```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 käytetyt akut, joissa on vaihtelevia katodimateriaaleja, haittaavat suoran kierrätyksen käyttöönottoa niiden katodispesifisen luonteen vuoksi. Käytettyjen akkujen kasvu edellyttää tarkkaa lajittelua tehokkaaseen suoraan kierrätykseen, mutta haasteita syntyy vaihtelevista käyttöhistoriioista, eri valmistajista ja kierrätyskumppaneiden (datan omistajien) tietosuojahuolista. Tässä esittelemme ainutlaatuisesta 130 litiumioniakkuja kattavasta, 5 katodimateriaalia ja 7 valmistajaa kattavasta tietojoukosta, että liittokoneoppimismenetelmä voi luokitella nämä käytetyt akut ilman aiempia käyttödataa, suojaten kierrätyskumppaneiden datan yksityisyyttä. Hyödyntämällä elinkaaren lopun lataus-purkaussykeestä uutettuja piirteitä, mallimme osoittaa 1 % ja 3 % katodien lajitteluvirheitä homogeenisissa ja heterogeenisissä akkukierrätysasetelmissa, jotka johtuvat innovatiivisesta Wasserstein-etäisyyden äänestysstrategiastamme. Taloudellisesti ehdotettu menetelmä korostaa tarkan akkujen lajittelun arvoa menestyvälle ja kestävälle kierrätysteollisuudelle. Tämä tutkimus ennakoi uutta paradigmaa, jossa hyödynnetään useista lähteistä peräisin olevaa yksityisyyttä koskevaa dataa, mikä edistää yhteistyöhön perustuvaa ja yksityisyyttä kunnioittavaa päätöksentekoa hajautetuille järjestelmille. Johdanto Litiumioniakut (LIB), jotka toimivat energianvarastointilaitteina, ovat yleistyneet laajasti eri aloilla teollisesta tuotannosta päivittäiseen elämään hyväksyttynä teknisenä reittinä. Ennusteet viittaavat siihen, että LIB-akkujen maailmanlaajuinen tuotantomäärä ylittää 1,3 TWh vuoteen 2030 mennessä , kun akkujen kasvava kysyntä ylittää niukkuuden kriittisten metallivarojen, kuten litiumin ja koboltin, saatavuuden , . LIB-tuotteiden nykyinen keskimääräinen käyttöikä on kuitenkin 5–8 vuotta, mikä johtaa käytettyjen akkujen välittömään kasvuun monissa maissa. Jos käytettyjä akkuja ei hallita asianmukaisesti, ne aiheuttavat kestämätöntä resurssihukkaa ja ympäristöhaittoja. Näissä olosuhteissa akkukierrätysteknologian kehitys on ensiarvoisen tärkeää, kun kohtaamme lähestyvän käytettyjen LIB-akkujen tulvan . 1 2 3 4 Viimeaikaiset edistysaskeleet akkukierrätystutkimuksessa ovat keskittyneet pyrometallurgisiin, hydrometallurgisiin ja suoran kierrätyksen menetelmiin . Pyrometallurgisiin ja hydrometallurgisiin menetelmiin verrattuna suora kierrätys eroaa erillisenä lähestymistapana. Tämä prosessi ei aiheuta materiaalirakenteelle toissijaisia vaurioita, mikä mahdollistaa tehokkaamman rakenteen korjaamisen ja suorituskyvyn palauttamisen. Lisäksi suoralla kierrätyksellä on korkeampi kannattavuus, koska siihen liittyy alhaisempi energiankulutus, vähemmän kasvihuonekaasupäästöjä ja kevyempi ympäristöjalanjälki , . Todellisessa tuotannossa akkukierrättäjät kohtaavat kuitenkin usein LIB-akkuja, jotka koostuvat tuntemattomista komponenteista tai akkumoduuleista, jotka koostuvat erilaisista katodimateriaalilaaduista. Koska suora kierrätys voi olla voimakkaasti katodispesifistä, tällainen monimutkaisuus tekee suoran kierrätyksen soveltamisesta epäkäytännöllistä käytettyjen akkujen arvon muuntamiseksi . On tärkeää korostaa, että vaikka tärkeitä metalleja sekoitetuista katodimateriaalilaaduista voitaisiin uuttaa tavanomaisilla kierrätysstrategioilla, erilaisten katodimateriaalien välinen vuorovaikutus kierrätysprosessin aikana voi vaikuttaa haitallisesti tuotteen laatuun . Siksi katodimateriaalilaadun tiedon ymmärtäminen kierrätyspuolella vaikuttaa merkittävästi suoran kierrätysreitin valintaan ja parantaa lopulta tuotteen laatua, kannattavuutta ja kestävyyttä. 