```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Tekijät: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Shengyu Tao Ruifei Ma Zixi Zhao Guangyuan Ma Lin Su Heng Chang Yuou Chen Haizhou Liu Zheng Liang Tingwei Cao Haocheng Ji Zhiyuan Han Minyan Lu Huixiong Yang Zongguo Wen Jianhua Yao Rong Yu Guodan Wei Yang Li Xuan Zhang Tingyang Xu Guangmin Zhou Tiivistelmä Poistettujen akkujen nopean ja tarkan kuntoarvion (SOH) arviointi on kriittinen esikäsittelyvaihe uudelleenkäyttöä ja kierrätystä varten. Dataohjatut menetelmät kuitenkin vaativat perusteellista data-curatingia satunnaisten SOH- ja lataustilan (SOC) poistoehtojen olosuhteissa. Tässä osoitamme, että generatiivisen oppimisen avulla avustettu SOH-arviointi on lupaava tapa lieventää datan puutetta ja heterogeenisuutta koskevia haasteita, mikä on vahvistettu 2700 poistetun litiumioniakkuun pulssin injektointitietojoukolla, joka kattaa 3 katodimateriaalityyppiä, 3 fyysistä muotoa, 4 kapasiteettisuunnittelua ja 4 historiallista käyttötapaa 10 SOC-tasolla. Generoidun datan avulla regressori toteuttaa tarkan SOH-arvion, jonka keskimääräinen absoluuttinen prosenttivirhe (MAPE) on alle 6 % tuntemattomissa SOC-olosuhteissa. Ennustamme, että olettaen ehdotetun tekniikan tasaisen käyttöönoton, tämä säästäisi 4,9 miljardia USD sähkökustannuksissa ja 35,8 miljardia kg CO2-päästöjä lieventämällä datan curating-kustannuksia maailmanlaajuisessa akkuja koskevassa poistoskenaariossa vuodelle 2030. Tämä artikkeli korostaa rajallisen datan hyödyntämistä laajennetun data-avaruuden tutkimiseen generatiivisilla menetelmillä, koska datan hankkiminen voi olla aikaa vievää, kallista ja saastuttavaa monissa estimointi- ja ennakkotehtävissä. Johdanto Liikenteen sähköistäminen, joka on keskeinen ala vähähiiliseen energiansiirtymään  , on muokannut fossiilipohjaista liikenneparadigmaa ennennäkemättömällä tavalla. Litiumioniakut ovat elintärkeitä tässä siirtymässä tarjoamalla edullisia, kestäviä ja turvallisia energialähteitä sähköajoneuvoille (EV)  , . Käytössä olevien ja elinkaarensa lopussa olevien EV-akkujen kokonaiskapasiteetti ylittää 32–62 terawattituntia vuoteen 2050 mennessä, mikä on huomattavasti enemmän kuin Kansainvälisen uusiutuvan energian järjestön ja Storage Lab -skenaarioissa esitetyt arviot  . EV-akkujen elinkaaren lopussa olevilla akuilla on kuitenkin vahva sääntely, ja niillä on valtava jäljellä oleva kapasiteettiarvo, jota ei ole täysin hyödynnetty, tyypillisesti yli 80 % nimelliskapasiteetista  , . Jos niitä ei käsitellä asianmukaisesti, se johtaa taloudellisiin taakkoihin   valmistajille ja käyttäjille sekä myöhemmin ympäristöllisiin ja yhteiskunnallisiin ongelmiin  , mukaan lukien resurssien hukka, toimitusketjuriskit ja hiilipäästöt  , , . 1 2 3 4 5 6 7 8 9 10 11 Lupaavat strategiat akkujen elinkaaren lopun aiheuttamien ongelmien ratkaisemiseksi ovat uudelleenkäyttö  , ,  ja kierrätys  . Uudelleenkäytössä elinkaaren lopussa olevia akkuja käytetään uudelleen sovelluksissa, kuten sähköverkkoon liitetyissä energian varastointijärjestelmissä  , asuinalueiden virtalähteissä   ja hitaissa ajoneuvoissa. Uudelleenkäyttö vaatii kuitenkin alustavia esikäsittelyjä, mukaan lukien yhdenmukaisuus seulonta  , kapasiteetin lajittelu   ja uudelleen ryhmittely  ,  sovellusvaatimusten täyttämiseksi  . Vaikka pilottiohjelmia on aloitettu  , , , tiukkojen standardien puute käyttöskenaarioille ja poistumisreiteille vaikeuttaa jäännöskapasiteetin järkevää käyttöä  . Kierrätys hyödyntää vaihtoehtoisesti elinkaaren lopussa olevien akkujen jäännöskapasiteettia materiaalien uuttamisen tai rakenteellisen korjauksen avulla  , , ja se soveltuu peruuttamattomasti heikentyneille elinkaaren lopussa oleville akuille. Pyrometallurgiaan ja hydrometallurgiaan verrattuna  , , suorakierto on edullinen paremman kannattavuuden, pienemmän energiankulutuksen ja vähentyneiden hiilipäästöjen ansiosta  , , . Litiumin täydennyksen ja katodimateriaalien jälkikäsittelyn avulla suorakierto saavuttaa tehokkaan materiaalirakenteen korjauksen ja suorituskyvyn palautumisen  . Kunnoltaan (SOH) määrää kuitenkin tarvittavan kemiallisen reagenssin ja arvioitujen litiumlisäysten määrän suorakiertostrategian muotoilussa  , , . Riittämätön annostus voi johtaa epätäydelliseen korjaukseen, kun taas liiallinen annostus voi johtaa jäännösalkalien muodostumiseen katodin pinnalle, heikentäen palautumissuorituskykyä  , . Valitettavasti SOH-arvon palauttaminen vaatii invasiivisia materiaalimerkinmäärityksiä  ,  ja pitkiä kapasiteetin kalibrointitestejä, ja ei-invasiivinen, nopea ja kestävä SOH-hankinta on edelleen merkittävä haaste. 6 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 26 27 30 31 32 33 34 27 35 36 37 Yhdenmukaisen SOH-tiedon varmistamiseksi EV-akkuja valvotaan ja toimintatietoja tallennetaan pilvialustoille   ja akkupasseihin  . Euroopan parlamentti hyväksyi Akkudirektiivin 14. kesäkuuta 2023 varmistaakseen, että elinkaaren lopussa olevia akkuja voidaan käyttää uudelleen, kunnostaa tai kierrättää käyttöiän päätyttyä  . Vaadittu valvonta- ja tallennusmenettely on kuitenkin saatavilla vain EV-palveluvaiheessa, ja elinkaaren lopussa olevat akut eivät ole enää yhteydessä ajoneuvon valvontayksikköön. Siksi on haastavaa palauttaa kentällä saatavilla olevaa SOH-tietoa. Elinkaaren datan eheyteen liittyvä haaste on edelleen merkittävä, ja se vaatii SOH-arviota vain kenttädatan avulla, päinvastoin kuin historiallinen data tai hallittavissa olevissa olosuhteissa  , , . Yksi ratkaisu on suorittaa kapasiteetin kalibrointitesti elinkaaren lopussa olevien akkujen keräyspaikalla, eli SOC-kunnostus, mikä on suoraviivaista, mutta vaatii kohtuuttomasti testiaikaa ja ylimääräisiä sähkökustannuksia. Hybridipulssitehokkuuden karakterisointitesti on vaihtoehto SOH-arvioinnille dynaamisen pulssin injektoinnin avulla, mutta täydellinen testijakso kestää yli 12 tuntia. Tao et al. hyödynsivät lyhyitä pulsseja elinkaaren lopussa olevien akkujen SOH-arvioinnissa olettaen, että SOC-kunnostus 5 % SOC:iin oli suoritettu, mikä oli tuskin yhteensopiva satunnaisten poisto-SOC-olosuhteiden kanssa  . Viimeaikaiset edistysaskeleet aistipohjaisissa mittauksissa sisältävät röntgenkuvantamisen  , sähkökemiallisen impedanssin  , , optisen kuituanturitekniikan  , , akustisen anturitekniikan  , , osittaisen latauksen  ,  ja pulssin injektoinnin  , . Anturipohjaiset tekniikat ovat laboratoriossa invasiivisuuden vuoksi, kun taas pulssin injektointi mahdollistaa akun heikkenemisen erottelun ilman fyysisiä vaurioita, samanaikaisesti nopeammin kuin osittainen lataus ja sähkökemialliset impedanssipohjaiset menetelmät  , , , , , . Pulssin injektointi on kuitenkin data-keskeinen menetelmä, joka on toteutettavissa vain ihanteellisella oletuksella, että fyysisesti mitattu data kattaa mallin käyttöönoton vaiheen poistoehdot, mikä tunnetaan koneoppimisen yhteisön yleisenä domeenisiirtymisen haasteena. Huolimatta edistysaskelista siirtymäoppimisessa ja domeenimuunnoksissa  , , , haasteita säilyy, koska kohdedomeenin kohdistaminen vaatii edelleen ennakko-tietoa käyttöönoton yhteydessä, ja olemassa olevia oppimismenetelmiä on vaikea päivittää satunnaisiin poistoehtoihin  . Vaihtoehtona on datan testausasteikon laajentaminen tutkimattomissa poistoehdoissa datan puutteen ja heterogeenisuuden lieventämiseksi, vaikka se voi johtaa lisääntyneisiin kustannuksiin. Wang et al. ehdottivat lämpötilan louhintamenetelmää reaktiokinetiikan mieltymysten interpoloimiseksi eri välitiloissa termokemiallisen prosessin aikana, mahdollistaen laajojen harjoitusdatakantojen rakentamisen minimaalisella termokemian kokeellisella mittakaavalla ja kustannuksilla datan lisäyksenä koneoppimismallin harjoitukseen  . Lisäksi generatiivinen oppiminen osoittaa mahdollisuuksia SOH:n arviointiin täydennetyllä datalla osittain syklatuista profiileista, säästäen tarvittavaa fyysisesti testattua dataa  , . Akkujen uudelleenkäytön ja kierrätyksen kontekstissa oleva data-puute ja heterogeenisuus ovat kuitenkin vielä monimutkaisempia, koska katodimateriaalityypit, fyysiset muodot, kapasiteettisuunnittelut ja historialliset käyttötavat ovat sekoittuneet, rajoittaen ehtokohtaisen rappeutumistiedon potentiaalista integrointia koneoppimismalleihin. Siksi on perusteltua harkita poistoehtojen ja pulssin jännitevasteen riippuvuussuhdetta datan generointia varten, ilman pitkiä aikasarjakapasiteetin kalibrointeja ja ylimääräisiä fyysisiä kokeita samanaikaisesti, SOH-arvioinnin suorituskyvyn parantamiseksi. 38 24 39 30 40 41 41 42 43 44 45 46 47 48 49 50 17 41 17 51 52 53 54 55 56 57 58 59 60 61 62 Tässä tutkimuksessa suoritamme poistettujen akkujen esikäsittelyn, eli SOH-arvioinnin, käyttämällä attentiivisen variaatioautoenkooderin generoimia pulssijännitevasteen tietoja säästettynä fyysisen mittausajan ja kustannusten osalta. Yleisten esikäsittelyvaiheiden, generatiivisen mallin harjoituksen ja käytännön mallin käyttöönoton vaiheiden korkean tason prosessi on esitetty kuvassa 1. Tutkimusideana on käyttää generatiivista oppimista jo mitatun datan hyödyntämiseen pulssijännitevasteiden tutkimiseksi jatkuvissa poistoehdoissa, eli SOC-jakaumissa elinkaaren lopussa olevien akkujen keräysvaiheessa. Jälkikäteinen SOH-arviointi toteutetaan ilman fyysisesti mitattua pulssivastetta, säästäen esikäsittelyn sähkökustannuksia ja hiilipäästöjä, jotka muuten vaadittaisiin SOC:n kunnostamisesta odotettuun tasoon. Verrattuna ampeerituntien integrointimenetelmään ja koneoppimisen pulssin injektointiin, generatiivinen oppiminen korostaa nopeampaa generointinopeutta ja tarkkaa arviointia. Generoidulla datalla yksinkertainen regressori arvioi onnistuneesti SOH:n matalalla virheellä tuntemattomissa tai saavuttamattomissa SOC-poisto-olosuhteissa tietokannassa, haastavassa jakautuneen jakautuman (OOD) ongelmassa. OOD-ongelma ratkaistaan oppimalla perinnöllinen fysikaalinen kuvio SOC-olosuhteen ja nopean pulssin aiheuttaman jännitevasteen välillä. Demonstroimme menetelmämme yleistettävyyden vahvistamalla 2700 fyysisesti mitatulla näytteellä, jotka kattavat 3 katodimateriaalityyppiä, 3 fyysistä muotoa, 4 kapasiteettisuunnittelua ja 4 historiallista käyttötapaa (1 laboratorioacceleroidu testi, 3 EV-ajoa, mukaan lukien 1 puhtaasti sähköistetty voimansiirto-tila ja 2 hybridivoimansiirto-tilaa). Generatiivinen oppiminen soveltuu interpolointiin ja ekstrapolointiin integroimalla ennakko-tietoa poistoehdoista latentin avaruuden skaalaukseen, säästäen mittausajan, sähkökustannukset ja seuraavat hiilipäästöt tinkimättä SOH-arvioinnin tarkkuudesta. Varovainen maailmanlaajuinen akkuja koskeva skenaario vuodelle 2030 korostaa nopean ja kestävän SOH-arvioinnin merkitystä pyrometallurgiassa, hydrometallurgiassa ja suorakierto-olosuhteissa. Teknisten ja taloudellisten analyysien avulla generatiivisen oppimisen avustama SOH-arviointi voi säästää 4,9 miljardia dollaria sähkökustannuksissa ja 35,8 miljardia kg CO2-päästöjä vuoteen 2030 mennessä maailmanlaajuisesti. Keskustelemme mallin tulkittavuudesta, akkujen kierrätyksen esikäsittelyn vaikutuksista ja tulevaisuuden älykkään kierrätyksen esikäsittelyn laajemmista näkökohdista integroituna koneoppimiseen.    Elinkaaren lopussa olevien akkujen esikäsittelyvaiheet sisältävät SOC-kunnostuksen, fyysiset mittaukset, koneoppimisen SOH-diagnoosia varten ja toisen elämän päätöksentekoprosessin ennen uudelleenkäyttöä tai kierrätystä. SOC-kunnostus tarkoittaa elinkaaren lopussa olevien akkujen SOC-arvojen säätämistä halutuille tasoille käyttämällä perinteistä vakiovirta-vakiok Arteta (CCCV) -menetelmää.   Attentiivisen variaatioautoenkooderin kaavakuva pulssin jännitevasteen tiedon generointiin.   Datan generointimallin käytännön käyttö SOH-arvioinnissa ei vaadi ylimääräistä SOC-kunnostusta. Koulutettu koneoppimismalli saa ohjausta generoidusta datasta ja vastaanottaa välittömiä pulssijännitevasteita käyttöönoton vaiheessa.   Taloudelliset ja ympäristöhyödyt ja nopea generointinopeus generatiivisella oppimismenetelmällämme säästämällä SOC-kunnostuskustannuksia vuoden 2030 akkuja koskevassa maailmanlaajuisessa poistoskenaariossa. a b c d Tulokset Datan hankinta Datan puute ja heterogeenisuus ovat merkittäviä haasteita dataohjatussa akun diagnoosissa ja ennusteissa, erityisesti elinkaaren lopussa oleville akuille. Keräsimme 2700 näytettä 270 fyysisesti poistetusta akusta laajalla SOC-alueella, eli 5 %:sta 50 %:iin 5 %:n askelin. Kuvassa 2a, tietojoukko kattaa 3 yleisintä katodimateriaalityyppiä, mukaan lukien 119 fyysisesti kerättyä NMC:tä (nikkeli-mangaani-kobolttioksidi), 56 LFP:tä (litiumrautafosfaatti) ja 95 LMO:ta (litium-mangaanioksidi) poistettua akkua, kattäen 3 fyysistä muotoa (sylinterimäinen, pussi, prismaattinen) ja 4 historiallista käyttötapaa (1 laboratorioacceleroidu testi, 3 EV-käyttöä, mukaan lukien 1 puhtaasti sähköistetty voimansiirto-tila ja 2 hybridivoimansiirto-tilaa). Korostamme, että erittäin heterogeenisten testinäytteiden sisällyttäminen tekee tietojoukostamme suurimman nopean pulssin pohjalta tehdyn tietojoukon elinkaaren lopussa olevien akkujen SOH-arvioinnille tähän mennessä, edistäen mallin yleistettävyyttä fyysisesti mitattujen tietojoukkojen ulkopuolelle.    Sankey-kaavio elinkaaren lopussa olevien akkujen jakaumalle, joka sisältää katodimateriaalityypit, fyysiset muodot, kapasiteettisuunnittelut ja historialliset käyttötavat.   Pulssivirta ja sitä seuraava jännitevaste elinkaaren lopussa oleville akuille, joissa piirteet on poimittu käännekohdista, eli pisteistä, joissa jännitevastekäyrän toisen derivaatan arvo on nolla. 21 piirrepistettä, U1:stä U21:een, on poimittu. Raakadatan tallennustaajuus on 100 Hz. C-nopeusväli on 25 sekuntia jokaisen pulssin välillä. Huomaa, että C-lyhenne tarkoittaa lataus (purkaus) nopeutta, kun 1 tunnin lataus (purkaus) suoritetaan. Ympäristön lämpötilaa säädetään 25 ℃:een.   Elinkaaren lopussa olevien 2,1 Ah:n ja 21 Ah:n akkujen kuntoarvion (SOH) jakauma (Gaussin sovitus) esimerkkinä. Muiden akkutyyppien SOH-jakaumasta voi viitata täydentävään kuvaan 1.   Mitattujen pulssijännitevasteen ja kapasiteettikalibrointitestillä kalibroidun SOH:n välinen suhde, eri lataustilojen (SOC) olosuhteissa. Ensimmäinen piirreulottuvuus, U1, on esitetty.   Interpolaatio- ja ekstrapolaatiodatan generointitapauksen havainnollistus eri akkujen poisto-SOC-jakaumien alla. Yksityiskohtaiset testiasetukset ovat täydentävissä muistiinpanoissa 1 ja 2, hu a b c d e

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

Tämä ääni on tuotettu tarinan alkuperäisellä kielellä!

Generatiivinen tekoäly mahdollistaa käytöstä poistettujen litiumioniakkujen kestävän uudelleenkäytön

About Author

KOMMENTIT

RIPUTA TAGSIA

TÄMÄ ARTIKKELI ESITETTIIN

Related Stories

Why The "Missing Middle" Is The Biggest Untapped Opportunity in 2026

HackerNoon Projects of the Week: InfoFusion Hubs, Firefox Managed Session Controller, NoteOCR

Spaghetti

10x Research: How a FIL Backed USD Stablecoin By Secured Finance Would Boost The Filecoin Ecosystem

Why The "Missing Middle" Is The Biggest Untapped Opportunity in 2026

HackerNoon Projects of the Week: InfoFusion Hubs, Firefox Managed Session Controller, NoteOCR

Spaghetti

10x Research: How a FIL Backed USD Stablecoin By Secured Finance Would Boost The Filecoin Ecosystem

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps