```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 katodispesifisen luonteensa vuoksi. Käytettyjen akkujen lisääntyminen edellyttää tarkkaa lajittelua tehokkaaseen suoraan kierrätykseen, mutta haasteita syntyy vaihtelevista käyttöhistoriasta, monista valmistajista ja kierrätyskumppanien (tietojen omistajien) tietosuojavaatimuksista. Tässä esittelemme ainutlaatuisesta, 130 litiumioniakkuun ulottuvasta, 5 katodimateriaalia ja 7 valmistajaa kattavasta tietojoukosta, että hajautettu koneoppimismenetelmä voi luokitella nämä käytetyt akut luokittelematta aiempia käyttödataja ja suojaten kierrätyskumppaneiden tietosuojaa. Loppukäytön lataus-purkausjakson ominaisuuksia hyödyntäen mallimme osoittaa 1 % ja 3 % katodien lajitteluvirheet homogeenisissä ja heterogeenisissä akkujen kierrätysasetuksissa, mikä johtuu innovatiivisesta Wasserstein-etäisyysäänestysstrategiastamme. Taloudellisesti ehdotettu menetelmä korostaa tarkan akkujen lajittelun arvoa kukoistavalle ja kestävälle kierrätysteollisuudelle. Tämä tutkimus ennakoi uutta paradigmaa, jossa käytetään yksityisyyden suojaa vaativia tietoja eri lähteistä, mikä mahdollistaa yhteistyöhön perustuvan ja yksityisyyttä kunnioittavan päätöksenteon hajautetuille järjestelmille. Johdanto Litiumioniakut (LIB), jotka toimivat energian varastointilaitteina, ovat yleistyneet laajalti eri aloilla, teollisesta tuotannosta päivittäiseen elämään hyväksyttynä teknisenä reittinä. Ennusteet viittaavat siihen, että LIB-akkujen maailmanlaajuinen tuotantomäärä ylittää 1,3 TWh vuoteen 2030 mennessä , jolloin akkujen kasvava kysyntä ylittää huomattavasti tärkeiden metalliresurssien, kuten litiumin ja koboltin, saatavuuden , . Nykyinen LIB-tuotteiden keskimääräinen käyttöikä on kuitenkin 5–8 vuotta, mikä johtaa käytettyjen akkujen välittömään kasvuun monissa maissa. Jos niitä ei hallita asianmukaisesti, käytetyt akut johtavat kestämättömään resurssihukkaan ja ympäristöhaittoihin. Näissä olosuhteissa akkujen kierrätysteknologian kehittäminen on erittäin tärkeää, kun kohtaamme lähestyvän LIB-akkujen käytöstä poiston tulvan . 1 2 3 4 Viimeaikaiset edistysaskeleet akkujen kierrätystutkimuksessa ovat keskittyneet pyrometallurgisiin, hydrometallurgisiin ja suoran kierrätyksen menetelmiin . Pyrometallurgisiin ja hydrometallurgisiin menetelmiin verrattuna suora kierrätys on erillinen lähestymistapa. Tämä prosessi ei aiheuta materiaalirakenteelle toissijaisia vaurioita, mahdollistaen tehokkaamman rakenteen korjauksen ja suorituskyvyn palauttamisen. Lisäksi suoralla kierrätyksellä on korkeampi kannattavuus, koska se edellyttää pienempää energiankulutusta, vähemmän kasvihuonekaasupäästöjä ja kevyempää ympäristöjalanjälkeä , . Käytännön tuotannossa akkukierrättäjät kohtaavat kuitenkin usein LIB-akkuja, jotka sisältävät tuntemattomia komponentteja tai akkumoduuleja, jotka koostuvat eri katodimateriaalityyppien sekoituksesta. Koska suora kierrätys voi olla voimakkaasti katodispesifinen, tällainen monimutkaisuus tekee suoran kierrätyksen soveltamisen epäkäytännölliseksi käytettyjen akkujen arvonmuunnoksen saavuttamiseksi . On tärkeää korostaa, että vaikka tärkeät metallit eri katodimateriaalityypeistä voidaan eristää tavanomaisilla kierrätysstrategioilla, eri katodimateriaalien välinen vuorovaikutus kierrätysprosessin aikana voi vaikuttaa haitallisesti tuotteiden laatuun . Siksi katodimateriaalitietojen ymmärtäminen kierrätyspuolella vaikuttaa merkittävästi suoran kierrätyksen reitin valintaan ja parantaa lopulta tuotteiden laatua, kannattavuutta ja kestävyyttä. 5 6 7 8 9 Suoran kierrätyksen ihmisavusteinen malli on ehdotettu käytettyjen akkujen katodimateriaalitietojen tunnistamiseksi esikäsittelylinkissä, joka ei vieläkään ole taloudellisesti kannattava akkujen kierrätysteollisuuden skaalautuessa . Käytettyjen akkujen katodityyppitietojen tehokkaaksi hakemiseksi tiede- ja teollisuusyhteisö on hiljattain käynnistänyt akkujen elinkaaren seurantajärjestelmän  ja nousevia konsepteja, kuten akku passin  ja akku datagenomin . Vaikka näiden aloitteiden edellä on käytetty huomattavaa määrää akkuja, kasvava yhteisymmärrys on, että akkujen tiedon tulisi olla saatavilla koko elinkaaren ajan toisen elämän päätöksenteon helpottamiseksi . Tämä koskee erityisesti akkukierrätyssektoria, joka on akun toisen elämän viimeinen asema, sillä kierrätysreitti voi olla voimakkaasti katodispesifinen. Akkujen elinkaaren seurantajärjestelmät tai akkupassit perustuvat kuitenkin elektronisiin laitteisiin, kuten viivakoodeihin ja lähikenttäkommunikaatioihin, jotka voivat aiheuttaa intensiivisiä investointeja ja olla laajalti yhteensopimattomia eri akkusunnittelijoiden kanssa. Lisäksi elektronisia laitteita on vaikea hallita johdonmukaisesti niiden käyttöiän aikana, mikä johtaa kuluneisiin laitteisiin ja saatavuuden puutteeseen kierrätysvaiheessa, koska LIB-akkujen nykyaikaista valmistusprosessia ei vieläkään ole integroitu tuotannosta kierrätykseen . Siksi tarvitaan nopeasti lisää läpimurtoja, jotta voidaan saavuttaa tehokas akkujen katodityyppilajittelu käyttämällä vain helposti saatavilla olevaa kenttätietoa , , päinvastoin kuin historiallisesti tallennettu data tai ihmisavusteinen tapa, mikä helpottaa suoran kierrätyksen käyttöönottoa kierrätettyjen tuotteiden laadun ja kannattavuuden parantamiseksi. 1 10 11 12 13 14 15 16 Viime vuosina koneoppimisesta on tullut varteenotettava työkalu avoimien kysymysten ratkaisemiseksi kaikilla akkualoilla. Muissa akkuteknologiaan liittyvissä aiheissa koneoppiminen on hiljattain mahdollistanut monimutkaisten akkujen mekanismien automaattisen löytämisen , , , jäljellä olevan käyttöiän ennustamisen , , , , , terveydentilan arvioinnin , , , sykliprofiilin optimoinnin , , vikaantumisjakauman likiarvoistamisen , jopa akun suunnittelun ohjaamisen ,  ja elinikäisen suorituskyvyn ennustamisen heti valmistuksen jälkeen . Akkujen kierrätyksen osalta harvat työt ovat tutkineet koneoppimista katodimateriaalien osalta , , mikä johtuu niukasta akkudatasta, erityisesti elinkaarensa loppuun kuluneiden osalta. Suurin osa julkaistuista tutkimuksista osoittaa hyvin rajallisia otoskoita  ja vielä rajoitetumpia akkujen katodien monimuotoisuudessa . Niukkuus johtuu intensiivisistä kustannuksista, pitkästä testausajasta  ja ennen kaikkea tietosuojasta