5 6 7 8 9 Ihmisavusteista suoraa kierrätystä on ehdotettu käytettyjen akkujen katodimateriaalilaadun tunnistamiseksi esikäsittelylinkissä, mikä ei vieläkään ole taloudellisesti kannattavaa kierrätysteollisuuden skaalautuessa . Käytettyjen akkujen katodilajin tiedon tehokkaaksi palauttamiseksi tiede- ja teollisuusyhteisö on hiljattain käynnistänyt akkukäyttöiän seurantajärjestelmän  ja uusia konsepteja, kuten akkupassi  ja akkutietogenomi . Vaikka monia akkuja on käytetty ennen näitä aloitteita, vallitsee kasvava yhteisymmärrys siitä, että akkujen tiedon tulisi olla saatavilla koko elinkaaren ajan toisen elämän päätöksenteon helpottamiseksi . Tämä koskee erityisesti akkukierrätyssektoria, akun toisen elämän viimeistä asemaa, koska kierrätysreitti voi olla voimakkaasti katodispesifinen. Akkujen käyttöiän seurantajärjestelmät tai akkupassit perustuvat kuitenkin elektronisiin laitteisiin, kuten viivakoodiin ja lähikenttäkommunikaatioon, jotka voivat aiheuttaa intensiivistä investointia ja olla laajasti yhteensopimattomia eri akkusuunnittelijoiden kanssa. Lisäksi elektronisten laitteiden johdonmukainen hallinta koko niiden käyttöiän ajan on edelleen haastavaa, mikä johtaa kuluneisiin laitteisiin ja käyttökelvottomuuteen kierrätysvaiheessa, koska LIB-akkujen moderni valmistusprosessi ei ole vielä integroitu tuotannosta kierrätykseen . Siksi tarvitaan kipeästi lisää läpimurtoja tehokkaan akkukatodilaadun lajittelun saavuttamiseksi käyttämällä vain helposti saatavilla olevaa kenttäinformaatiota , , vastoin historiallisesti tallennettua dataa tai ihmisavusteista tapaa, mikä edistää suoran kierrätyksen käyttöönottoa kierrätettyjen tuotteiden laadun ja kannattavuuden parantamiseksi. 1 10 11 12 13 14 15 16 Viime vuosina koneoppimisesta on tullut käyttökelpoinen työkalu avointen kysymysten ratkaisemiseksi kaikilla akkukentillä. Muissa akkuun liittyvissä aiheissa koneoppiminen on hiljattain mahdollistanut monimutkaisten akkujen mekanismien automaattisen löytämisen , , , jäljellä olevan käyttöiän ennustamisen , , , , , terveyskunnon arvioinnin , , , sykliprofiilin optimoinnin , , vikaantumisen jakautuman approksimoinnin , jopa akkujen suunnittelun ohjaamiseen ,  ja elinikäisen suorituskyvyn ennustamiseen heti valmistuksen jälkeen . Akkukierrätyksen tapauksessa harvat työt ovat tutkineet koneoppimista katodimateriaalien osalta , , mikä johtuu vähäisestä akkudatasta, erityisesti elinkaaren loppuun asti käytetyille. Suurin osa julkaistuista tutkimuksista esittelee hyvin rajallisia otoskokoja  ja ne ovat vielä rajoitetumpia akkukatodin monimuotoisuudessa . Vähäisyys johtuu intensiivisistä kustannuksista, pitkästä testausajasta  ja ennen kaikkea datan yksityisyydestä kaupallisten tai eturistiriitojen vuoksi. Tämän seurauksena yksityisyyskysymys jäykistää dilemman, jossa olemassa olevaa akkudataa, vaikkakin huomattavaa määrältään ja monimuotoisuudeltaan useilta osapuolilta, kuten akkuvalmistajilta, käytännön sovelluksilta, akateemisilta laitoksilta ja kolmannen osapuolen alustoilta, ei voida jakaa. Tällainen dilemma vaatii katodimateriaalilajittelun tutkimista akkujen kierrätysreitin valinnan optimoimiseksi yhteistyössä mutta yksityisyyttä säilyttäen. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Liittokoneoppiminen, hajautettuna ja yksityisyyden säilyttävänä paradigmana, voi ratkaista sekä monen osapuolen yhteistyön (vastaavasti, akkudatan määrä ja monimuotoisuus) että yksityisyyskysymykset yhteistyöhön perustuvan koneoppimisen avulla , , . Jokaisella koulutusiteraatiolla hajautetut datan omistajat suorittavat paikallisen koulutuksen omalla paikallisella laskentatehollaan, salaavat koulutetut malliparametrit/tulokset ja lataavat ne keskitettyyn koordinaattoriin yhdistämistä varten. Raakadatalaat eivät koskaan poistu omistajiltaan ja siirretyt parametrit/tulokset on salattu asianmukaisesti yksityisyyden suojaamiseksi. Liittokoneoppimista on tutkittu laajasti lukuisilla sovellusalueilla, mukaan lukien kansanterveys , , kliininen diagnostiikka , , , verkkokauppa , esineiden internet , mobiililaskenta  ja älyverkko , , . Tämä lähestymistapa voi mullistaa datalähtöisen tutkimusparadigmian laajasti energia-aloilla mahdollistamalla yksityisyyttä suojaavan yhteistyön, erityisesti niille, joilla on rajallinen datan saatavuus. Akkukierrätysalan osalta liittokoneoppiminen tarjoaa lupaavia mahdollisuuksia hyödyntää valtavaa määrää jo olemassa olevaa akkudataa, jota ei kuitenkaan voida jakaa yksityisyyden suojaamiseksi. Tällaisella yhteistyöhön perustuvalla mutta yksityisyyttä suojaavalla paradigmalla käytettyjen akkujen lajittelua voidaan toteuttaa korkealla tarkkuudella, tehokkuudella, skaalautuvuudella ja yleistettävyydellä, optimoiden kierrätettyjen tuotteiden laatu ja kannattavuus. Tietojemme mukaan liittokoneoppimistutkimuksia, jotka keskittyvät akkukierrätykseen, ei ole aiemmin raportoitu. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 Tässä tutkimuksessa suoritamme käytettyjen akkujen katodimateriaalilajittelun hyödyntäen useiden yhteistyökumppaneiden, kuten akkuvalmistajien, käytännön operaattoreiden, akateemisten tutkimuslaitosten ja kolmannen osapuolen alustojen, olemassa olevaa akkudataa yhteistyöhön perustuvassa mutta yksityisyyttä suojaavassa koneoppimistavassa, kuten kuvataan kuviossa  . Liittokoneoppimismallimme koulutettiin käyttämällä vain yhtä sykliä kenttätestidataa standardoidun piirteidenpoistoprosessin avulla, ilman ennakko-tietoa historiallisista käyttöolosuhteista. Vertaamme liittokoneoppimismallimme ennustuskykyä paikallisiin, paikallisella datalla koulutettuihin malleihin sekä homogeenisissa että heterogeenisissä akkukierrätysolosuhteissa. Heterogeenisuusongelma ratkaistaan ehdottamallamme Wasserstein-etäisyyden äänestysstrategialla. Suoritamme taloudellisen arvioinnin käytettyjen akkujen kierrätyksestä ehdottamallamme liittokoneoppimiskehyksellä, korostaen käytettyjen akkujen tarkan lajittelun merkitystä ja tarpeellisuutta. Keskustelemme kattavasti mallin tulkittavuudesta, akkukierrätyksen vaikutuksista ja laajemman tulevaisuuden akkukierrätyskäytännön näkymistä integroituna liittokoneoppimiseen. 