Tämä tietosuojaystävällinen tekoäly voi muuttaa akkujätettä suureksi voitoksi

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 vaihtelevia katodimateriaaleja, estävät suoran kierrätyksen käyttöönottoa niiden katodispesifin luonteen vuoksi. Käytöstä poistettujen akkujen kasvu edellyttää tarkkaa lajittelua tehokasta suoraa kierrätystä varten, mutta haasteita syntyy vaihtelevista käyttöhistoriosta, monipuolisista valmistajista ja kierrätysyhteistyökumppaneiden (datan omistajien) tietosuojahuolista. Tässä esittelemme ainutlaatuisesta, 5 katodimateriaalia ja 7 valmistajaa kattavasta 130 litiumioniakkuja koskevasta tietojoukosta federoitua koneoppimista, joka voi luokitella nämä käytöstä poistetut akut ilman aiempia käyttödataa, suojaten kierrätysyhteistyökumppaneiden tietosuojaa. Hyödyntämällä elinkaaren lopun lataus-purkausjakson ominaisuuksia mallimme näyttää 1 % ja 3 % katodilajitteluvirheitä homogeenisissa ja heterogeenisissä akkujen kierrätysasetelmissa vastaavasti, jotka johtuvat innovatiivisesta Wasserstein-etäisyyden äänestysstrategiastamme. Taloudellisesti ehdotettu menetelmä korostaa tarkan akkujen lajittelun arvoa kukoistavalle ja kestävälle kierrätysteollisuudelle. Tämä tutkimus aloittaa uuden paradigman, jossa käytetään eri lähteistä peräisin olevaa yksityisyyttä suojaavaa dataa, mikä edistää yhteistyöhön perustuvaa ja yksityisyyttä kunnioittavaa päätöksentekoa hajautetuille järjestelmille. Johdanto Litiumioniakut (LIB), jotka toimivat energian varastointilaitteina, ovat saavuttaneet laajaa käyttöä eri aloilla, teollisesta tuotannosta päivittäiseen elämään hyväksyttynä teknisenä reittinä. Ennusteet viittaavat siihen, että LIB-akkujen maailmanlaajuinen tuotantomäärä ylittää 1,3 TWh vuoden 2030 mennessä [viite:1], jolloin akkujen kasvava kysyntä ylittää huomattavasti elintärkeiden metallivarojen, kuten litiumin ja koboltin, saatavuuden [viite:2, 3]. Nykyisten LIB-tuotteiden keskimääräinen käyttöikä on kuitenkin 5–8 vuotta, mikä johtaa pian käyttökelvottomien akkujen aaltoon monissa maissa. Jos käytöstä poistettuja akkuja ei hallita asianmukaisesti, ne aiheuttavat kestämätöntä resurssihukkaa ja ympäristövahinkoja. Näissä olosuhteissa akkujen kierrätysteknologian kehittäminen on ensiarvoisen tärkeää, kun kohtaamme LIB-akkujen käytöstä poistumisen uhkaavan aallon [viite:4]. Viimeaikaiset edistysaskeleet akkujen kierrätystutkimuksessa ovat keskittyneet pyrometallurgisiin, hydrometallurgisiin ja suoriin kierrätysmenetelmiin [viite:5]. Verrattuna pyrometallurgisiin ja hydrometallurgisiin menetelmiin suora kierrätys erottuu erillisenä lähestymistapana. Tämä prosessi ei aiheuta materiaalirakenteelle toissijaisia vaurioita, mahdollistaen tehokkaamman rakenteellisen korjauksen ja suorituskyvyn palautumisen. Lisäksi suoralla kierrätyksellä on korkeampi kannattavuus, sillä se vaatii vähemmän energiankulutusta, vähentää kasvihuonekaasupäästöjä ja kevyempiä ympäristöjalanjälkiä [viite:6, 7]. Käytännön tuotannossa akkukierrättäjät kohtaavat kuitenkin usein LIB-akkuja, jotka sisältävät tuntemattomia komponentteja tai akkupaketteja, jotka koostuvat erilaisten katodimateriaalityyppien seoksesta. Kun otetaan huomioon, että suora kierrätys voi olla voimakkaasti katodispesifi, tällainen monimutkaisuus tekee suoran kierrätyksen soveltamisen mahdottomaksi käytöstä poistettujen akkujen arvonmuunnoksen saavuttamiseksi [viite:8]. On olennaista korostaa, että vaikka elintärkeät metallit sekoitetuista katodimateriaalista voitaisiin uuttaa tavanomaisilla kierrätysstrategioilla, eri katodimateriaalien välinen vuorovaikutus kierrätysprosessin aikana voi haitallisesti vaikuttaa tuotteiden laatuun [viite:9]. Siksi katodimateriaalitietojen ymmärtäminen kierrätyspuolella vaikuttaa merkittävästi suoran kierrätysreitin valintaan ja lopulta parantaa tuotteiden laatua, kannattavuutta ja kestävyyttä. Ihmisavusteista suoraa kierrätystä on ehdotettu käytöstä poistettujen akkujen katodimateriaalitietojen tunnistamiseksi esikäsittelyvaiheessa, mutta se ei ole vieläkään taloudellisesti kannattavaa teollisuuden skaalautuessa [viite:1]. Käytöstä poistettujen akkujen katodityyppitietojen tehokkaaksi palauttamiseksi tiede- ja teollisuusyhteisö on hiljattain käynnistänyt akkujen käyttöikää jäljittävän järjestelmän [viite:10] ja nousevia konsepteja, kuten akkupassi [viite:11] ja akkujen datagenomi [viite:12]. Vaikka näiden aloitteiden edellä on käytetty huomattavaa määrää akkuja, kasvava yhteisymmärrys on, että akkujen tietoihin tulisi olla pääsy koko elinkaaren ajan, jotta voidaan helpottaa toisen elämän päätöksentekoa [viite:13]. Tämä pätee erityisesti akkujen kierrätyssektoriin, akun toisen elämän viimeiseen asemaan, koska kierrätysreitti voi olla voimakkaasti katodispesifi. Akkujen käyttöikää jäljittävät järjestelmät tai akkupassit perustuvat kuitenkin elektronisiin laitteisiin, kuten viivakoodeihin ja lähikenttäviestintään, jotka voisivat vaatia intensiivistä investointia ja olisivat yhteensopimattomia eri akkusuunnittelijoiden kanssa. Lisäksi elektronisia laitteita on edelleen haastavaa hallita johdonmukaisesti niiden koko käyttöiän ajan, mikä johtaa kuluneisiin laitteisiin ja saavuttamattomuuteen kierrätysvaiheessa, sillä nykyaikainen LIB-akkujen valmistusprosessi ei ole vieläkään integroitu tuotannosta kierrätykseen [viite:14]. Siksi tarvitaan kiireellisesti lisää läpimurtoja tehokkaan akkujen katodimateriaalilajittelun saavuttamiseksi vain helposti saatavilla olevan kenttätiedon avulla [viite:15, 16], päinvastoin kuin historiallisesti tallennettu data tai ihmisavusteinen menetelmä, edistäen suoran kierrätyksen käyttöönottoa kierrätettyjen tuotteiden laadun ja kannattavuuden parantamiseksi. Viime vuosina koneoppimisesta on tullut käyttökelpoinen työkalu avoimien kysymysten ratkaisemiseen kaikilla akkualoilla. Muissa akkuihin liittyvissä aiheissa koneoppiminen on hiljattain mahdollistanut monimutkaisten akkujen mekanismien automaattisen löytämisen [viite:17, 18, 19], jäljellä olevan käyttöiän ennustamisen [viite:20, 21, 22, 23, 24], terveydentilan arvioinnin [viite:19, 25, 26], sykliprofiilin optimoinnin [viite:27, 28], vikaantumisjakauman approksimoinnin [viite:29], jopa akkusuunnittelun ohjaamisen [viite:30, 31] ja elinikäisen suorituskyvyn ennustamisen heti valmistuksen jälkeen [viite:32]. Akkujen kierrätyksen osalta harvat tutkimukset ovat tutkineet koneoppimista katodimateriaalien suhteen [viite:33, 34], mikä johtuu vähäisestä akkudatasta, erityisesti elinkaaren loppuun ajetuista akuista. Suurin osa julkaistuista tutkimuksista esittelee hyvin rajallisia otoskoita [viite:35] ja on vielä rajallisempi akkujen katodien monimuotoisuudessa [viite:36]. Vähäisyys johtuu intensiivisistä kustannuksista, pitkästä testausajasta [viite:37] ja mikä tärkeintä, datan yksityisyydestä kaupallisten tai eturistiriitojen vuoksi. Tämän seurauksena yksityisyyskysymys jäykistää dilemman, jossa olemassa olevaa akkudataa, vaikka se olisi merkittävä määrältään ja monimuotoisuudeltaan useista osapuolista, kuten akkujen valmistajista, käytännön sovelluksista, akateemisista laitoksista ja kolmansien osapuolten alustoista, ei voida jakaa. Tällainen dilemma vaatii katodimateriaalilajittelun tutkimista akkujen kierrätysreitin valinnan optimoimiseksi yhteistyöhön perustuvalla, mutta yksityisyyttä suojaavalla tavalla. Federoitu koneoppiminen, hajautettu ja yksityisyyttä suojaava paradigma, voi ratkaista sekä monen osapuolen yhteistyön (vastaavasti akkudatan määrä ja monimuotoisuus) että yksityisyyskysymykset yhteistyöhön perustuvan koneoppimisen avulla [viite:38, 39, 40]. Jokaisessa koulutusiteraatiossa hajautetut datan omistajat suorittavat paikallista koulutusta paikallisella laskentatehollaan, salaavat koulutetut malliparametrit/tulokset ja lataavat ne keskuskoordinaattorille aggregointia varten. Tosiasiat ovat, että raakadatan joukot eivät koskaan poistu omilta datan omistajiltaan ja siirretyt parametrit/tulokset on asianmukaisesti salattu tietosuojan suojaamiseksi. Federoitua koneoppimista on tutkittu laajasti lukuisilla sovellusalueilla, mukaan lukien kansanterveys [viite:41, 42], kliininen diagnoosi [viite:43, 44, 45], verkkokauppa [viite:46], esineiden internet [viite:47], mobiililaskenta [viite:48] ja älykäs verkko [viite:49, 50, 51]. Tämä lähestymistapa voi mullistaa dataohjautuvan tutkimusparadigmän laajalla energiasektorilla mahdollistamalla yksityisyyttä suojaavan yhteistyön, erityisesti niille, joilla on rajallinen pääsy dataan. Akkujen kierrätyssektorilla federoitu koneoppiminen tarjoaa lupaavia mahdollisuuksia hyödyntää valtavaa määrää olemassa olevaa akkudataa, jota ei voida jakaa yksityisyyshuolien vuoksi. Tällaisen yhteistyöhön perustuvan, mutta yksityisyyttä suojaavan paradigman avulla käytöstä poistettujen akkujen lajittelu voidaan toteuttaa suurella tarkkuudella, tehokkuudella, skaalautuvuudella ja yleistettävyydellä, optimoiden kierrätettyjen tuotteiden laatu ja kannattavuus. Tietojemme mukaan akkujen kierrätykseen keskittyneitä federoituja koneoppimistutkimuksia ei ole aiemmin raportoitu. Tässä tutkimuksessa suoritamme käytöstä poistettujen akkujen katodimateriaalilajittelun, hyödyntäen useiden yhteistyökumppaneiden, kuten akkujen valmistajien, käytännön operaattoreiden, akateemisten tutkimuslaitosten ja kolmansien osapuolten alustojen, olemassa olevaa akkudataa yhteistyöhön perustuvassa, mutta yksityisyyttä suojaavassa koneoppimistavassa, kuten kuvassa 1 on esitetty. Federoitu koneoppimismallimme koulutettiin käyttämällä vain yhden jakson kenttäkokeiludataa standardoidun ominaisuuksien poimintaprosessin kautta, ilman ennakkotietoa historiallisista käyttöolosuhteista. Vertaamme federoituun koneoppimismalliimme ennustustehoa riippumattomasti koulutettuihin paikallisiin malleihin, jotka perustuvat paikalliseen dataan sekä homogeenisissa että heterogeenisissä akkujen kierrätysolosuhteissa. Heterogeenisuusongelma ratkaistaan ehdottamallamme Wasserstein-etäisyyden äänestysstrategialla. Suoritettaan taloudellinen arviointi käytöstä poistettujen akkujen kierrätyksestä käyttämällä ehdotettua federoitua koneoppimiskehikkoa, korostaen tarkan käytöstä poistettujen akkujen lajittelun merkitystä ja välttämättömyyttä. Keskustelemme kattavasti mallin tulkittavuudesta, akkujen kierrätyksen vaikutuksista ja laajemmistä näkymistä tulevaan akkujen kierrätyskäytäntöön, joka on integroitu federoituun koneoppimiseen. **a** Useat datalähteet, kuten akkujen valmistajat (kuvassa Addionics), käytännön operaattorit (akku paketti Teslan lattiasuojassa. Kuva: Tesla), akateemiset tutkimuslaitokset ja kolmansien osapuolten alustat, voivat olla datan tarjoajia. Akkudataa ei vaihdeta tarjoajien välillä eikä ladata akkujen kierrättäjälle. Sen sijaan datan tarjoajat kouluttavat paikallisia malleja ja jakavat malliparametreja akkujen kierrättäjän kanssa globaalin mallin rakentamiseksi. Ehdotettu Wasserstein-etäisyyden äänestystekniikka yhdistää paikalliset mallit globaaliksi malliksi, joka on vankka datan epätasapainolle ja kohinalle. Akkujen kierrättäjät voivat käyttää yhteisesti rakennettua mallia akkujen lajitteluun, yhdistettynä helposti saatavilla olevaan kenttäkokeiludataan. **b** Federoitu koneoppimiskehys kannustaa yhteistyökumppaneita jakamaan dataa samalla kun säilyttää datan yksityisyyden perinteisen datasaarekkeiden mallin sijaan. Tulokset Datan keruu ja standardointi Eri akkutyypeissä esiintyvät ainutlaatuiset akkujen kinetiikat ovat usein korkeaulotteisia ja vaikeasti karakterisoitavissa johtuen vaihtelevista käyttökohteista, valmistusvaihteluista ja historiallisista käyttötavoista [viite:52]. Ratkaisun löytämiseksi tähän dilemkaan keräsimme ja standardoimme 130 käytöstä poistettua akkua, joissa on 5 katodimateriaalityyppiä 7 valmistajalta, muodostaaksemme jakautuneen, vastaavasti heterogeenisen tietojoukon. Eri historiallisten käyttötapojen vuoksi 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 ryhmitellään edelleen 9 luokkaan valmistajien perusteella (lisätaulukko 1). Sisällytämme tarkoituksella akkuja, joissa on vaihtelevia historiallisia käyttötapoja, laboratoriotestauksesta sähköautojen ajo-profiileihin, kouluttaaksemme yleistetyn mallin akkujen kierrättäjälle, riippumatta historiallisista käyttötavoista ja akkutyypeistä. Standardointia varten kaikki kierrättäjältä vaadittavat tiedot ovat nykyisin tutkittava (kenttäkokeilu) jakso, jossa suoritetaan yksi lataus- ja purkauskoe, joka on helppo toteuttaa käytännön tilanteissa. Tällä hetkellä tutkitut tiedot puhdistetaan ensin täyttämällä puuttuvat arvot, korvaamalla poikkeamat ja suorittamalla mediaanisuodatus. Ihmisen aiheuttamat ja katodien heterogeenisuuden aiheuttamat kohinat jätetään kuitenkin tarkoituksella, jotta malli olisi vankka epätäydellisille syötteille. Tiedot interpoloidaan sitten lineaarisesti käyrän täyttämiseksi (lisäkuvio 1) ja ominaisuuksia jalostetaan ulottuvuuden pienentämiseksi, jaettujen standardointiparametrien avulla (lisähuomautus 1). Standardointiprosessista poimitut ominaisuudet ovat hyvin tulkittavissa, mikä on merkittävä kaupallinen huolenaihe. Tietojemme mukaan tämä on ensimmäinen kerta, kun eri lähteistä ja historiallisista käyttötavoista peräisin olevaa heterogeenista akkudataa käytetään akkujen kierrätyksen strategiasuunnittelun tukemiseen. Kuviot 2a ja 2b esittävät ominaisuuksien poimintaprosessia. Keskitymme käytöstä poistettujen akkujen lataus- ja purkauskäyrään viimeisellä jaksoilla, eli yhteen lataus- ja yhteen purkausjaksoon (lisäkuviot 2–5). Latausjakson aikana jännitteen ja kapasiteetin sekä dQ/dV -käyrien perusteella poimitaan 15 ominaisuutta, joissa V ja Q viittaavat jännite- ja kapasiteettiarvoihin. Sama joukko ominaisuuksia poimitaan purkausjaksoa varten. Tuloksena poimitaan yhteensä 30 ominaisuutta, merkitty F1:stä F30:een. Katso lisätaulukko 2 ja lisähuomautus 2 saadaksesi yksityiskohtaisen selityksen ominaisuuksista. Kuvio 2c esittää kunkin luokan valittujen akkujen absoluuttisia ja suhteellisia ominaisuusarvoja. Useimmat suhteelliset ominaisuusarvot eri luokissa menevät päällekkäin alueella −1–0 (vaaleanvihreällä värillä) ja ovat erottamattomia, mikä osoittaa akkutyypin luokittelun vaikeuden käyttämällä vain yhtä akkujaksoa. Vaikeus on odotettavissa, koska vaihtelevat historialliset käyttöolosuhteet voivat vaikuttaa akkujen lataus-purkauskineetiikkaan siten, että poimitut ominaisuudet voivat olla suurelta osin korreloituneita eri akkutyypeistä huolimatta (lisäkuvio 6). Sen sijaan, että poimittuja ominaisuuksia tulkittaisiin suoraan asiantuntijatietojen avulla, käytämme vaihtoehtoista dataohjautuvaa lähestymistapaa, joka hyödyntää automaattisesti eri akkutyypeistä löytyviä piileviä malleja. **a** Latausprosessissa 15 ominaisuutta poimitaan jännite-kapasiteetti (vasemmalla) ja dQ/dV-käyrästä (oikealla). **b** Sama joukko ominaisuuksia koskee purkausprosessia (F16–F30). **c** Ominaisuudet visualisoidaan luokittain, muodossa CxBn, joka osoittaa n:nnen akun luokasta x. Ympyrän koko vastaa absoluuttista ominaisuusarvoa. Lähdedata on saatavilla lähdetiedostona. Käytöstä poistettujen akkujen lajittelu homogeenisella datasaannilla Tarkastelemme ensin tilannetta, jossa akkudata on homogeenisesti jakautunut yhteistyökumppaneiden (eli asiakkaiden) kesken. Homogeenisuus tarkoittaa, että jokainen asiakas tarjoaa jaettavaksi akkudataa kaikista 9 luokasta, vaikka akkujen määrää ei ole rajoitettu (lisätaulukko 3). Koulutamme federoitua koneoppimismalliamme ilman tietoa käytöstä poistettujen akkujen historiallisesta käytöstä. Työssämme kierrättäjä ja asiakkaat tarvitsevat vain testata käytöstä poistettuja akkuja nykyisellä (kenttäkokeilu) jaksolla, erityisesti täydellä lataus-purkausjaksolla standardoitua ominaisuuksien poimintaprosessia varten, jonka kierrättäjä käynnistää. Paikalliset mallit koulutetaan niiden yksityisestä akkudatasta poimittujen ominaisuuksien perusteella. Federoitu koneoppimiskehys aggregioi paikallisten mallien parametreja, eikä yksityistä akkudataa, kierrättäjälle käytöstä poistettujen akkujen luokittelemiseksi. Kuvio 3 esittää lajittelutuloksia, kun asiakkaat tarjoavat homogeenista akkudataa. Kuvio 3a vertailee kahta federoitua koneoppimismenetelmää, eli enemmistöäänestystä (MV) ja ehdottamaamme Wasserstein-etäisyyden äänestystä (WDV), riippumattoman oppimisen (IL) paradigmaan. On huomattava, että IL:n tarkkuus on keskiarvoistettu kaikkien asiakkaiden yli ei-federoidulla tavalla. IL:ään verrattuna MV ei uhraa lajittelun suorituskykyä, keskimääräinen tarkkuus on 95 %, samalla kun se kykenee suojaamaan tietosuojaa ja lievittämään laskennallista taakkaa. Kuitenkin 3 luokkaa lajitellaan väärin MV:llä. Esimerkiksi 3 NMC-akkua (SNL, luokka 8, yhteensä 15) lajitellaan väärin NCA:ksi (SNL, luokka 7), mikä johtaa 80 % lajittelutarkkuuteen. Lajittelutarkkuus NCA:lle (UL-PUR, luokka 9) on 81 %, ja 2 akkua lajitellaan väärin NMC:ksi (MICH_Form, luokka 4) ja 1 akku NMC/LCO sekoitetuksi tyypiksi (HNEI, luokka 2) vastaavasti. Sen sijaan WDV ylittää MV:n, koska se lajittelee vain yhden akun väärin, mikä johtaa 99 % lajittelutarkkuuteen. Arvioimme myös kunkin luokan ennustetodennäköisyyden MV:lle ja WDV:lle erikseen. Käy ilmi, että WDV tekee varmemman lajittelun kuin MV, koska WDV:n ennustetodennäköisyydet ovat yleensä oikealle vinoutuneet korkeampaan todennäköisyysarvoon. Siksi ehdottamamme WDV tuottaa korkeampia lajittelutarkkuuksia kaikissa luokissa, ja lajittelu on rikkaampia todennäköisyysmarginaaleja. **a** Sekotusmatriisi enemmistöäänestyksen (MV) ja Wasserstein-etäisyyden äänestyksen (WDV) menetelmille vastaavasti. Tarkastelemme ennustetodennäköisyysjakaumaa kullekin luokalle. Riippumattoman oppimisen (IL) lajittelu on merkitty. **b** IL-, MV- ja WDV-lajittelutarkkuusjakauma ja yksityisyysbudjetti (PB) satunnaiskohinan läsnäollessa. PB-arvo on viitattu 90 %:n tarkkuustasolla. **c** Keskimääräinen F1-pisteet lajittelutuloksista ja PB:t kussakin luokassa käyttämällä IL-, MV- ja WDV-menetelmiä. PB-arvot ovat kaikki viitattu 0,9 F1-pisteen tasolla. Tiedot esitetään keskiarvoina ±1 standardipoikkeama. **d** Ominaisuuksien tärkeys laskevassa järjestyksessä. Alikuva näyttää ominaisuusavaruuden, jonka ensimmäiset kaksi tärkeintä ominaisuutta muodostavat. Tiedot esitetään keskiarvoina +1 standardipoikkeama. Lähdedata on saatavilla lähdetiedostona. Arvioimme myös yksityisyysbudjettia (PB, "Menetelmät"-osio), ottaen huomioon, että asiakasdata voi olla altis käänteiselle suunnittelulle vakoilemalla yksityistä dataa [viite:53]. Tämän suhteen lisäämme satunnaista Gaussin kohinaa asiakasdataan eri intensiteeteillä. Satunnaisuuden intensiteettiä hallitaan kohinan ja signaalin suhteen (NSR), joka vaihtelee 1 % ja 10 % välillä. Kuvio 3b näyttää tarkkuus- ja yksityisyysbudjettivertailun käyttämällä IL-, MV- ja WDV-menetelmiä vastaavasti. MV:n lajittelutarkkuus laskee 95 %:sta 82 %:iin, samoin kuin IL:llä, kun kohinan intensiteetti kasvaa 1 %:sta 10 %:iin. Tällä kohina-alueella MV:n ja IL:n mediaanilajittelutarkkuus on 92 % ja 86 % vastaavasti. Sitä vastoin WDV:n lajittelutarkkuus on edelleen yli 90 % 10 %:n kohinan läsnäollessa, mikä on tiukka kohinataso käytännön tapauksissa. WDV:n mediaanilajittelutarkkuus on yli 95 % samalla kohina-alueella. Ottaen 90 %:n keskimääräisen lajittelutarkkuuden hyväksyttävänä vertailutasona, IL:n, MV:n ja WDV:n PB-arvot ovat 4, 6 ja 10 vastaavasti. Siksi federoitu koneoppiminen tuottaa yksityisyyden kannalta turvallisempaa lajittelua kuin IL, ja se pystyy siten estämään datan vakoilun. Lisäksi ehdottamamme WDV on tarkempi ja toimii paljon paremmin (lähes kaksinkertaisilla PB-arvoilla) yksityisyys-tarkkuus-kompromississa kuin MV. Lisäksi WDV:n vankkuus tiukkaa kohinaa vastaan viittaa myös hyvään toleranssiin akkujen mittausvaatimuksia kohtaan, mikä vähentää kalliita akkujen testauskustannuksia. Huomioiden, että korkea lajittelutarkkuus ei välttämättä tarkoita hyväksyttävää lajittelua tietylle luokalle, tarkastelemme myös luokansisäisiä lajittelusuorituskykyjä. Kuvio 3c näyttää F1-pisteet ja yksityisyysbudjetin IL-, MV- ja WDV-menetelmille kussakin ennustetussa luokassa; huomaa, että yksityisyysasetus on identtinen kuvion 3b kanssa. Tulos osoittaa, että IL:llä on pienempiä F1-pisteitä kuin federoidulla koneoppimisella kaikissa luokissa, mikä johtaa huonoihin lajitteluihin. Mitä tulee federoidulle koneoppimiselle, WDV ylittää MV:n kussakin ennustetussa luokassa tuottaen korkeampia keskimääräisiä F1-pisteitä. F1-pisteiden poikkeama-alue on pienempi WDV:lle kuin MV:lle, mikä osoittaa, että WDV on vankempi (lisäkuvio 7). Siksi ehdottamamme WDV ei ainoastaan saavuta parempaa kokonaislajittelutarkkuutta kaikissa yhdeksässä luokassa (kuvio 3b), vaan myös kussakin luokassa verrattuna MV:hen. Yksityisyysbudjetin suhteen PB-arvo ei-federoidulla IL:llä, viitattuna 0,9 F1-pisteen tasolla, on huomattavasti alhaisempi kuin federoidulla tavalla (lisätaulukko 4) kaikissa luokissa. Tämä osoittaa vakavamman datavuotoriskin IL:lle verrattuna federoidulle koneoppimiselle. Kun edelleen käytämme ehdottamaamme WDV-menetelmää, yksityinen budjetti voi kasvaa 78 % ja 44 % verrattuna ei-federoidulle IL:lle ja federoidulle MV:lle vastaavasti (lisätaulukko 4). Tulokset osoittavat, että WDV hyödyntää onnistuneesti akkujen kemiaan liittyviä oivalluksia, jotka ovat piilossa asiakkaissa, samalla kun se tehokkaasti säilyttää asiakasdatan yksityisyyden. Tulkkaamme sitten federoitua koneoppimismalliamme arvioimalla tärkeimpiä ominaisuuksia, jotka korreloivat akkujen katodikemian kanssa. Kuvio 3d esittää ominaisuuksien tärkeyttä laskevassa järjestyksessä. Virhepalkki osoittaa tärkeyden poikkeaman. Ominaisuudet F1 ja F16 ovat kaksi tärkeintä ominaisuutta ulos-pussin tärkeyden perusteella ("Menetelmät"-osio). Mielenkiintoista kyllä, näillä kahdella ominaisuudella on selkeä fysikaalinen tulkinta akkujen dynamiikasta, jota käsittelemme tarkemmin myöhemmin. Tässä rationalisoimme nämä kaksi ominaisuutta piirtämällä ryhmitellyt akkujen otokset ominaisuusavaruudessa, jonka F1 ja F16 muodostavat. Kuvion 3d alikuva osoittaa, että NMC/LCO sekoitettu tyyppi (HNEI, luokka 2), NMC (MICH_Expa, luokka 3) ja LFP (SNL, luokka 6) (jakaa värin kuvion 3a kanssa) ovat selvästi erotettavissa muodostetussa ominaisuusavaruudessa. Loput luokat, akut ovat edelleen erotettavissa (katso zoomaus), vaikkakin suhteellisesti pienemmissä jyväkäsissä. Päinvastoin, vä