Ende der Lebensdauer extrahierten Merkmale weist unser Modell unter homogenen und heterogenen Batterierecyclingbedingungen 1 % bzw. 3 % Kathodensortierungsfehler auf, die auf unsere innovative Wasserstein-Distanz-Voting-Strategie zurückzuführen sind. Wirtschaftlich unterstreicht die vorgeschlagene Methode den Wert einer präzisen Batteriesortierung für eine florierende und nachhaltige Recyclingindustrie. Diese Studie läutet ein neues Paradigma für die Nutzung datenschutzsensibler Daten aus verschiedenen Quellen ein und ermöglicht kollaborative und datenschutzfreundliche Entscheidungen für verteilte Systeme. Einleitung Lithium-Ionen-Batterien (LIBs), die als Energiespeichergeräte dienen, haben eine weit verbreitete Nutzung in verschiedenen Bereichen erfahren, von der Industrieproduktion bis zum täglichen Leben als anerkannte technische Route. Prognosen deuten darauf hin, dass die globale Produktionsskala von LIBs bis 2030 1,3 TWh überschreiten wird , wenn die steigende Nachfrage nach Batterien die Verfügbarkeit wichtiger Metallressourcen wie Lithium und Kobalt weit übersteigen wird , . Allerdings beträgt die aktuelle durchschnittliche Lebensdauer von LIB-Produkten 5–8 Jahre, was in vielen Ländern zu einer bevorstehenden Zunahme von Altbatterien führt. Wenn Altbatterien nicht ordnungsgemäß verwaltet werden, führt dies zu nicht nachhaltiger Ressourcenverschwendung und Umweltschäden. Unter diesen Umständen ist die Entwicklung von Batterierecyclingtechnologien von entscheidender Bedeutung, da wir uns der drohenden Flut von LIB-Ausmusterungen stellen . 1 2 3 4 Die jüngsten Fortschritte in der Batterierecyclingforschung konzentrierten sich auf pyrometallurgische, hydrometallurgische und direkte Recyclingansätze . Im Gegensatz zu den pyro- und hydrometallurgischen Methoden unterscheidet sich das Direktrecycling als eigener Ansatz. Dieser Prozess schädigt die Materialstruktur nicht sekundär, was eine effizientere Reparatur der Struktur und Wiederherstellung der Leistung ermöglicht. Darüber hinaus ist das Direktrecycling profitabler, da es einen geringeren Energieverbrauch, reduzierte Treibhausgasemissionen und geringere Umweltbelastungen beinhaltet , . In der Praxis stoßen Batterierecycler häufig auf LIBs, die unbekannte Komponenten enthalten, oder auf Batteriemodule, die eine Mischung aus verschiedenen Kathodenmaterialtypen enthalten. Da das Direktrecycling stark kathodenspezifisch sein kann, macht eine solche Komplexität die Anwendung des Direktrecyclings zur Wertschöpfung aus den Altbatterien unmöglich . Es ist wichtig zu betonen, dass selbst wenn die wertvollen Metalle aus gemischten Kathodenmaterialtypen mit herkömmlichen Recyclingstrategien extrahiert werden können, die Wechselwirkung zwischen verschiedenen Kathodenmaterialien während des Recyclingprozesses die Produktqualität beeinträchtigen kann . Daher ist das Verständnis der Kathodenmaterialtyp-Informationen auf der Recyclingseite entscheidend für die Wahl des Direktrecyclingwegs und verbessert letztendlich die Produktqualität, Rentabilität und Nachhaltigkeit. 5 6 7 8 9 Ein durch Menschen unterstütztes Direktrecycling wurde vorgeschlagen, um Informationen über den Kathodenmaterialtyp von Altbatterien im Vorbehandlungslink zu identifizieren, was jedoch bei der Skalierung der Recyclingindustrie noch nicht wirtschaftlich rentabel ist . Um die Kathodentypinformationen von Altbatterien effektiv abzurufen, hat die wissenschaftliche und industrielle Gemeinschaft kürzlich ein Batterielebensdauer-Rückverfolgungssystem und aufkommende Konzepte wie Batteriepass und Batterie-Daten-Genom initiiert. Obwohl vor diesen Initiativen erhebliche Batterien genutzt wurden, gibt es einen wachsenden Konsens darüber, dass Batterieinformationen während der gesamten Lebenskette zugänglich sein sollten, um Entscheidungen für die Zweitlebennutzung zu erleichtern . Dies gilt insbesondere für den Batterierecyclingsektor, die letzte Station des Zweitlebens der Batterie, da der Recyclingweg stark kathodenspezifisch sein kann. Batterielebensdauer-Rückverfolgungssysteme oder Batteriepässe werden jedoch durch elektronische Geräte wie Barcodes und Nahfeldkommunikation ermöglicht, die eine intensive Investition erfordern und mit verschiedenen Batteriedesignern weitgehend inkompatibel sein könnten. Darüber hinaus bleiben elektronische Geräte während ihrer gesamten Lebensdauer eine Herausforderung für die konsistente Verwaltung, was zu abgenutzten Geräten und Unzugänglichkeit im Recyclingstadium führt, da der moderne Herstellungsprozess von LIBs noch nicht produktions- bis recyclingintegriert ist . Daher sind weitere Durchbrüche dringend erforderlich, um eine effiziente Sortierung von Batterietypen nach Kathodenmaterial nur anhand von leicht zugänglichen Feldinformationen zu erreichen , , im Gegensatz zu historischen Daten oder manuellen Verfahren, um die Einführung des Direktrecyclings zur Verbesserung der Qualität und Rentabilität recycelter Produkte zu erleichtern. 1 10 11 12 13 14 15 16 In den letzten Jahren hat sich maschinelles Lernen als brauchbares Werkzeug zur Lösung offener Fragen in allen Batteriebereichen herauskristallisiert. In anderen batteriebezogenen Themen hat maschinelles Lernen uns kürzlich ermöglicht, komplexe Batteriemechanismen automatisch zu entdecken , , , die verbleibende Nutzungsdauer vorherzusagen , , , , , den Gesundheitszustand zu bewerten , , , das Zyklusprofil zu optimieren , , die Ausfallverteilung anzunähern , sogar das Batteriedesign zu leiten , und die lebenslange Leistung unmittelbar nach der Herstellung vorherzusagen . Im Falle des Batterierecyclings haben nur wenige Arbeiten maschinelles Lernen in Bezug auf Kathodenmaterialien untersucht , , was auf die knappen Batteriedaten zurückzuführen ist, insbesondere für diejenigen, die bis zum Ende der Lebensdauer genutzt wurden. Die überwiegende Mehrheit der veröffentlichten Studien weist sehr begrenzte Stichprobengrößen auf und ist noch stärker in der Kathodenvielfalt von Batterien eingeschränkt . Die Knappheit wird auf die hohen Kosten, die lange Testzeit und vor allem auf den Datenschutz aufgrund kommerzieller oder Eigeninteressen zurückgeführt. Folglich verhärtet das Datenschutzproblem das Dilemma, dass die vorhandenen Batteriedaten, obwohl sie in Umfang und Vielfalt von mehreren Parteien wie Batterieherstellern, praktischen Anwendungen, akademischen Institutionen und Drittplattformen substanziell sind, nicht geteilt werden können. Ein solches Dilemma erfordert die Untersuchung der Kathodenmaterials sortierung zur Optimierung der Wahl des Batterierecyclingwegs auf kollaborative und gleichzeitig datenschutzfreundliche Weise. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Föderiertes maschinelles Lernen, als verteilter und datenschutzfreundlicher Paradigma, hat das Potenzial, sowohl Multi-Party-Kollaborationen (gleichwertig, das Volumen und die Vielfalt der Batteriedaten) als auch Datenschutzprobleme durch kollaboratives maschinelles Lernen zu lösen , , . In jeder Trainingsiteration führen die verteilten Dateneigentümer ein lokales Training mit ihrer lokalen Rechenleistung durch, verschlüsseln die trainierten Modellparameter/Ergebnisse und laden sie zu einem zentralen Koordinator zur Aggregation hoch. Tatsächlich verlassen die Rohdatensätze niemals ihre jeweiligen Dateneigentümer und die übertragenen Parameter/Ergebnisse werden ordnungsgemäß verschlüsselt, um die Datenprivatsphäre zu schützen. Föderiertes maschinelles Lernen wurde in zahlreichen Anwendungsbereichen intensiv untersucht, darunter im öffentlichen Gesundheitswesen , , klinischer Diagnose , , , E-Commerce , Internet der Dinge , mobile Computing und Smart Grid , , . Dieser Ansatz kann das datengesteuerte ForschungsParadigma in weiten Energiesektoren revolutionieren, indem er kollaborative datenschutzfreundliche Zusammenarbeit