1    Useita datalähteitä, kuten akkuvalmistajat (Kuvan lähde Addionics), käytön operaattorit (akku Tesla Model S:n lattiapohjassa. Kuvan lähde Tesla), akateemiset tutkimuslaitokset ja kolmannen osapuolen alustat, voivat olla datan tuottajia. Akkudataa ei vaihdeta tuottajien välillä eikä ladata akkukierrättäjälle. Sen sijaan datan tuottajat kouluttavat paikallisia malleja ja jakavat malliparametreja akkukierrättäjälle globaalin mallin rakentamiseksi. Ehdotettu Wasserstein-etäisyyden äänestystekniikka yhdistää paikalliset mallit globaaliin malliin, joka on vankka dataepätasapainolle ja kohinalle. Akkukierrättäjät voivat käyttää yhdessä rakennettua mallia akkujen lajitteluun yhdistettynä helposti saatavilla olevaan kenttätestausdataan.   Liittokoneoppimiskehyksemme kannustaa yhteistyökumppaneita jakamaan dataa samalla kun datan yksityisyys säilyy, toisin kuin perinteinen datasaarekkeistyminen. a b Tulokset Datan keruu ja standardointi Eri akkutyyppien ainutlaatuiset akkukinetiikat ovat usein korkeaulotteisia ja vaikeasti karakterisoitavissa vaihtelevien käyttöskenaarioiden, valmistusvaihtelun ja aiempien käyttötapojen vuoksi . Ratkaisun löytämiseksi tähän dilemmaan keräsimme ja standardoimme 130 käytettyä akkua, joissa on 5 katodimateriaalilaatua 7 valmistajalta muodostaaksemme poikkeavan, vastaavasti heterogeenisen tietojoukon. Koska eri käyttöhistorioita on, kerättyjen akkujen kapasiteetti on alle 90 % nimelliskapasiteetista. Akkut katodimateriaalit ovat litiumkobolttioksidi (LCO), nikkeli-mangaani-koboltti (NMC), litiumferrofosfaatti (LFP), nikkeli-koboltti-alumiinioksidi (NCA) ja NMC-LCO sekoitetut tyypit, jotka ryhmitellään edelleen 9 luokkaan valmistajien perusteella (lisätaulukko  ). Sisällytämme tarkoituksella akkuja, joilla on vaihtelevia käyttöhistorioita laboratori testingistä sähköautojen ajoprofiileihin, jotta voidaan kouluttaa yleistettävä malli akkukierrättäjälle riippumatta käyttöhistoriosta ja akkutyyppejä. 52 1 Standardointia varten kaikki kierrättäjältä vaadittava data on nykyisin mitattu (kenttätestaus) syke, jossa on yksi lataus- ja purkutestaus, mikä on helppo toteuttaa käytännössä. Mitattu data puhdistetaan ensin täyttämällä puuttuvat arvot, korvaamalla poikkeamat ja suorittamalla keskiarvosuodatus. Ihmisen aiheuttama ja katodien heterogeenisyyden aiheuttama kohina jätetään kuitenkin tarkoituksella säilyttääksemme mallin robustisuuden epätäydellisille syötteille. Data interpoloidaan sitten lineaarisesti käyrän täyttämiseksi (lisäkuvio  ) ja piirteistetään ulottuvuuden pienentämiseksi jaetulla joukolla standardointiparametreja (lisähuomautus  ). Standardointiputkesta uutetut piirteet ovat hyvin tulkittavissa, mikä on merkittävä kaupallinen etu. Tietojemme mukaan tämä on ensimmäinen kerta, kun useista lähteistä ja eri käyttöhistorioista peräisin olevaa heterogeenistä akkudataa hyödynnetään akkukierrätyksen strategiasuunnittelun tukemiseksi. 1 1 Kuvio  a, b kuvaavat piirteidenpoistoprosessia. Keskitymme käytettyjen akkujen lataus- ja purkauskäyrään viimeisessä sykissä, eli yhteen lataus- ja purkaussykliin (lisäkuviot  – ). Lataussykissä 15 piirrettä uutetaan jännitekapasiteetti- ja dQ/dV-käyristä, joissa V ja Q viittaavat jännite- ja kapasiteettiarvoihin. Sama piirrejoukko uutetaan purkaussykliin. Tuloksena uutetaan yhteensä 30 piirrettä, kuten F1–F30. Katso lisätaulukko   ja lisähuomautus   piirteiden yksityiskohtaisesta selityksestä. Kuvio  c esittää kunkin luokan valittujen akkujen absoluuttiset ja suhteelliset piirteiden arvot. Useimmat suhteelliset piirteiden arvot eri luokissa ovat päällekkäisiä -1 ja 0 alueella (vaaleanvihreällä värillä) ja ovat erottamattomia, mikä osoittaa vaikeuden luokitella akkutyyppiä yhdellä akkudatan syklillä. Vaikeus on odotettavissa, koska erilaiset historialliset käyttöolosuhteet voivat vaikuttaa akkujen lataus-purkauskineettisyyteen siten, että uutetut piirteet voivat olla merkittävästi korreloituneita eri akkutyyppeistä huolimatta (lisäkuvio  ). Sen sijaan, että uutettuja piirteitä tulkittaisiin suoraan asiantuntijatietoon perustuen, käytämme vaihtoehtoista datalähtöistä lähestymistapaa, joka hyödyntää automaattisesti eri akkutyyppien piileviä malleja. 2 2 5 2 2 2 6    Latausprosessia varten 15 piirrettä uutetaan jännitekapasiteetti (vasen) ja dQ/dV-käyrästä (oikea).   Sama piirrejoukko on purkausprosessille F16–F30.   Piirteet visualisoidaan luokittain muotoa CxBn noudattaen, mikä osoittaa n:nnen akun luokasta x. Ympyrän koko vastaa absoluuttista piirteen arvoa. Lähdedata toimitetaan lähdetiedostona. a b c Käytettyjen akkujen lajittelu homogeenisella datan saatavuudella Tarkastelemme ensin asetelmaa, jossa akkudata on homogeenisesti jakautunut yhteistyökumppaneiden (eli asiakkaiden) kesken. Homogeenisuus tarkoittaa, että jokainen asiakas tarjoaa jaettavaksi akkudataa kaikista 9 luokasta, vaikka akkujen tarkka määrä ei ole rajoitettu (lisätaulukko  ). Koulutamme liittokoneoppimismallimme ilman tietoa käytettyjen akkujen aiemmasta käytöstä. Työssämme kierrättäjä ja asiakkaat tarvitsevat vain testata käytettyjä akkuja nykyisessä (kenttätestaus)sykissä, erityisesti täydellä lataus-purkaussyklillä standardoitua piirteidenpoistoprosessia varten, jonka kierrättäjä aloittaa. Paikalliset mallit koulutetaan niiden yksityisellä akkudatalta uutettujen piirteiden perusteella. Liittokoneoppimiskehys yhdistää paikalliset malliparametrit, eikä yksityistä akkudataa, kierrättäjälle käytettyjen akkujen luokittelemiseksi. 3 Kuvio   näyttää lajittelutulokset, kun asiakkaat toimittavat homogeenista akkudataa. Kuvio  a vertaa kahta liittokoneoppimism 3 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 yksityisyyttä suojaava tekoäly voi muuttaa akku-jätteen suureksi voitoksi.

About Author

KOMMENTIT

RIPUTA TAGSIA

TÄMÄ ARTIKKELI ESITETTIIN

Related Stories

Hurry! Just One Month Left to Win Up to $2,000 in the #blockchain Writing Contest

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

Noonies Interview with Stefano Pavone, the Retrogaming Reporter

Meet Filestack: HackerNoon Company of the Week

Hurry! Just One Month Left to Win Up to $2,000 in the #blockchain Writing Contest

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

Noonies Interview with Stefano Pavone, the Retrogaming Reporter

Meet Filestack: HackerNoon Company of the Week

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps