Αυτό το AI φιλικό προς την ιδιωτικότητα θα μπορούσε να μετατρέψει τα απορρίμματα μπαταριών σε μεγάλο κέρδος

```html Συγγραφείς: 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 Περίληψη Οι αταξινόμητες αποσυρμένες μπαταρίες με ποικίλα υλικά καθόδου εμποδίζουν την υιοθέτηση της άμεσης ανακύκλωσης λόγω της εξειδίκευσής τους ανάλογα με την κάθοδο. Η αύξηση των αποσυρμένων μπαταριών απαιτεί ακριβή ταξινόμηση για αποτελεσματική άμεση ανακύκλωση, αλλά προκύπτουν προκλήσεις από ποικίλες επιχειρησιακές ιστορίες, διαφορετικούς κατασκευαστές και ανησυχίες για την ιδιωτικότητα δεδομένων των συνεργατών ανακύκλωσης (ιδιοκτητών δεδομένων). Εδώ δείχνουμε, από ένα μοναδικό σύνολο δεδομένων 130 μπαταριών ιόντων λιθίου που καλύπτουν 5 υλικά καθόδου και 7 κατασκευαστές, ότι μια προσέγγιση ομοσπονδιακής μηχανικής μάθησης μπορεί να ταξινομήσει αυτές τις αποσυρμένες μπαταρίες χωρίς να βασίζεται σε προηγούμενα επιχειρησιακά δεδομένα, προστατεύοντας την ιδιωτικότητα των δεδομένων των συνεργατών ανακύκλωσης. Χρησιμοποιώντας τα χαρακτηριστικά που εξάγονται από τον κύκλο φόρτισης-εκφόρτισης στο τέλος της ζωής, το μοντέλο μας παρουσιάζει σφάλματα ταξινόμησης καθόδου 1% και 3% σε ομογενείς και ετερογενείς ρυθμίσεις ανακύκλωσης μπαταριών αντίστοιχα, που αποδίδονται στην καινοτόμο στρατηγική ψηφοφορίας απόστασης Wasserstein. Οικονομικά, η προτεινόμενη μέθοδος υπογραμμίζει την αξία της ακριβούς ταξινόμησης μπαταριών για μια ευημερούσα και βιώσιμη βιομηχανία ανακύκλωσης. Αυτή η μελέτη σηματοδοτεί ένα νέο παράδειγμα χρήσης ευαίσθητων στην ιδιωτικότητα δεδομένων από ποικίλες πηγές, διευκολύνοντας τη συνεργατική και σέβοντας την ιδιωτικότητα λήψη αποφάσεων για κατανεμημένα συστήματα. Εισαγωγή Οι μπαταρίες ιόντων λιθίου (LIBs), που λειτουργούν ως συσκευές αποθήκευσης ενέργειας, έχουν αποκτήσει ευρεία χρήση σε διάφορους τομείς, από την βιομηχανική παραγωγή έως την καθημερινή ζωή ως αποδεκτή τεχνική οδός. Προβλέψεις δείχνουν ότι η παγκόσμια κλίμακα παραγωγής LIBs θα ξεπεράσει τα 1,3 TWh έως το 2030 , όταν η αυξανόμενη ζήτηση για μπαταρίες θα υπερβεί κατά πολύ τη διαθεσιμότητα ζωτικών μεταλλικών πόρων όπως το λίθιο και ο κοβάλτιος , . Ωστόσο, η τρέχουσα μέση διάρκεια ζωής των προϊόντων LIBs ανέρχεται σε 5–8 χρόνια, οδηγώντας σε επικείμενη αύξηση των αποσυρμένων μπαταριών σε πολλές χώρες. Εάν δεν διαχειριστούν σωστά, οι αποσυρμένες μπαταρίες θα οδηγήσουν σε μη βιώσιμη σπατάλη πόρων και περιβαλλοντική ζημία. Δεδομένων αυτών των συνθηκών, η ανάπτυξη τεχνολογίας ανακύκλωσης μπαταριών αποκτά κρίσιμη σημασία καθώς αντιμετωπίζουμε την επερχόμενη παλίρροια των αποσύρσεων LIBs . 1 2 3 4 Πρόσφατες εξελίξεις στην έρευνα ανακύκλωσης μπαταριών έχουν επικεντρωθεί στις πυρομεταλλουργικές, υδρομεταλλουργικές και άμεσες προσεγγίσεις ανακύκλωσης . Σε αντίθεση με τις πυρομεταλλουργικές και υδρομεταλλουργικές μεθόδους, η άμεση ανακύκλωση ξεχωρίζει ως μια διακριτή προσέγγιση. Αυτή η διαδικασία δεν προκαλεί δευτερογενή ζημιά στη δομή του υλικού, επιτρέποντας πιο αποτελεσματική επισκευή της δομής και αποκατάσταση της απόδοσης. Επιπλέον, η άμεση ανακύκλωση παρουσιάζει υψηλότερη κερδοφορία, καθώς συνεπάγεται χαμηλότερη κατανάλωση ενέργειας, μειωμένες εκπομπές αερίων του θερμοκηπίου και ελαφρύτερα περιβαλλοντικά αποτυπώματα , . Στην πραγματική παραγωγή, ωστόσο, οι ανακυκλωτές μπαταριών συχνά συναντούν LIBs που αποτελούνται από άγνωστα συστατικά ή μονάδες μπαταριών που αποτελούνται από ένα μείγμα διαφορετικών τύπων υλικών καθόδου. Λαμβάνοντας υπόψη ότι η άμεση ανακύκλωση μπορεί να είναι ιδιαίτερα εξειδικευμένη ανάλογα με την κάθοδο, μια τέτοια πολυπλοκότητα καθιστά την εφαρμογή της άμεσης ανακύκλωσης ακατάλληλη για την επίτευξη μετατροπής αξίας των αποσυρμένων μπαταριών . Είναι κρίσιμο να τονιστεί ότι ακόμη και αν τα ζωτικά μέταλλα από μικτά υλικά καθόδου μπορούν να εξαχθούν χρησιμοποιώντας συμβατικές στρατηγικές ανακύκλωσης, η αλληλεπίδραση μεταξύ διαφορετικών υλικών καθόδου κατά τη διαδικασία ανακύκλωσης μπορεί να επηρεάσει αρνητικά την ποιότητα του προϊόντος . Επομένως, η κατανόηση της πληροφορίας του τύπου υλικού καθόδου από την πλευρά της ανακύκλωσης επηρεάζει σημαντικά την επιλογή της διαδρομής άμεσης ανακύκλωσης και τελικά βελτιώνει την ποιότητα του προϊόντος, την κερδοφορία και τη βιωσιμότητα. 5 6 7 8 9 Προτάθηκε η άμεση ανακύκλωση με ανθρώπινη βοήθεια για την αναγνώριση της πληροφορίας του τύπου υλικού καθόδου των αποσυρμένων μπαταριών στο σύνδεσμο προεπεξεργασίας, η οποία εξακολουθεί να μην είναι οικονομικά βιώσιμη όταν η βιομηχανία ανακύκλωσης κλιμακώνεται . Για την αποτελεσματική ανάκτηση της πληροφορίας του τύπου καθόδου των αποσυρμένων μπαταριών, η επιστημονική και βιομηχανική κοινότητα έχει πρόσφατα ξεκινήσει ένα σύστημα παρακολούθησης ζωής μπαταριών και αναδυόμενες έννοιες όπως το διαβατήριο μπαταρίας και το γονιδίωμα δεδομένων μπαταρίας . Παρόλο που έχουν χρησιμοποιηθεί σημαντικές μπαταρίες πριν από αυτές τις πρωτοβουλίες, υπάρχει αυξανόμενη συναίνεση ότι οι πληροφορίες της μπαταρίας θα πρέπει να είναι προσβάσιμες καθ' όλη τη διάρκεια της αλυσίδας ζωής για τη διευκόλυνση της λήψης αποφάσεων δεύτερης ζωής . Αυτό ισχύει ιδιαίτερα για τον τομέα της ανακύκλωσης μπαταριών, τον τελευταίο σταθμό της δεύτερης ζωής της μπαταρίας, καθώς η διαδρομή ανακύκλωσης μπορεί να είναι ιδιαίτερα εξειδικευμένη ανάλογα με την κάθοδο. Ωστόσο, τα συστήματα παρακολούθησης ζωής μπαταριών ή τα διαβατήρια μπαταριών ενεργοποιούνται από ηλεκτρονικές συσκευές όπως γραμμωτούς κώδικες και επικοινωνίες κοντινού πεδίου, οι οποίες θα μπορούσαν να εισάγουν έντονες επενδύσεις και να είναι ευρέως ασύμβατες με διαφορετικούς σχεδιαστές μπαταριών. Επιπλέον, οι ηλεκτρονικές συσκευές παραμένουν δύσκολες στη διαχείριση με συνέπεια καθ' όλη τη διάρκεια της ζωής τους, οδηγώντας σε φθαρμένες συσκευές και μη προσβασιμότητα στο στάδιο της ανακύκλωσης, καθώς η σύγχρονη διαδικασία κατασκευής LIBs εξακολουθεί να μην είναι ενσωματωμένη από την παραγωγή στην ανακύκλωση . Επομένως, απαιτούνται επειγόντως περισσότερες ανακαλύψεις για την επίτευξη αποτελεσματικής ταξινόμησης τύπου καθόδου μπαταρίας μόνο με εύκολα προσβάσιμη πληροφορία πεδίου , , σε αντίθεση με τα ιστορικά καταγεγραμμένα δεδομένα ή τον ανθρώπινο τρόπο, διευκολύνοντας την υιοθέτηση της άμεσης ανακύκλωσης για τη βελτίωση της ποιότητας και της κερδοφορίας των ανακυκλωμένων προϊόντων. 1 10 11 12 13 14 15 16 Τα τελευταία χρόνια, η μηχανική μάθηση έχει αναδειχθεί ως ένα βιώσιμο εργαλείο για την αντιμετώπιση ανοιχτών ερωτημάτων σε όλους τους τομείς των μπαταριών. Σε άλλα θέματα που σχετίζονται με τις μπαταρίες, η μηχανική μάθηση επέτρεψε πρόσφατα την αυτόματη ανακάλυψη σύνθετων μηχανισμών μπαταριών , , , πρόβλεψη υπολειπόμενης χρήσιμης ζωής , , , , , αξιολόγηση της κατάστασης υγείας , , , βελτιστοποίηση του προφίλ κύκλου , , προσέγγιση της κατανομής αποτυχίας , ακόμη και καθοδήγηση του σχεδιασμού της μπαταρίας , , και πρόβλεψη της διάρκειας ζωής αμέσως μετά την κατασκευή . Στην περίπτωση της ανακύκλωσης μπαταριών, λίγες εργασίες έχουν διερευνήσει τη μηχανική μάθηση όσον αφορά τα υλικά καθόδου , , κάτι που οφείλεται στην σπάνια διαθεσιμότητα δεδομένων μπαταριών, ειδικά για εκείνες που έχουν φτάσει στο τέλος της ζωής τους. Η συντριπτική πλειοψηφία των δημοσιευμένων μελετών παρουσιάζει πολύ περιορισμένα μεγέθη δείγματος και είναι ακόμη πιο περιορισμένες σε ποικιλότητα καθόδου μπαταρίας . Η σπανιότητα αποδίδεται στο έντονο κόστος, τον μεγάλο χρόνο δοκιμής , και, το πιο σημαντικό, στην ιδιωτικότητα δεδομένων λόγω εμπορικών ή συμφερόντων. Κατά συνέπεια, το ζήτημα της ιδιωτικότητας παγιώνει το δίλημμα όπου τα υπάρχοντα δεδομένα μπαταριών, αν και σημαντικά σε όγκο και ποικιλομορφία από πολλαπλά μέρη όπως κατασκευαστές μπαταριών, πρακτικές εφαρμογές, ακαδηματικά ιδρύματα και πλατφόρμες τρίτων, δεν μπορούν να κοινοποιηθούν. Ένα τέτοιο δίλημμα καθιστά αναγκαία τη μελέτη της ταξινόμησης υλικών καθόδου για τη βελτιστοποίηση της επιλογής διαδρομής ανακύκλωσης μπαταριών με συνεργατικό και ταυτόχρονα σέβοντας την ιδιωτικότητα τρόπο. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Η ομοσπονδιακή μηχανική μάθηση, ως ένα κατανεμημένο και σέβοντας την ιδιωτικότητα παράδειγμα, έχει τη δυνατότητα να επιλύσει τόσο τη συνεργασία πολλαπλών μερών (ισοδύναμα, τον όγκο και την ποικιλομορφία των δεδομένων μπαταριών) όσο και τα ζητήματα ιδιωτικότητας μέσω συνεργατικής μηχανικής μάθησης , , . Σε κάθε επανάληψη εκπαίδευσης, οι κατανεμημένοι ιδιοκτήτες δεδομένων εκτελούν τοπική εκπαίδευση με την τοπική τους υπολογιστική ισχύ, κρυπτογραφούν τις εκπαιδευμένες παραμέτρους/αποτελέσματα του μοντέλου και τις μεταφορτώνουν σε έναν κεντρικό συντονιστή για συγκέντρωση. Τα γεγονότα είναι ότι οι ακατέργαστες βάσεις δεδομένων δεν φεύγουν ποτέ από τους αντίστοιχους ιδιοκτήτες δεδομένων και ότι οι μεταφερόμενες παράμετροι/αποτελέσματα κρυπτογραφούνται κατάλληλα για την προστασία της ιδιωτικότητας των δεδομένων. Η ομοσπονδιακή μηχανική μάθηση έχει διερευνηθεί εκτενώς σε πολλούς τομείς εφαρμογών, συμπεριλαμβανομένης της δημόσιας υγείας , , κλινικής διάγνωσης , , , ηλεκτρονικού εμπορίου , Internet of Things , κινητών υπολογιστών , και έξυπνων δικτύων , , . Αυτή η προσέγγιση μπορεί να φέρει επανάσταση στο παράδειγμα έρευνας που βασίζεται σε δεδομένα σε ευρείς ενεργειακούς τομείς, επιτρέποντας τη συνεργασία που σέβεται την ιδιωτικότητα, ειδικά για εκείνους με περιορισμένη πρόσβαση σε δεδομένα. Όσον αφορά τον τομέα της ανακύκλωσης μπαταριών, η ομοσπονδιακή μηχανική μάθηση παρουσιάζει ελπιδοφόρες δυνατότητες για αξιοποίηση του τεράστιου όγκου δεδομένων μπαταριών που ήδη υπάρχει αλλά δεν μπορεί να κοινοποιηθεί λόγω ανησυχιών ιδιωτικότητας. Με ένα τέτοιο συνεργατικό και σέβοντας την ιδιωτικότητα παράδειγμα, η ταξινόμηση αποσυρμένων μπαταριών μπορεί να υλοποιηθεί με υψηλή ακρίβεια, αποτελεσματικότητα, κλιμάκωση και γενίκευση, βελτιστοποιώντας την ποιότητα και την κερδοφορία των ανακυκλωμένων προϊόντων. Καθ' όσον γνωρίζουμε, δεν έχουν αναφερθεί ποτέ μελέτες ομοσπονδιακής μηχανικής μάθησης που επικεντρώνονται στην ανακύκλωση μπαταριών. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 Σε αυτή τη μελέτη, πραγματοποιούμε ταξινόμηση υλικών καθόδου αποσυρμένων μπαταριών, αξιοποιώντας τα υπάρχοντα δεδομένα μπαταριών από πολλαπλούς συνεργάτες, όπως κατασκευαστές μπαταριών, χειριστές πρακτικών εφαρμογών, ακαδημαϊκά ερευνητικά ιδρύματα και πλατφόρμες τρίτων, με έναν συνεργατικό αλλά σέβοντας την ιδιωτικότητα τρόπο μηχανικής μάθησης, όπως απεικονίζεται στο Σχ. 1. Το μοντέλο ομοσπονδιακής μηχανικής μάθησης εκπαιδεύτηκε χρησιμοποιώντας μόνο έναν κύκλο δεδομένων δοκιμής πεδίου μέσω μιας τυποποιημένης διαδικασίας εξαγωγής χαρακτηριστικών, χωρίς προηγούμενη γνώση των ιστορικών συνθηκών λειτουργίας. Συγκρίνουμε την προβλεπτική δύναμη του μοντέλου ομοσπονδιακής μηχανικής μάθησης με αυτήν των ανεξάρτητα εκπαιδευμένων τοπικών μοντέλων βασισμένων σε τοπικά δεδομένα κάτω από ομογενείς και ετερογενείς συνθήκες ανακύκλωσης μπαταριών. Το ζήτημα της ετερογένειας επιλύεται με την προτεινόμενη στρατηγική ψηφοφορίας απόστασης Wasserstein. Πραγματοποιείται μια οικονομική αξιολόγηση της ανακύκλωσης αποσυρμένων μπαταριών χρησιμοποιώντας το προτεινόμενο πλαίσιο ομοσπονδιακής μηχανικής μάθησης, τονίζοντας τη συνάφεια και την αναγκαιότητα της ακριβούς ταξινόμησης των αποσυρμένων μπαταριών. Συζητούμε διεξοδικά την ερμηνευσιμότητα του μοντέλου, τις επιπτώσεις της ανακύκλωσης μπαταριών και τις ευρύτερες προοπτικές της μελλοντικής πρακτικής ανακύκλωσης μπαταριών που ενσωματώνει την ομοσπονδιακή μηχανική μάθηση. Πολλαπλές πηγές δεδομένων, όπως κατασκευαστές μπαταριών (Εικόνα με άδεια Addionics), χειριστές πρακτικών εφαρμογών (πακέτο μπαταριών στο κάτω μέρος ενός Tesla. Εικόνα με άδεια Tesla), ακαδημαϊκά ερευνητικά ιδρύματα και πλατφόρμες τρίτων, μπορούν να είναι συνεισφέροντες δεδομένων. Τα δεδομένα των μπαταριών ούτε ανταλλάσσονται μεταξύ των συνεισφερόντων ούτε μεταφορτώνονται στον ανακυκλωτή μπαταριών. Αντίθετα, οι συνεισφέροντες δεδομένων εκπαιδεύουν τοπικά μοντέλα και μοιράζονται παραμέτρους μοντέλων με τον ανακυκλωτή μπαταριών για τη δημιουργία ενός παγκόσμιου μοντέλου. Η προτεινόμενη τεχνική ψηφοφορίας απόστασης Wasserstein συνδυάζει τα τοπικά μοντέλα σε ένα παγκόσμιο μοντέλο, το οποίο είναι ανθεκτικό στην ανισορροπία δεδομένων και στον θόρυβο. Οι ανακυκλωτές μπαταριών μπορούν να χρησιμοποιήσουν το συν-δημιουργημένο μοντέλο για ταξινόμηση μπαταριών, σε συνδυασμό με τα εύκολα προσβάσιμα δεδομένα δοκιμών πεδίου. Το πλαίσιο ομοσπονδιακής μηχανικής μάθησης ενθαρρύνει τους συνεργάτες να μοιράζονται δεδομένα, διατηρώντας την ιδιωτικότητα δεδομένων, σε αντίθεση με το παραδοσιακό παράδειγμα απομόνωσης δεδομένων. α β Αποτελέσματα Συλλογή και τυποποίηση δεδομένων Η μοναδική κινητική των μπαταριών σε διαφορετικούς τύπους μπαταριών είναι συχνά υψηλών διαστάσεων και δύσκολο να χαρακτηριστεί λόγω αποκλινουσών περιπτώσεων λειτουργίας, μεταβλητότητας κατασκευής και ιστορικής χρήσης . Για να βρεθεί μια λύση σε αυτό το δίλημμα, συλλέξαμε και τυποποιήσαμε 130 αποσυρμένες μπαταρίες με 5 τύπους υλικών καθόδου από 7 κατασκευαστές για να κατασκευάσουμε ένα σύνολο δεδομένων εκτός κατανομής, ισοδύναμα ετερογενές. Δεδομένης της διαφορετικής ιστορικής χρήσης, οι χωρητικότητες των συλλεγόμενων μπαταριών είναι κάτω από το 90% της ονομαστικής χωρητικότητας. Τα υλικά καθόδου των μπαταριών είναι οξείδιο λιθίου-κοβαλτίου (LCO), οξείδιο νικελίου-μαγγανίου-κοβαλτίου (NMC), φωσφορικό σίδηρο-λίθιο (LFP), οξείδιο νικελίου-κοβαλτίου-αλουμινίου (NCA) και μικτά NMC-LCO, τα οποία ομαδοποιούνται περαιτέρω σε 9 κλάσεις με βάση τους κατασκευαστές (Συμπληρωματικός Πίνακας 1). Συμπεριλάβαμε σκόπιμα μπαταρίες με αποκλίνουσες ιστορικές χρήσεις, από εργαστηριακές δοκιμές έως προφίλ οδήγησης ηλεκτρικών οχημάτων, για να εκπαιδεύσουμε ένα γενικευμένο μοντέλο για τον ανακυκλωτή μπαταριών ανεξάρτητα από τις ιστορικές χρήσεις και τους τύπους μπαταριών. 52 Για τυποποίηση, όλα τα απαιτούμενα δεδομένα από τον ανακυκλωτή είναι ο τρέχων (δοκιμής πεδίου) κύκλος με μία δοκιμή φόρτισης και εκφόρτισης, η οποία είναι εύκολη στην υλοποίηση σε πρακτικές περιπτώσεις. Τα δεδομένα που προκύπτουν από τη δοκιμή πρώτα καθαρίζονται από θόρυβο συμπληρώνοντας ελλείπουσες τιμές, αντικαθιστώντας ακραίες τιμές και πραγματοποιώντας φιλτράρισμα μέσου όρου. Ωστόσο, ο θόρυβος που προκαλείται από τον άνθρωπο και ο θόρυβος που προκαλείται από την ετερογένεια της καθόδου διατηρούνται σκόπιμα, για να καταστήσουν το μοντέλο ανθεκτικό σε ατελή εισαγόμενα δεδομένα. Στη συνέχεια, τα δεδομένα παρεμβάλλονται γραμμικά για συμπλήρωση καμπυλών (Συμπληρωματικό Σχ. 1) και γίνονται μηχανική χαρακτηριστικών για μείωση διαστάσεων, με ένα κοινό σύνολο παραμέτρων τυποποίησης (Συμπληρωματική Σημείωση 1). Τα χαρακτηριστικά που εξάγονται από τον αγωγό τυποποίησης είναι καλά ερμηνεύσιμα, ένα ζήτημα σημαντικού εμπορικού ενδιαφέροντος. Καθ' όσον γνωρίζουμε, είναι η πρώτη φορά που χρησιμοποιούνται ετερογενή δεδομένα μπαταριών από πολλαπλές πηγές και ιστορικές χρήσεις για την υποστήριξη του σχεδιασμού στρατηγικής ανακύκλωσης μπαταριών. Το Σχ. 2α, 2β απεικονίζουν τη διαδικασία μηχανικής χαρακτηριστικών. Επικεντρωνόμαστε στην καμπύλη φόρτισης και εκφόρτισης των αποσυρμένων μπαταριών στον τελευταίο κύκλο, δηλαδή, έναν κύκλο φόρτισης και έναν κύκλο εκφόρτισης (Συμπληρωματικά Σχ. 2–5). Στον κύκλο φόρτισης, εξάγονται 15 χαρακτηριστικά από τις καμπύλες τάσης-χωρητικότητας και dQ/dV, όπου V και Q αναφέρονται στις τιμές τάσης και χωρητικότητας, αντίστοιχα. Το ίδιο σύνολο χαρακτηριστικών εξάγεται για τον κύκλο εκφόρτισης. Ως αποτέλεσμα, εξάγονται συνολικά 30 χαρακτηριστικά, όπως υποδεικνύεται από F1 έως F30. Ανατρέξτε στον Συμπληρωματικό Πίνακα 2 και στη Συμπληρωματική Σημείωση 2 για λεπτομερή εξήγηση των χαρακτηριστικών. Το Σχ. 2γ παρου