ermöglicht, insbesondere für diejenigen mit begrenztem Datenzugang. Im Hinblick auf den Batterierecyclingsektor birgt föderiertes maschinelles Lernen vielversprechende Möglichkeiten, um die riesige Menge an vorhandenen, aber aufgrund von Datenschutzbedenken nicht teilbaren Batteriedaten zu nutzen. Mit einem solchen kollaborativen und gleichzeitig datenschutzfreundlichen Paradigma kann die Altbatteriesortierung mit hoher Genauigkeit, Effizienz, Skalierbarkeit und Generalisierung implementiert werden, wodurch die Qualität und Rentabilität der recycelten Produkte optimiert werden. Soweit uns bekannt ist, wurden Studien zum föderierten maschinellen Lernen im Bereich Batterierecycling bisher nicht berichtet. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 In dieser Studie führen wir eine Kathodenmaterials sortierung von Altbatterien durch, indem wir die vorhandenen Batteriedaten von mehreren Kollaborateuren, wie Batterieherstellern, Betreibern praktischer Anwendungen, akademischen Forschungseinrichtungen und Drittplattformen, auf kollaborative und gleichzeitig datenschutzfreundliche Weise des maschinellen Lernens nutzen, wie in Abb. 1 dargestellt. . Unser föderiertes Modell für maschinelles Lernen wurde mit nur einem Zyklus von Feldtestdaten über einen standardisierten Feature-Extraktionsprozess trainiert, ohne Vorkenntnisse über die historischen Betriebsbedingungen. Wir vergleichen die Vorhersagekraft unseres föderierten Modells für maschinelles Lernen mit der von unabhängig gelernten lokalen Modellen, die auf lokalen Daten basieren, sowohl unter homogenen als auch unter heterogenen Batterie-Recyclingbedingungen. Das Heterogenitätsproblem wird durch unsere vorgeschlagene Wasserstein-Distanz-Voting-Strategie gelöst. Eine wirtschaftliche Bewertung des Altbatterierecyclings unter Verwendung unseres vorgeschlagenen föderierten Rahmens für maschinelles Lernen wird durchgeführt, wobei die Relevanz und Notwendigkeit einer genauen Sortierung von Altbatterien hervorgehoben wird. Wir diskutieren umfassend die Modellinterpretierbarkeit, die Implikationen für das Batterierecycling und die breiteren Aussichten für die zukünftige Batterierecyclingpraxis, die mit föderiertem maschinellem Lernen integriert ist. 1 Mehrere Datenquellen, wie Batteriehersteller (Bildnachweis Addionics), Betreiber praktischer Anwendungen (Batteriepack im Unterboden eines Tesla. Bildnachweis: Tesla), akademische Forschungseinrichtungen und Drittplattformen, können Datenbeitragende sein. Die Batteriedaten werden weder zwischen den Beitragenden ausgetauscht noch zum Batterierecycler hochgeladen. Stattdessen trainieren die Datenbeitragenden lokale Modelle und teilen Modellparameter mit dem Batterierecycler, um ein globales Modell zu erstellen. Die vorgeschlagene Wasserstein-Distanz-Voting-Technik fasst die lokalen Modelle zu einem globalen Modell zusammen, das gegenüber Datenungleichgewicht und Rauschen robust ist. Batterierecycler können das gemeinsam erstellte Modell für die Batteriesortierung nutzen, kombiniert mit den leicht zugänglichen Feldtestdaten. Unser föderierter Rahmen für maschinelles Lernen ermutigt Kollaborateure, Daten zu teilen und gleichzeitig die Datenprivatsphäre zu wahren, im Gegensatz zum traditionellen Datensiloparadigma. a b Ergebnisse Datenerfassung und -standardisierung Die einzigartige Batteriekino in verschiedenen Batterietypen ist oft hochdimensional und schwer zu charakterisieren aufgrund divergierender Betriebsfälle, Herstellungsvariabilität und historischer Nutzung . Um eine Lösung für dieses Dilemma zu finden, haben wir 130 Altbatterien mit 5 Kathodenmaterialtypen von 7 Herstellern gesammelt und standardisiert, um einen Out-of-Distribution-Datensatz, gleichbedeutend mit einem heterogenen Datensatz, zu erstellen. Angesichts unterschiedlicher historischer Nutzungen liegen die Kapazitäten der gesammelten Batterien unter 90 % der Nennkapazität. Die Kathodenmaterialien der Batterien sind Lithium-Kobaltoxid (LCO), Nickel-Mangan-Kobaltoxid (NMC), Lithium-Eisenphosphat (LFP), Nickel-Kobaltoxid-Aluminiumoxid (NCA) und NMC-LCO-Mischtypen, die weiter in 9 Klassen nach Herstellern gruppiert sind (Tabellenergänzung ). Wir haben absichtlich Batterien mit unterschiedlicher historischer Nutzung einbezogen, von Labortests bis hin zu Elektrofahrzeug-Fahrtprofilen, um ein generalisiertes Modell für den Batterierecycler unabhängig von historischen Nutzungen und Batterietypen zu trainieren. 52 1 Für die Standardisierung sind alle vom Recycler benötigten Daten der aktuell untersuchte (Feldtest-)Zyklus mit einem Lade- und Entladetest, der in praktischen Fällen einfach durchzuführen ist. Die aufgenommenen Daten werden zunächst durch Auffüllen fehlender Werte, Ersetzen von Ausreißern und Medianfilterung entrauscht. Menschlich induzierte und kathodenheterogenitätsinduzierte Störungen werden jedoch absichtlich beibehalten, um das Modell gegenüber unvollständigen Eingaben robust zu machen. Die Daten werden dann linear interpoliert für die Kurvenfüllung (Abbildungsergänzung ) und auf Merkmale reduziert (Feature Engineering), mit einem gemeinsamen Satz von Standardisierungsparametern (Notiz Ergänzung ). Die aus der Standardisierungspipeline extrahierten Merkmale sind gut interpretierbar, ein Anliegen von erheblichem kommerziellem Interesse. Soweit uns bekannt ist, ist dies das erste Mal, dass heterogene Batteriedaten aus mehreren Quellen und historischen Nutzungen verwendet werden, um die Strategiegestaltung des Batterierecyclings zu unterstützen. 1 1 Abbildung 2a, b demonstriert den Prozess des Feature Engineerings. . Wir konzentrieren uns auf die Lade- und Entladekurve der Altbatterien im letzten Zyklus, d.h. einem Lade- und einem Entladezyklus (Abbildungsergänzungen – ). Im Ladezyklus werden 15 Merkmale aus den Spannungs-Kapazitäts- und dQ/dV-Kurven extrahiert, wobei V und Q für Spannungs- und Kapazitätswerte stehen. Der gleiche Merkmalsatz wird für den Entladezyklus extrahiert. Infolgedessen werden insgesamt 30 Merkmale extrahiert, wie von F1 bis F30 angegeben. Eine detaillierte Erklärung der Merkmale finden Sie in der Tabellenergänzung und der Notiz Ergänzung . Abbildung 2c zeigt die absoluten und relativen Merkmalswerte der ausgewählten Batterien aus jeder Klasse. . Die meisten relativen Merkmalswerte in verschiedenen Klassen überlappen sich im Bereich von -1 bis 0 (in hellgrüner Farbe) und sind nicht unterscheidbar, was die Schwierigkeit zeigt, den Batterietyp anhand eines einzigen Batteriezyklus zu klassifizieren. Die Schwierigkeit ist zu erwarten, da die divergierenden historischen Betriebsbedingungen die Lade-Entlade-Kinetik der Batterien beeinflussen können, so dass die extrahierten Merkmale trotz der unterschiedlichen Batterietypen stark korreliert sein können (Abbildungsergänzung ). Anstatt die extrahierten Merkmale direkt mit Expertenwissen zu interpretieren, verwenden wir einen alternativen datengesteuerten Ansatz, der automatisch die latenten Muster über verschiedene Batterietypen hinweg nutzt. 2 2 5 2 2 2 6 Für den Ladevorgang werden 15 Merkmale aus der Spannungs-Kapazitäts-Kurve (links) und der dQ/dV-Kurve (rechts) extrahiert. Der gleiche Merkmalsatz gilt für den Entladevorgang als F16 bis F30. Die Merkmale werden nach Klassen visualisiert, im Format CxBn, wobei x die Klasse und n die n-te Batterie dieser Klasse angibt. Die Größe eines Kreises spiegelt den absoluten Merkmalswert wider. Quelldaten werden als Quelldatendatei bereitgestellt. a b c Sortierung von Altbatterien mit homogenem Datenzugang Wir betrachten zunächst eine Einstellung, in der die Batteriedaten homogen über die Kollaborateure (dh die Clients) verteilt sind. Die Homogenität bedeutet, dass jeder Client Batteriedaten für alle 9 Klassen zur Verfügung stellt, auch wenn die spezifische Anzahl der Batterien nicht begrenzt ist (Tabellenergänzung ). Wir trainieren unser föderiertes Modell für maschinelles Lernen, ohne Informationen über die historische Nutzung der Altbatterien zu benötigen. In unserer Arbeit müssen der Recycler und die Clients die Altbatterien nur im aktuellen (Feldtest-)Zyklus testen, insbesondere mit einem vollständigen Lade-Entlade-Zyklus für einen standardmäßigen Feature-Engineering-Prozess, der vom Recycler initiiert wird. Lokale Modelle werden auf der Grundlage von Merkmalen trainiert, die aus ihren privaten Batteriedaten extrahiert werden. Der föderierte Rahmen für maschinelles Lernen aggregiert die lokalen Modellparameter, anstatt die privaten Batteriedaten, damit der Recycler die Altbatterien klassifizieren kann. 3 Abbildung 3 zeigt die Sortierungsergebnisse, wenn Clients homogene Batteriedaten beitragen. . Abbildung 3a vergleicht zwei Methoden des föderierten maschinellen Lernens, nämlich Mehrheits-Voting (MV) und unser vorgeschlagenes Wasserstein-Distanz-Voting (WDV), mit dem Paradigma des unabhängigen Lernens (IL). Es ist anzumerken, dass die Genauigkeit für IL über alle Clients hinweg auf nicht-föderierte Weise gemittelt wird. Im Vergleich zum IL beeinträchtigt das MV die Sortierleistung nicht, mit einer durchschnittlichen Genauigkeit von 95 %, während es gleichzeitig in der Lage ist, den Datenschutz zu schützen und die Rechenlast zu mindern. Allerdings werden 3 Klassen mit dem MV falsch sortiert. Beispielsweise werden 3 Batterien in NMC (SNL, Klasse 8, 15 insgesamt) falsch in NCA (SNL, Klasse 7) einsortiert, was zu einer Sortiergenauigkeit von 80 % führt. Die Sortiergenauigkeit für NCA (UL-PUR, Klasse 9) beträgt 81 %, wobei 2 Batterien falsch in NMC (MICH_Form, Klasse 4) und 1 Batterie in NMC/LCO-Mischtyp (HNEI, Klasse 2) einsortiert werden. Im Gegensatz dazu übertrifft WDV das MV, da es nur eine Batterie falsch sortiert, was zu einer Sortiergenauigkeit von 99 % führt. Wir bewerten auch die Vorhersagewahrscheinlichkeit jeder Klasse für MV und WDV. Es stellt sich heraus, dass WDV eine zuversichtlichere Sortierung als MV vornimmt, da die Vorhersagewahrscheinlichkeiten von WDV im Allgemeinen nach rechts zu einer höheren Wahrscheinlichkeit verschoben sind. Daher liefert unser vorgeschlagenes WDV höhere Sortiergenauigkeiten über alle Klassen, und die Sortierung weist reichere Wahrscheinlichkeitskonfidenzspannen auf. 3 Die Verwechslungsmatrix für die Methoden Majority Voting (MV) und Wasserstein Distance Voting (WDV) bzw. Wir betrachten die Vorhersagewahrscheinlichkeitsverteilung für jede Klasse. Die Sortierung des unabhängigen Lernens (IL) ist annotiert. Verteilung der Sortiergenauigkeit und des Datenschutzentbudget (PB) von IL, MV und WDV bei Vorhandensein von zufälligem Rauschen. Der PB-Wert wird bei einem Genauigkeitsniveau von 90 % referenziert. Durchschnittlicher F1-Score der Sortierungsergebnisse und PBs in jeder Klasse unter Verwendung von IL, MV und WDV. Die PB-Werte werden alle auf einem F1-Score-Niveau von 0,9 referenziert. Daten werden als Mittelwerte ± 1 Standardabweichung dargestellt. Merkmalbedeutung in absteigender Reihenfolge. Die Untergrafik zeigt den Merkmalsraum, der von den beiden wichtigsten Merkmalen aufgespannt wird. Daten werden als Mittelwerte ± 1 Standardabweichung dargestellt. Quelldaten werden als Quelldatendatei bereitgestellt. a b c d Wir bewerten auch das Datenschutzentbudget (PB, Abschnitt „Methoden“), unter Berücksichtigung, dass Client-Daten durch Rückrekonstruktion durch Abhören privater Daten anfällig sein können . In dieser Hinsicht fügen wir den Client-Daten mit unterschiedlichen Intensitäten zufälliges Gaußsches Rauschen hinzu. Die Intensität des Zufalls wird durch ein Rausch-zu-Signal-Verhältnis (NSR) gesteuert, das von 1 % bis 10 % reicht. Abbildung 3b zeigt den Vergleich von Genauigkeit und Datenschutzentbudget bei Verwendung von IL, MV und WDV. . Die Sortiergenauigkeit von MV sinkt von 95 % auf 82 %, ähnlich wie bei IL 53 3