kaupallisten tai etujen vuoksi. Tämän seurauksena tietosuojakysymys jäykistää dilemman, jossa olemassa olevaa akkudataa, vaikkakin huomattavaa määrältään ja monimuotoisuudeltaan useilta tahoilta, kuten akkuvalmistajilta, käytännön sovelluksilta, akateemisilta laitoksilta ja kolmannen osapuolen alustoilta, ei voida jakaa. Tällainen dilemma vaatii katodimateriaalilajittelun tutkimista akkujen kierrätysreittien valinnan optimoimiseksi yhteistyöhön perustuvassa, mutta 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 paradigma, kuten hajautettu koneoppiminen, voi ratkaista sekä monen osapuolen yhteistyön (vastaavasti, akkudatan määrä ja monimuotoisuus) että yksityisyyskysymykset yhteistyöhön perustuvan koneoppimisen avulla , , . Jokaisessa koulutusiteraatiossa hajautetut tietojen omistajat suorittavat paikallista koulutusta paikallisella laskentatehollaan, salaavat koulutetut malliparametrit/tulokset ja lataavat ne keskitettyyn koordinaattoriin aggregoitavaksi. Tosiasiat ovat, että raakadatasetit eivät koskaan poistu omista tietojen omistajistaan ja että siirretyt parametrit/tulokset salataan 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 tutkimusparadigmän laajalla energia-alalla mahdollistamalla yksityisyyttä suojaavan yhteistyön, erityisesti niille, joilla on rajallinen datan käyttöoikeus. Akkujen kierrätysalan osalta hajautetulla koneoppimisella on lupaavia mahdollisuuksia hyödyntää valtavaa määrää akkudataa, joka jo on olemassa, mutta jota ei voida jakaa yksityisyyssyistä. Tällaisella yhteistyöhön perustuvalla ja yksityisyyttä suojaavalla paradigmalla käytettyjen akkujen lajittelu voidaan toteuttaa suurella tarkkuudella, tehokkuudella, skaalautuvuudella ja yleistettävyydellä, optimoiden kierrätettyjen tuotteiden laatua ja kannattavuutta. Tietojemme 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 käytettyjen akkujen katodimateriaalilajittelun hyödyntäen useiden yhteistyökumppaneiden, kuten akkuvalmistajien, käytännön toimijoiden, akateemisten tutkimuslaitosten ja kolmannen osapuolen alustojen, olemassa olevaa akkudataa yhteistyöhön perustuvassa ja yksityisyyttä suojaavassa koneoppimismuodossa, kuten kuvassa   esitetään. Hajautettu koneoppimismallimme koulutettiin käyttämällä vain yhtä jaksoa kenttätestausdataa standardoidun ominaisuuspoimintaprosessin avulla, ilman aiempaa tietoa historiallisista käyttöolosuhteista. Vertaamme hajautetun koneoppimismallimme ennustuskykyä paikallisiin malleihin, jotka perustuvat paikalliseen dataan, sekä homogeenisissä että heterogeenisissä akkujen kierrätysolosuhteissa. Heterogeenisyysongelma ratkaistaan ehdottamallamme Wasserstein-etäisyysäänestysstrategialla. Suoritetaan käytettyjen akkujen kierrätyksen taloudellinen arviointi käyttämällä ehdottamaamme hajautettua koneoppimiskehikkoa, korostaen tarkkojen käytettyjen akkujen lajittelun merkitystä ja tarpeellisuutta. Keskustelemme kattavasti mallin tulkittavuudesta, akkujen kierrätyksen vaikutuksista ja laajemmin tulevaisuuden akkujen kierrätyskäytäntöjen näkymistä, jotka on integroitu hajautettuun koneoppimiseen. 1    Useat tietolähteet, kuten akkuvalmistajat (Kuvan lähde: Addionics), käytön toimijat (akku Tesla Teslan lattiavalussa. Kuvan lähde: Tesla), akateemiset tutkimuslaitokset ja kolmannen osapuolen alustat, voivat olla datan tarjoajia. Akkudataa ei vaihdeta tarjoajien välillä eikä ladata akkukierrättäjälle. Sen sijaan datan tarjoajat kouluttavat paikallisia malleja ja jakavat malliparametreja akkukierrättäjän kanssa globaalin mallin rakentamiseksi. Ehdotettu Wasserstein-etäisyysäänestystekniikka yhdistää paikalliset mallit globaaliin malliin, joka on kestävä dataepätasapainolle ja kohinalle. Akkukierrättäjät voivat käyttää yhdessä rakennettua mallia akkujen lajitteluun, yhdistettynä helposti saatavilla olevaan kenttätestausdataan.   Hajautettu koneoppimiskehikkömme kannustaa yhteistyökumppaneita jakamaan tietoja säilyttäen samalla tietosuojan verrattuna perinteiseen datasaaristumisen paradigmaan. a b Tulokset Datan keruu ja standardointi Eri akkutyyppien ainutlaatuiset akkukinetiikat ovat usein korkeamittaisia ja vaikeasti karakterisoitavia, koska käyttöolosuhteet, valmistusvaihtelut ja historialliset käyttötavat vaihtelevat . Ratkaisun löytämiseksi tähän dilemman, keräsimme ja standardoimme 130 käytettyä akkua, joissa on 5 katodimateriaalityyppiä 7 valmistajalta, muodostaaksemme jakautumasta poikkeavan, vastaavasti heterogeenisen tietojoukon. Koska käyttöhistoriat ovat erilaisia, kerättyjen akkujen kapasiteetti on alle 90 % nimelliskapasiteetista. Akkujen katodimateriaalit ovat litiumkobolttioksidi (LCO), nikkeli-mangaani-koboltti (NMC), litiumferrofosfaatti (LFP), nikkeli-koboltti-alumiinioksidi (NCA) ja NMC-LCO sekoitetut tyypit, jotka on edelleen ryhmitelty 9 luokkaan valmistajien perusteella (lisätaulukko  ). Sisällytimme tarkoituksella akkuja, joilla on vaihtelevia käyttöhistoriota, laboratoriokokeista sähköautojen ajoprofiileihin, kouluttaaksemme yleistettävän mallin akkukierrättäjälle, joka on riippumaton käyttöhistoriasta ja akkutyyypeistä. 52 1 Standardointia varten kaikki kierrättäjältä vaadittava data on nykyinen (kenttätestaus)jakso yhdellä lataus- ja purkaustestillä, joka on helppo toteuttaa käytännön tapauksissa. Kerätty data ensin suodatetaan poistamalla puuttuvat arvot, korvaamalla poikkeamat ja suorittamalla mediaanisuodatus. Ihmisen aiheuttama ja katodihomogeenisuudesta johtuva kohina säilytetään kuitenkin tarkoituksella, jotta malli olisi kestävä epätäydellisille syötteille. Data interpoloidaan sitten lineaarisesti käyrän täyttämiseksi (lisäkuva  ) ja piirteet muokataan ulottuvuuden pienentämiseksi, ja käytetään jaettua joukkoa standardointiparametreja (lisähuomautus  ). Standardointiprosessista poimitut ominaisuudet ovat hyvin tulkittavissa, mikä on merkittävä kaupallinen kiinnostuksen kohde. Tietojemme mukaan tämä on ensimmäinen kerta, kun heterogeenistä akkudataa useista lähteistä ja käyttöhistoriasta käytetään akkujen kierrätyksen strategia-suunnittelun avuksi. 1 1 Kuvat  a ja b esittävät piirteiden muokkausprosessin. Keskitymme käytettyjen akkujen lataus- ja purkujakson viimeiseen jaksoon, eli yhteen lataus- ja yhteen purkujaksoon (lisäkuvat  – ). Latausjaksosta poimitaan 15 ominaisuutta jännite-kapasiteetti- ja dQ/dV-käyristä, joissa V ja Q viittaavat jännite- ja kapasiteettiarvoihin. Sama joukko ominaisuuksia poimitaan purkausjaksolle. Tuloksena poimitaan yhteensä 30 ominaisuutta, kuten F1–F30. Katso lisätaulukko   ja lisähuomautus   yksityiskohtaisesta selityksestä ominaisuuksista. Kuva  c esittelee kunkin luokan valittujen akkujen absoluuttisia ja suhteellisia ominaisuusarvoja. Useimmat suhteellisista ominaisuusarvoista eri luokissa päällekkäin −1 ja 0 välillä (vaaleanvihreällä värillä) ja ovat erottamattomia, mikä osoittaa vaikeuden luokitella akkutyyppiä yhdellä akkujaksolla. Vaikeus on odotettavissa, koska vaihtelevat historialliset käyttöolosuhteet voivat vaikuttaa akkujen lataus-purkauskineetiikkaan siten, että poimitut ominaisuudet voivat olla suuresti korreloituneita eri akkutyyppien välillä (lisäkuva  ). Sen sijaan, että poimittuja ominaisuuksia tulkittaisiin suoraan asiantuntijatiedolla, käytämme vaihtoehtoista datalähtöistä lähestymistapaa, joka hyödyntää automaattisesti piileviä malleja eri akkutyyppien välillä. 2 2 5 2 2 2 6    Latausprosessissa poimitaan 15 ominaisuutta jännite-kapasiteetti- (vasen) ja dQ/dV-käyristä (oikea).   Sama ominaisuusjoukko koskee purkausprosessia, F16–F30.   Ominaisuudet visualisoidaan luokittain, noudattaen muotoa CxBn, joka osoittaa n:nnen akun luokasta x. Ympyrän koko kuvaa absoluuttista ominaisuusarvoa. Lähdedata on toimitettu lähdedatatiedostona. a b c Käytettyjen akkujen lajittelu homogeenisellä datan saatavuudella Tarkastelemme ensin asetelmaa, jossa akku data on homogeenisesti jakautunut yhteistyökumppaneiden (eli asiakkaiden) kesken. Homogeenisuus tarkoittaa, että jokainen asiakas tarjoaa akku dataa kaikista 9 luokasta, vaikka akkujen määrää ei ole rajoitettu (lisätaulukko  ). Koulutamme hajautetun koneoppimismallimme ilman tietoa käytettyjen akkujen historiallisesta käytöstä. Työssämme kierrättäjä ja asiakkaat testaavat vain käytettyjä akkuja nykyisellä (kenttätestaus)jaksolla, erityisesti täydellisellä lataus-purkausjaksolla kierrättäjän aloittamaa standardia piirteiden muokkausprosessia varten. Paikalliset mallit koulutetaan heidän yksityisestä akku datastaan poimittujen piirteiden perusteella. Hajautettu koneoppimiskehikko aggregioi paikallisten mallien parametrit yksityisen akku datan sijaan, jotta kierrättäjä voi luokitella käytetyt akut. 3 Kuva   näyttää lajittelutulokset, kun asiakkaat tarjoavat homogeenista akku dataa. Kuva  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 akkujätteen suureksi voitoksi

About Author

KOMMENTIT

RIPUTA TAGSIA

TÄMÄ ARTIKKELI ESITETTIIN

Related Stories

Tee Q1 markkinointi lasketaan: keskittyä, suorittaa, toimittaa

Noonies Interview with Stefano Pavone, the Retrogaming Reporter

7 Marketing Shifts Redefining Tech Companies in 2026

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

Tee Q1 markkinointi lasketaan: keskittyä, suorittaa, toimittaa

Noonies Interview with Stefano Pavone, the Retrogaming Reporter

7 Marketing Shifts Redefining Tech Companies in 2026

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

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps