```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Tekijät: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Tiivistelmä Lajitellut käytöstä poistetut akut, joissa on erilaisia katodimateriaaleja, haittaavat suoran kierrätyksen käyttöä niiden katodispesifisen luonteen vuoksi. Käytöstä poistettujen akkujen kasvu edellyttää tarkkaa lajittelua tehokkaaseen suoraan kierrätykseen, mutta haasteita aiheuttavat erilaiset käyttöhistoriat, monipuoliset valmistajat ja kierrätysyhteistyökumppaneiden (tietojen omistajien) tietosuojahuolenaiheet. Tässä esittelemme ainutlaatuisesta 130 litiumioniakkuun perustuvasta tietojoukosta, joka kattaa 5 katodimateriaalia ja 7 valmistajaa, kuinka hajautettu koneoppimismenetelmä voi luokitella nämä käytöstä poistetut akut ilman aiempia käyttödataa, suojellen kierrätysyhteistyökumppaneiden tietosuojaa. Hyödyntämällä elinkaarensa lopussa olevan lataus-purkaussyklin ominaisuuksia mallimme osoittaa 1 %:n ja 3 %:n katodin lajitteluvirheet homogeenisissa ja heterogeenisissä akkujen kierrätysasetelmissa vastaavasti, mikä johtuu innovatiivisesta Wasserstein-etäisyyden äänestysstrategiastamme. Taloudellisesti ehdotettu menetelmä korostaa tarkan akkujen lajittelun arvoa vauraalle ja kestävälle kierrätysteollisuudelle. Tämä tutkimus aloittaa uuden paradigman, jossa käytetään yksityisyyttä vaativia tietoja eri lähteistä, edistäen yhteistyöhön perustuvaa ja yksityisyyttä kunnioittavaa päätöksentekoa hajautetuissa järjestelmissä. Johdanto Litiumioniakut (LIB), energian varastointilaitteina, ovat laajalti käytössä eri aloilla, teollisesta tuotannosta päivittäiseen elämään hyväksyttynä teknisenä reittinä. Ennusteet viittaavat siihen, että LIB:ien globaali tuotantomäärä ylittää 1,3 TWh vuoteen 2030 mennessä , jolloin akkujen kasvava kysyntä ylittää huomattavasti kriittisten metallivarojen, kuten litiumin ja koboltin, saatavuuden , . LIB-tuotteiden nykyinen keskimääräinen käyttöikä on kuitenkin 5–8 vuotta, mikä johtaa käytöstä poistettujen akkujen välittömään lisääntymiseen monissa maissa. Jos käytöstä poistettuja akkuja ei hallita asianmukaisesti, ne johtavat kestämättömään resurssihukkaan ja ympäristöhaittoihin. Näissä olosuhteissa akkujen kierrätysteknologian kehittäminen on ensiarvoisen tärkeää, kun kohtaamme käytöstä poistettavien LIB:ien odotettavissa olevan aallon . 1 2 3 4 Viimeaikaiset edistysaskeleet akkujen kierrätyksen tutkimuksessa ovat keskittyneet pyrometallurgisiin, hydrometallurgisiin ja suoriin kierrätysmenetelmiin . Verrattuna pyrometallurgisiin ja hydrometallurgisiin menetelmiin, suora kierrätys erottuu erillisenä lähestymistapana. Tämä prosessi ei aiheuta materiaalirakenteelle toissijaista vahinkoa, mahdollistaen tehokkaamman rakenteellisen korjauksen ja suorituskyvyn palauttamisen. Lisäksi suoralla kierrätyksellä on korkeampi kannattavuus, sillä se vaatii pienemmän energiankulutuksen, vähemmän kasvihuonekaasupäästöjä ja kevyempiä ympäristöjalanjälkiä , . Todellisessa tuotannossa akkujen kierrättäjät kohtaavat kuitenkin usein LIB:ejä, jotka koostuvat tuntemattomista komponenteista tai akkupaketteja, jotka sisältävät erilaisia katodimateriaalityyppejä. Koska suora kierrätys voi olla voimakkaasti katodispesifistä, tällainen monimutkaisuus tekee suoran kierrätyksen soveltamisesta epäkäytännöllistä käytöstä poistettujen akkujen arvomuunnoksen saavuttamiseksi . On tärkeää korostaa, että vaikka elintärkeät metallit eri katodimateriaalityypeistä voidaan uuttaa tavanomaisilla kierrätysstrategioilla, eri katodimateriaalien vuorovaikutus kierrätysprosessin aikana voi vaikuttaa haitallisesti tuotteen laatuun . Siksi katodimateriaalintyyppitiedon ymmärtäminen kierrätyspuolella vaikuttaa merkittävästi suoran kierrätysreitin valintaan ja parantaa lopulta tuotteen laatua, kannattavuutta ja kestävyyttä. 5 6 7 8 9 Ihmisavusteinen suora kierrätys on ehdotettu käytöstä poistettujen akkujen katodimateriaalintyyppitiedon tunnistamiseksi esikäsittelyvaiheessa, mikä ei vieläkään ole taloudellisesti kannattavaa akkuteollisuuden laajentuessa . Käytöstä poistettujen akkujen katodityyppitiedon tehokkaaksi noutamiseksi tiede- ja teollisuusyhteisö on hiljattain käynnistänyt akkujen käyttöikää seuraavan järjestelmän  ja uusia konsepteja, kuten akkupassi  ja akkudatan genomi . Vaikka näiden aloitteiden edellä on käytetty huomattavasti akkuja, vallitsee kasvava yhteisymmärrys siitä, että akkujen tietojen tulisi olla saatavilla koko elinkaaren ajan toisen elämän päätöksenteon helpottamiseksi . Tämä pätee erityisesti akkujen kierrätyssektoriin, joka on akun toisen elämän viimeinen asema, sillä kierrätysreitti voi olla voimakkaasti katodispesifinen. Akkujen käyttöikää seuraavat järjestelmät tai akkupassit ovat kuitenkin käytettävissä elektronisten laitteiden, kuten viivakoodien ja lähikenttäviestinnän, avulla, mikä voi aiheuttaa intensiivisiä investointeja ja olla laajalti yhteensopimaton eri akkusunnittelijoiden kanssa. Lisäksi elektronisten laitteiden johdonmukainen hallinta koko niiden käyttöiän ajan on edelleen haastavaa, mikä johtaa kuluneisiin laitteisiin ja saatavuuden puutteeseen kierrätysvaiheessa, koska nykyaikaista LIB-valmistusprosessia ei ole vielä integroitu tuotannosta kierrätykseen . Siksi tarvitaan kiireellisesti lisää läpimurtoja, jotta saavutetaan tehokas akkujen katodityypin lajittelu pelkästään helposti saatavilla olevan kenttätiedon avulla , , vastakohtana historiallisesti tallennetulle tiedolle tai ihmisavusteiselle tavalle, helpottaen suoran kierrätyksen käyttöä kierrätettyjen tuotteiden laadun ja kannattavuuden parantamiseksi. 1 10 11 12 13 14 15 16 Viime vuosina koneoppimisesta on tullut elinkelpoinen työkalu avointen kysymysten ratkaisemiseksi kaikilla akkualoilla. Muissa akkuihin liittyvissä aiheissa koneoppiminen on hiljattain mahdollistanut monimutkaisten akkumekanismeiden automaattisen löytämisen , , , jäljellä olevan käyttöiän ennustamisen , , , , , terveysasteen arvioinnin , , , sykliprofiilin optimoinnin , , vikaantumisjakauman approksimoinnin , jopa akkusuunnittelun ohjaamiseen ,  ja elinikäisen suorituskyvyn ennustamiseen heti valmistuksen jälkeen . Akkujen kierrätyksen osalta harvat työt ovat tutkineet koneoppimista katodimateriaalien suhteen , , mikä johtuu akkudatan niukkuudesta, erityisesti elinkaarensa lopussa olevien akkujen osalta. Suurin osa julkaistuista tutkimuksista esittelee hyvin rajallisia otoskokoja  ja akkukadon monimuotoisuus on vielä rajallisempi . Niukkuus johtuu intensiivisistä kustannuksista, pitkästä testausajasta  ja ennen kaikkea datan yksityisyydestä kaupallisten tai etunäkökulmien vuoksi. Näin ollen yksityisyysongelma jäykistää dilemman, jossa olemassa olevaa akkudataa, vaikka se olisikin suuri määrä ja monipuolista useilta osapuolilta, kuten akkuvalmistajilta, käytännön sovelluksilta, akateemisilta laitoksilta ja kolmannen osapuolen alustoilta, ei voida jakaa. Tällainen dilemma vaatii katodimateriaalilajittelun tutkimista akkujen kierrätysreitin valinnan optimoimiseksi yhteistyöhön perustuvassa ja yksityisyyttä suojaavassa muodossa. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Hajautettu ja yksityisyyttä suojaava hajautettu koneoppimisen paradigma voi ratkaista sekä monen osapuolen yhteistyön (vastaavasti akkudatan määrän ja monimuotoisuuden) että yksityisyyskysymykset yhteistyöhön perustuvan koneoppimisen avulla , , . Jokaisella harjoituskierroksella hajautetut datan omistajat suorittavat paikallista koulutusta paikallisella laskentatehollaan, salaavat koulutetut malliparametrit/tulokset ja lataavat ne keskitettyyn koordinaattoriin koostamista varten. Raakadata ei koskaan poistu omista tietolähteistään, ja siirretyt parametrit/tulokset on salattu asianmukaisesti tietosuojan suojaamiseksi. Hajautettua koneoppimista on tutkittu laajasti lukuisilla sovellusalueilla, mukaan lukien kansanterveys , , kliininen diagnoosi , , , verkkokauppa , esineiden internet , mobiililaskenta  ja älyverkko , , . Tämä lähestymistapa voi mullistaa datalähtöisen tutkimuksen paradigman laajalla energia-alalla mahdollistamalla yksityisyyttä suojaavan yhteistyön, erityisesti niille, joilla on rajallinen pääsy tietoihin. Akkujen kierrätyssektorilla hajautettu koneoppiminen tarjoaa lupaavia mahdollisuuksia hyödyntää olemassa olevaa valtavaa akkudatamäärää, jota ei kuitenkaan voida jakaa yksityisyyshuolien vuoksi. Tällaisella yhteistyöhön perustuvalla ja yksityisyyttä suojaavalla paradigmalla käytöstä poistettujen akkujen lajittelu voidaan toteuttaa korkealla tarkkuudella, tehokkuudella, skaalautuvuudella ja yleistettävyydellä, optimoiden kierrätettyjen tuotteiden laatua ja kannattavuutta. Tietämyksemme mukaan hajautettua koneoppimista koskevia tutkimuksia akkujen kierrätyksestä ei ole aiemmin raportoitu. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 Tässä tutkimuksessa suoritamme käytöstä poistettujen akkujen katodimateriaalilajittelun hyödyntämällä useiden yhteistyökumppaneiden, kuten akkuvalmistajien, käytännön sovellusoperaattoreiden, akateemisten tutkimuslaitosten ja kolmansien osapuolien alustojen, olemassa olevaa akkudataa yhteistyöhön perustuvassa ja yksityisyyttä suojaavassa koneoppimismuodossa, kuten kuvassa 1 esitetään. . Hajautettu koneoppimismallimme koulutettiin käyttäen vain yhtä sykliä kenttäkestotestausta standardoidun ominaisuuksien poimintaprosessin avulla, ilman aiempaa tietoa historiallisista käyttöolosuhteista. Vertaamme hajautetun koneoppimismallimme ennustusvoimaa paikallisiin, itsenäisesti opittuihin malleihin, jotka perustuvat paikalliseen dataan sekä homogeenisissa että heterogeenisissä akkujen kierrätysolosuhteissa. Heterogeenisuusongelma ratkaistaan ehdottamallamme Wasserstein-etäisyyden äänestysstrategialla. Suoritetaan taloudellinen arviointi käytöstä poistettujen akkujen kierrätyksestä käyttämällä ehdottamaamme hajautettua koneoppimiskehikkoa, korostaen tarkkojen käytöstä poistettujen akkujen lajittelun merkitystä ja välttämättömyyttä. Keskustelemme kattavasti mallin tulkittavuudesta, akkujen kierrätyksen vaikutuksista ja laajemman tulevaisuuden akkujen kierrätyksen käytännön mahdollisuuksista yhdistettynä hajautettuun koneoppimiseen. 1    Monet tietolähteet, kuten akkuvalmistajat (kuvan tarjoaja Addionics), käytännön sovellusoperaattorit (akkupaketti Teslan pohjapellissä. Kuvan tarjoaja Tesla), akateemiset tutkimuslaitokset ja kolmansien osapuolien alustat voivat olla datan toimittajia. Akkudataa ei vaihdeta toimittajien välillä eikä ladata akkujen kierrättäjälle. Sen sijaan datan toimittajat kouluttavat paikallisia malleja ja jakavat malliparametreja akkujen kierrättäjälle globaalin mallin rakentamiseksi. Ehdotettu Wasserstein-etäisyyden äänestystekniikka yhdistää paikalliset mallit globaaliksi malliksi, joka on vankka datan epätasapainoa ja kohinaa vastaan. Akkujen kierrättäjät voivat käyttää yhdessä rakennettua mallia akkujen lajitteluun, yhdistettynä helposti saatavilla olevaan kenttäkestotietoon.   Hajautettu koneoppimiskehikkomme kannustaa yhteistyökumppaneita jakamaan tietoja säilyttäen samalla tietosuojan verrattuna perinteiseen datasaareke-paradigman. a b Tulokset Datan keruu ja standardointi Erilaisissa akkutyyppeissä esiintyvät ainutlaatuiset akkukinetiikat ovat usein korkeaulotteisia ja vaikeasti karakterisoitavissa, johtuen eroavista käyttöolosuhteista, valmistusvaihteluista ja historiallisista käyttötavoista . Ratkaisun löytämiseksi tähän dilemmaan keräsimme ja standardoimme 130 käytöstä poistettua akkua, joissa oli 5 katodimateriaalityyppiä 7 valmistajalta, muodostaaksemme ulkopuolisen, vastaavasti heterogeenisen tietojoukon. Erilaisten käyttöhistorioiden vuoksi kerättyjen akkujen kapasiteetti on alle 90 % nimelliskapasiteetista. Akkujen katodimateriaalit ovat litiumkobolttioksidi (LCO), nikkeli-mangaani-koboltti (NMC), litiumrautafosfaatti (LFP), nikkeli-koboltti-alumiinioksidi (NCA) ja NMC-LCO-sekoitetut tyypit, jotka on lisäksi ryhmitelty 9 luokkaan valmistajien perusteella (lisätaulukko  ). Sisällytimme tarkoituksella akkuja, joilla oli erilaisia käyttöhistorioita laboratoriokokeista sähköautojen ajo-profiileihin, kouluttaaksemme yleistettävän mallin akkujen kierrättäjälle, riippumatta käyttöhistoriasta ja akkutyyppistä. 52 1 Standardointia varten kaikki kierrättäjältä vaadittavat tiedot ovat nykyisin tutkittava (kenttäkestoinen) sykli, jossa on yksi lataus- ja purkutesti, mikä on helppo toteuttaa käytännössä. Tutkitut tiedot ensin puhdistetaan täyttämällä puuttuvat arvot, korvaamalla poikkeamat ja suorittamalla mediaanisuodatus. Ihmisen aiheuttama ja katodien heterogeenisuudesta johtuva kohina kuitenkin säilytetään tarkoituksella, jotta malli olisi vankka epätäydellisille syötteille. Tiedot interpoloidaan sitten lineaarisesti käyrän täyttämiseksi (lisäkuva  ) ja ominaisuuksia muokataan ulottuvuuden pienentämiseksi, jaettuja standardointiparametreja käyttäen (lisähuomautus  ). Standardointiprosessin aikana poimitut ominaisuudet ovat hyvin tulkittavissa, mikä on merkittävän kaupallisen kiinnostuksen kohde. Tietämyksemme mukaan tämä on ensimmäinen kerta, kun useista lähteistä ja käyttöhistorioista peräisin olevia heterogeenisiä akkudatoja käytetään akkujen kierrätyksen strategiasuunnittelun tukemiseen. 1 1 Kuva  a, b esittävät ominaisuuksien muokkausprosessia. Keskitymme käytöstä poistettujen akkujen lataus- ja purkauskäyrään viimeisessä syklissä, eli yhteen lataus- ja yhteen purkusykliin (lisäkuvat  – ). Lataussyklissä poimitaan 15 ominaisuutta jännite-kapasiteetti- ja dQ/dV-käyristä, joissa V ja Q viittaavat jännite- ja kapasiteettiarvoihin. Samat ominaisuudet poimitaan purkaussyklille. Tuloksena poimitaan yhteensä 30 ominaisuutta, jotka on merkitty F1:stä F30:een. Katso lisätaulukko   ja lisähuomautus   ominaisuuksien yksityiskohtaisesta selityksestä. Kuva  c esittää kunkin luokan valittujen akkujen absoluuttisia ja suhteellisia ominaisuusarvoja. Useimmat eri luokkien suhteelliset ominaisuusarvot ovat päällekkäisiä alueella −1–0 (vaaleanvihreällä värillä) ja erottamattomia, mikä osoittaa vaikeuden luokitella akkutyyppiä käyttämällä yhtä akkudatasykliä. Vaikeus on odotettavissa, koska erilaiset historialliset käyttöolosuhteet voivat vaikuttaa akkujen lataus-purku kinetiikkaan niin, että poimitut ominaisuudet voivat olla suurelta osin korreloituneita eri akkutyyppien välillä (lisäkuva  ). Suorien ominaisuuksien tulkitsemisen sijaan asiantuntijatietoon perustuen käytämme vaihtoehtoista dataan perustuvaa lähestymistapaa, joka hyödyntää automaattisesti piileviä malleja eri akkutyyppien välillä. 2 2 5 2 2 2 6    Latausprosessia varten 15 ominaisuutta poimitaan jännite-kapasiteetti- (vasen) ja dQ/dV-käyristä (oikea).   Samat ominaisuudet koskevat purkuprosessia nimellä F16–F30.   Ominaisuudet visualisoidaan luokittain, muodossa CxBn, mikä tarkoittaa luokan x n:ttä akkua. Ympyrän koko kuvaa absoluuttista ominaisuusarvoa. Lähdedata on toimitettu lähdedatatiedostona. a b c Käytöstä poistettujen akkujen lajittelu homogeenisella datayhteydellä Harkitsemme ensin asetelmaa, jossa akkudata jakautuu homogeenisesti yhteistyökumppaneiden (eli asiakkaiden) kesken. Homogeenisuus tarkoittaa, että jokainen asiakas tarjoaa akkudataa kaikista 9 luokasta, vaikka akkujen tarkka määrä ei ole rajoitettu (lisätaulukko  ). Koulutamme hajautetun koneoppimismallimme ilman tietoa käytettyjen akkujen historiallisesta käytöstä. Työssämme kierrättäjä ja asiakkaat tarvitsevat vain testata käytöstä poistettuja akkuja nykyisessä (kenttäkestoisessa) syklissä, erityisesti täydellisellä lataus-purkusyklillä, standardoidulle kierrättäjän aloittamalle ominaisuuksien muokkausprosessille. Paikalliset mallit koulutetaan ominaisuuksien perusteella, jotka on poimittu niiden yksityisestä akkudatasta. Hajautettu koneoppimiskehikko yhdistää paikallisten mallien parametrit, eikä yksityistä akkudataa, jotta kierrättäjä voi luokitella käytöstä poistetut akut. 3 Kuva   es 3

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

Tämä ääni on tuotettu tarinan alkuperäisellä kielellä!

Tämä tietosuoja-ystävällinen tekoäly voi muuttaa akkujätettä suureksi voitoksi

About Author

KOMMENTIT

RIPUTA TAGSIA

TÄMÄ ARTIKKELI ESITETTIIN

Related Stories

PENANCE

Why Choosing to Publish on HackerNoon First Matters

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

About Bitcoin And “Web 2.5,” HackerNoon’s First Documentary

PENANCE

Why Choosing to Publish on HackerNoon First Matters

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

About Bitcoin And “Web 2.5,” HackerNoon’s First Documentary

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps