```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 Lajittelemattomat käytetyt akut, joissa on erilaisia katodimateriaaleja, hidastavat suoran kierrätyksen käyttöönottoa niiden katodispesifisyyden vuoksi. Käytettyjen akkujen lisääntyminen edellyttää tarkkaa lajittelua tehokasta suoraa kierrätystä varten, mutta haasteita aiheuttavat vaihtelevat käyttöhistoriat, erilaiset valmistajat ja kierrätysyhteistyökumppaneiden (datan omistajien) tietosuojahuolet. Tässä esittelemme ainutlaatuisesta 130 litiumioniakusta koostuvasta tietoaineistosta, joka kattaa 5 katodimateriaalia ja 7 valmistajaa, liittoutuneen koneoppimismenetelmän, jolla nämä käytetyt akut voidaan luokitella ilman aiempia käyttöä koskevia tietoja, suojaten kierrätysyhteistyökumppaneiden tietosuojaa. Hyödyntämällä elinkaaren lopun lataus-purkaussykliltä saatuja piirteitä, mallimme esittää 1 % ja 3 % katodin lajitteluvirheitä homogeenisissa ja heterogeenisissa akkujen kierrätystilanteissa, jotka johtuvat innovatiivisesta Wasserstein-etäisyyteen perustuvasta äänestysstrategiastamme. Taloudellisesti ehdotettu menetelmä korostaa tarkan akkujen lajittelun arvoa kukoistavalle ja kestävälle kierrätysteollisuudelle. Tämä tutkimus aloittaa uuden paradigman, jossa käytetään eri lähteistä peräisin olevaa tietosuojaherkkää dataa, mikä mahdollistaa yhteistyöhön perustuvan ja tietosuojaa kunnioittavan päätöksenteon hajautetuille järjestelmille. Johdanto Litiumioniakut (LIB), jotka toimivat energian varastointilaitteina, ovat laajasti käytössä eri aloilla, teollisesta tuotannosta ja päivittäisestä elämästä hyväksyttyyn tekniseen reittiin. Arviot viittaavat siihen, että LIB-akkujen maailmanlaajuinen tuotantomäärä ylittää 1,3 TWh vuoteen 2030 mennessä , jolloin akkujen kasvava kysyntä ylittää huomattavasti elintärkeiden metallivarojen, kuten litiumin ja koboltin, saatavuuden , . Nykyinen LIB-tuotteiden keskimääräinen käyttöikä on kuitenkin 5–8 vuotta, mikä johtaa käytettyjen akkujen välittömään lisääntymiseen monissa maissa. Jos käytettyjä akkuja ei hallita asianmukaisesti, ne johtavat kestämättömään resurssihukkaan ja ympäristöhaittoihin. Näissä olosuhteissa akkujen kierrätysteknologian kehittäminen on ensiarvoisen tärkeää, kun kohtaamme lähestyvän LIB-akkujen käytöstä poiston tulvan . 1 2 3 4 Viimeaikaiset edistysaskeleet akkujen kierrätystä koskevassa tutkimuksessa ovat keskittyneet pyrometallurgisiin, hydrometallurgisiin ja suoriin kierrätysmenetelmiin . Toisin kuin pyrometallurgiset ja hydrometallurgiset menetelmät, suora kierrätys erottuu erillisenä lähestymistapana. Tämä prosessi ei aiheuta toissijaisia vaurioita materiaalirakenteelle, mahdollistaen tehokkaamman rakenteellisen korjauksen ja suorituskyvyn palauttamisen. Lisäksi suoralla kierrätyksellä on korkeampi kannattavuus, koska siihen liittyy alhaisempi energiankulutus, vähemmän kasvihuonekaasupäästöjä ja kevyempi ympäristöjalanjälki , . Todellisessa tuotannossa akkujen kierrättäjät kohtaavat kuitenkin usein LIB-akkuja, jotka koostuvat tuntemattomista komponenteista tai akku moduuleista, jotka koostuvat eri katodimateriaalityyppien sekoituksesta. Ottaen huomioon, että suora kierrätys voi olla vahvasti katodispesifi, tällainen monimutkaisuus tekee suoran kierrätyksen sovelluksen mahdottomaksi käytettyjen akkujen arvon muuntamiseksi . On tärkeää korostaa, että vaikka elintärkeät metallit eri katodimateriaalityypeistä voidaan uuttaa tavanomaisilla kierrätysstrategioilla, eri katodimateriaalien vuorovaikutus kierrätysprosessin aikana voi vaikuttaa haitallisesti tuotteiden laatuun . Siksi katodimateriaalilajin tietojen ymmärtäminen kierrätyspuolella vaikuttaa merkittävästi suoran kierrätyksen reittivalintaan ja lopulta parantaa tuotteiden laatua, kannattavuutta ja kestävyyttä. 5 6 7 8 9 Ihmisavusteista suoraa kierrätystä on ehdotettu käytettyjen akkujen katodimateriaalilajin tietojen tunnistamiseksi esikäsittelyssä, mikä ei ole vieläkään taloudellisesti kannattavaa kierrätysteollisuuden kasvaessa . Käytettyjen akkujen katodilajin tietojen tehokkaaksi noutamiseksi tiede- ja teollisuusyhteisö on äskettäin käynnistänyt akkujen käyttöiän jäljityksen järjestelmän  ja uusia konsepteja, kuten akkupassi  ja akkudatan genomi . Vaikka huomattava määrä akkuja on käytetty ennen näitä aloitteita, on kasvava yksimielisyys siitä, että akkujen tietojen tulisi olla saatavilla koko elinkaaren ajan toisen elämän päätöksenteon helpottamiseksi . Tämä koskee erityisesti akkujen kierrätysalaa, joka on akun toisen elämän viimeinen asema, sillä kierrätysreitti voi olla vahvasti katodispesifi. Akkujen käyttöiän jäljitysjärjestelmät tai akkupassit perustuvat kuitenkin elektronisiin laitteisiin, kuten viivakoodeihin ja NFC-yhteyksiin, jotka voivat aiheuttaa intensiivisiä investointeja ja olla laajalti yhteensopimattomia eri akkusuunnittelijoiden kanssa. Lisäksi elektronisten laitteiden johdonmukainen hallinta koko niiden käyttöiän ajan on edelleen haastavaa, mikä johtaa kuluneisiin laitteisiin ja saavuttamattomuuteen kierrätysvaiheessa, sillä nykyaikaista LIB-akkujen valmistusprosessia ei ole vielä integroitu tuotannosta kierrätykseen . Siksi tarvitaan kiireellisesti lisää läpimurtoja, jotta saavutetaan tehokas akkujen katodilajin lajittelu käyttämällä vain helposti saatavilla olevaa kenttäinformaatiota , , vastakohtana historiallisille tallennetuille tiedoille tai ihmisavusteiselle tavalle, mikä edistää suoran kierrätyksen käyttöönottoa kierrätettyjen tuotteiden laadun ja kannattavuuden parantamiseksi. 1 10 11 12 13 14 15 16 Viime vuosina koneoppimisesta on tullut varteenotettava työkalu kaikilla akkualoilla esiin tulevien avoimien kysymysten ratkaisemiseksi. Muilla akkuihin liittyvillä aihealueilla koneoppiminen on äskettäin mahdollistanut monimutkaisten akkumekanismien automaattisen löytämisen , , , ennustamaan jäljellä olevaa käyttöikää , , , , , arvioimaan terveydentilaa , , , optimoimaan syklin profiilia , , likimääräisesti arvioimaan vikaantumisjakautumaa , jopa ohjaamaan akkusunnittelua ,  ja ennustamaan koko eliniän kestoista suorituskykyä heti valmistuksen jälkeen . Akkujen kierrätyksen osalta vain harvat tutkimukset ovat käsitelleet koneoppimista katodimateriaalien suhteen , , mikä johtuu niukasta akkudatasta, erityisesti elinkaaren lopussa käytetyistä akuista. Suurin osa julkaistuista tutkimuksista esittää hyvin rajallisia otosko'koja  ja vielä enemmän rajallista akkukatodin monimuotoisuutta . Niukkuus johtuu intensiivisistä kustannuksista, pitkästä testausajasta  ja ennen kaikkea tietosuojasta kaupallisista tai eturistiriitojen vuoksi. Näin ollen tietosuojakysymys jäykistää dilemman, jossa olemassa olevaa akkudataa, vaikkakin huomattavassa määrässä ja monimuotoisuudessa useilta osapuolilta, kuten akkujen valmistajilta, käytännön sovelluksilta, akateemisilta instituutioilta ja kolmansilta osapuolilta, ei voida jakaa. Tällainen dilemma vaatii katodimateriaalilajin lajittelun tutkimista akkujen kierrätysreitin valinnan optimoimiseksi yhteistyössä, mutta samalla tietosuojaa kunnioittaen. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Liittoutunut koneoppiminen, hajautettuna ja tietosuojaa suojaavana paradigmana, voi ratkaista sekä monen osapuolen yhteistyön (vastaavasti, akkudatan määrä ja monimuotoisuus) että tietosuojaongelmat yhteistyöhön perustuvan koneoppimisen kautta , , . Jokaisessa koulutusiteraatiossa hajautetut datan omistajat suorittavat paikallisen koulutuksen omalla laskentatehollaan, salaavat koulutetut malliparametrit/tulokset ja lataavat ne keskitettyyn koordinaattoriin yhdistettäväksi. Raakadatat eivät koskaan poistu omilta datan omistajiltaan ja siirretyt parametrit/tulokset salataan asianmukaisesti tietosuojan suojaamiseksi. Liittoutunutta koneoppimista on tutkittu laajasti lukuisilla sovellusalueilla, mukaan lukien kansanterveys , , kliininen diagnoosi , , , verkkokauppa , esineiden internet , mobiililaskenta  ja älykäs verkko , , . Tämä lähestymistapa voi mullistaa datalähtöisen tutkimusparadigman laajalla energia-alalla mahdollistamalla tietosuojaa suojaavan yhteistyön, erityisesti niille, joilla on rajoitettu pääsy dataan. Akkujen kierrätysalan osalta liittoutunut koneoppiminen tarjoaa lupaavia mahdollisuuksia hyödyntää valtavaa määrää olemassa olevaa akkudataa, jota ei kuitenkaan voida jakaa tietosuojahuolien vuoksi. Tällaisella yhteistyöhön perustuvalla, mutta tietosuojaa suojaavalla paradigmalla käytettyjen akkujen lajittelu voidaan toteuttaa korkealla tarkkuudella, tehokkuudella, skaalautuvuudella ja yleistettävyydellä, optimoiden kierrätettyjen tuotteiden laatua ja kannattavuutta. Tietojemme mukaan liittoutuneita koneoppimistutkimuksia, jotka keskittyvät akkujen kierrätykseen, ei ole aiemmin raportoitu. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 Tässä tutkimuksessa suoritamme käytettyjen akkujen katodimateriaalilajin lajittelun hyödyntämällä useiden yhteistyökumppaneiden, kuten akkujen valmistajien, käytännön sovellusoperaattoreiden, akateemisten tutkimuslaitosten ja kolmansien osapuolien alustojen, olemassa olevaa akkudataa yhteistyöhön perustuvassa ja tietosuojaa suojaavassa koneoppimismuodossa, kuten kuvataan kuvassa 1. Liittoutunut koneoppimismallimme koulutettiin vain yhdellä kenttätestidatan kierroksella standardoidun piirteiden eristämisprosessin avulla, ilman aiempaa tietoa historiallisista käyttöolosuhteista. Vertaisimme liittoutuneen koneoppimismallimme ennustusvoimaa paikallisista tiedoista riippumattomasti opittuihin paikallisiin malleihin sekä homogeenisissa että heterogeenisissä akkujen kierrätysolosuhteissa. Heterogeenisyysongelma ratkaistaan ehdottamallamme Wasserstein-etäisyyteen perustuvalla äänestysstrategialla. Suoritamme taloudellisen arvioinnin käytettyjen akkujen kierrätyksestä ehdottamallamme liittoutuneella koneoppimiskehyksellä, korostaen tarkan käytettyjen akkujen lajittelun merkitystä ja tarpeellisuutta. Keskustelemme kattavasti mallin tulkittavuudesta, akkujen kierrätykseen liittyvistä vaikutuksista ja tulevan akkujen kierrätyskäytännön laajemmistä näkymistä integroituna liittoutuneeseen koneoppimiseen.    Useita tietolähteitä, kuten akkujen valmistajat (Kuvan lähde: Addionics), käytännön sovellusoperaattorit (akku paketti Teslan lattia paneelissa. Kuvan lähde: Tesla), akateemiset tutkimuslaitokset ja kolmannen osapuolen 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-etäisyyteen perustuva äänestystekniikka sulauttaa paikalliset mallit globaaliin malliin, joka on kestävä datan epätasapainolle ja kohinalle. Akkujen kierrättäjät voivat käyttää yhdessä rakennettua mallia akkujen lajitteluun, yhdistettynä helposti saatavilla olevaan kenttätestausdataan.   Liittoutunut koneoppimiskehyksemme kannustaa yhteistyökumppaneita datan jakamiseen samalla kun tietosuoja säilyy, vastakohtana perinteiselle datasaaristo-paradigmalletä. a b Tulokset Datan keruu ja standardointi Eri akkutyypeissä esiintyvät ainutlaatuiset akkukinetiikat ovat usein korkeaulotteisia ja vaikeasti karakterisoitavissa vaihtelevien käyttöolosuhteiden, valmistusvaihtelun ja historiallisten käyttötapojen vuoksi . Ratkaisun löytämiseksi tähän dilemmaan keräsimme ja standardoimme 130 käytettyä akkua, joissa on 5 katodimateriaalityyppiä 7 valmistajalta, muodostaaksemme jakautumasta poikkeavan, vastaavasti heterogeenisen tietoaineiston. Ottaen huomioon erilaiset historialliset käyttötavat, kerättyjen akkujen kapasiteetti on alle 90 % nimelliskapasiteetista. Akkukatodimateriaalit 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). 52 Standardointia varten kaikki kierrättäjältä vaadittavat tiedot ovat tällä hetkellä tutkitun (kenttätestatun) syklin aikana, johon sisältyy yksi lataus- ja purkutesti, mikä on helppo toteuttaa käytännön tapauksissa. Tutkitut tiedot puhdistetaan ensin täyttämällä puuttuvat arvot, korvaamalla poikkeamat ja suorittamalla mediaanisuodatus. Ihmisen aiheuttamat ja katodien heterogeenisyyden aiheuttamat kohinat säilytetään tarkoituksella, jotta malli olisi kestävä epätäydellisille syötteille. Tämän jälkeen tiedot interpoloidaan lineaarisesti käyrän täyttämiseksi (lisäkuva 1) ja piirteitä muokataan ulottuvuuden vähentämiseksi, käyttäen jaettua joukkoa standardointiparametreja (lisähuomautus 1). Standardointiprosessista eristetyt piirteet ovat hyvin tulkittavia, mikä on merkittävä kaupallinen huolenaihe. Tietojemme mukaan tämä on ensimmäinen kerta, kun useista lähteistä ja historiallisista käyttötavoista peräisin olevaa heterogeenistä akkudataa hyödynnetään akkujen kierrätysstrategian suunnittelun tukemiseksi. Kuva 2a, 2b esittelee piirteiden muokkausprosessin. Keskitymme käytettyjen akkujen lataus- ja purkauskäyrään viimeisessä syklissä, eli yhdessä lataus- ja yhdessä purkaussykliä (lisäkuvat 2–5). Lataussyklissä 15 piirrettä eristetään jännite-kapasiteetti- ja dQ/dV-käyristä, joissa V ja Q viittaavat jännite- ja kapasiteettiarvoihin. Sama joukko piirteitä eristetään purkaussyklille. Tuloksena on yhteensä 30 piirrettä, kuten osoitettu F1–F30. Katso lisätaulukko 2 ja lisähuomautus 2 yksityiskohtaisesta selityksestä piirteisiin. Kuva 2c esittelee valittujen akkujen absoluuttiset ja suhteelliset piirre arviot jokaisesta luokasta. Useimmat suhteelliset piirte arviot eri luokissa päällekkäin −1–0 alueella (vaaleanvihreällä värillä) ja ovat erottamattomia, mikä havainnollistaa akkutyypin luokittelun vaikeutta käyttämällä yhtä akkudatan sykliä. Vaikeus on odotettu, koska vaihtelevat historialliset käyttöolosuhteet voivat vaikuttaa akkujen lataus-purkauskineetiikkaan siten, että eristetyt piirteet voivat olla huomattavasti korreloituneita eri akkutyypeistä huolimatta (lisäkuva 6). Sen sijaan, että eristettyjä piirteitä tulkittaisiin suoraan asiantuntijatietojen avulla, käytämme vaihtoehtoista datalähtöistä lähestymistapaa, joka hyödyntää automaattisesti piileviä malleja eri akkutyypeissä.    Latausprosessissa 15 piirrettä eristetään jännite-kapasiteetti (vasen) ja dQ/dV-käyrästä (oikea).   Sama piirteiden joukko koskee purkausprosessia piirteinä F16–F30.   Piirteet visualisoidaan luokittain, noudattaen muotoa CxBn, joka ilmaisee n:nnen akun luokasta x. Ympyrän koko vastaa absoluuttista piirrearviota. Lähdedata on saatavilla lähdedatatiedostona. a b c Käytettyjen akkujen lajittelu homogeenisella datayhteydellä Harkitsemme ensin tilannetta, jossa akkudata jakautuu homogeenisesti yhteistyökumppaneiden (ts. asiakkaiden) kesken. Homogeenisuus tarkoittaa, että jokainen asiakas tarjoaa jaettavaksi akkudataa kaikista 9 luokasta, vaikka akkujen lukumäärä ei olisikaan rajoitettu (lisätaulukko 3). Koulutamme liittoutunutta koneoppimismalliamme vaatimatta tietoa käytettyjen akkujen historiallisesta käytöstä. Työssämme kierrättäjän ja asiakkaiden tarvitsee vain testata käytettyjä akkuja nykyisellä (kenttätestaus) syklillä, erityisesti täydellä lataus-purkaussyklillä, jotta kierrättäjän aloittama standardi piirteiden muokkausprosessi voidaan suorittaa. Paikalliset mallit koulutetaan piirteiden perusteella, jotka on eristetty niiden yksityisestä akkudatasta. Liittoutunut koneoppimiskehys yhdistää paikalliset malliparametrit, ei yksityistä akkudataa, kierrättäjälle käytettyjen akkujen luokittelua varten. Kuva 3 näyttää lajittelutulokset, kun asiakkaat jakavat homogeenista akkudataa. Kuva 3a vertailee kahta liittoutunutta koneoppimismenetelmää, ts. enemmistöäänestystä (MV) ja ehdottamaamme Wasserstein-etäisyysäänestystä (WDV), riippumattoman oppimisen (IL) paradigman kanssa. On huomattava, että IL:n tarkkuus on keskiarvoistettu kaikkien asiakkaiden yli ei-liittoutuneella tavalla. IL:ään verrattuna MV ei uhraa lajittelusuorituskykyä, keskimääräinen tarkkuus on 95 %, samalla kun se pystyy suojaamaan tietosuojaa ja lieventämään laskennallista taakkaa. MV:llä kuitenkin 3 luokkaa lajitellaan väärin. Esimerkiksi 3 akkua NMC:stä (SNL, luokka 8, 15 yhteensä) lajitellaan väärin NCA:han (SNL, luokka 7), mikä johtaa 80 % lajittelutarkkuuteen. Lajittelutarkkuus NCA:lle (UL-PUR, luokka 9) on 81 %, ja 2 akkua lajitellaan väärin NMC:hen (MICH_Form, luokka 4) ja 1 akku NMC/LCO sekoitettuun tyyppiin (HNEI, luokka 2) vastaavasti. Vastaavasti WDV suoriutuu MV:tä paremmin, koska se lajittelee vain yhden akun väärin, mikä johtaa 99 % lajittelutarkkuuteen. Arvioimme myös kunkin luokan ennennäköisyysjakaumaa MV:lle ja WDV:lle vastaavasti. Käy ilmi, että WDV tekee varmemman lajittelun kuin MV, koska WDV:n ennennäköisyydet ovat yleensä oikealle vinotuneet korkeampaan todennäköisyysarvoon. Siksi ehdottamamme WDV tuottaa korkeamman lajittelutarkkuuden kaikissa luokissa, ja lajittelu on rikkaampi todennäköisyysvarmaisuusmarginaaleilla.  <

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 tietosuojaystävällinen tekoäly voi muuttaa akkujätteen suureksi voitoksi

About Author

KOMMENTIT

RIPUTA TAGSIA

TÄMÄ ARTIKKELI ESITETTIIN

Related Stories

PENANCE

The #bitcoin Writing Contest by Rootstock and HackerNoon: Final Round Results🎉

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

Spaghetti

PENANCE

The #bitcoin Writing Contest by Rootstock and HackerNoon: Final Round Results🎉

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

Spaghetti

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps