
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 erilaisia katodimateriaaleja, vaikeuttavat suoran kierrätyksen käyttöönottoa katodispesifisyytensä vuoksi. Käytettyjen akkujen lisääntyminen edellyttää tarkkaa lajittelua tehokkaaseen suoraan kierrätykseen, mutta haasteita syntyy vaihtelevista käyttöhistorioista, eri valmistajista ja kierrätyskumppaneiden (datan omistajien) tietosuojahuolista. Tässä esittelemme ainutlaatuisesta 130 litiumioniakun tietojoukosta, joka kattaa 5 katodimateriaalia ja 7 valmistajaa, miten hajautettu koneoppimismenetelmä voi luokitella nämä käytetyt akut ilman, että se perustuu aikaisempiin käyttödataan, suojaten näin kierrätyskumppaneiden tietojen yksityisyyttä. Loppukäyttöiän lataus-purkausjakson piirteitä hyödyntämällä mallimme näyttää 1 % ja 3 % katodien lajitteluvirheet homogeenisissa ja heterogeenisissa akkujen kierrätysasetelmissa, mikä johtuu innovatiivisesta Wasserstein-etäisyyden äänestysstrategiastamme. Taloudellisesti ehdotettu menetelmä korostaa tarkan akkujen lajittelun arvoa kukoistavalle ja kestävälle kierrätysteollisuudelle. Tämä tutkimus ennakoi uutta paradigmaa, jossa hyödynnetään eri lähteistä peräisin olevaa yksityisyyden kannalta arkaluonteista dataa, mahdollistaen yhteistyöhön perustuvan ja yksityisyyttä kunnioittavan päätöksenteon hajautetuille järjestelmille. Johdanto Litiumioniakut (LIB), jotka toimivat energianvarastointilaitteina, ovat saavuttaneet laajaa käyttöä eri aloilla teollisesta tuotannosta jokapäiväiseen elämään hyväksyttynä teknisenä reittinä. Arvioiden mukaan LIB:ien maailmanlaajuinen tuotantomäärä ylittää 1,3 TWh vuoteen 2030 mennessä , jolloin akkujen kasvava kysyntä ylittää selvästi kriittisten metallivarojen, kuten litiumin ja koboltin, saatavuuden , . LIB-tuotteiden keskimääräinen käyttöikä on kuitenkin 5–8 vuotta, mikä johtaa käytettyjen akkujen välittömään kasvuun monissa maissa. Jos käytettyjä akkuja ei hallita asianmukaisesti, ne johtavat kestämättömään resurssihukkaan ja ympäristöhaittoihin. Näissä olosuhteissa akkujen kierrätysteknologian kehittäminen on erittäin tärkeää, kun kohtaamme lähestyvän LIB-akkujen käytöstäpoistojen tulvan . 1 2 3 4 Viimeaikaiset edistysaskeleet akkujen kierrätyksen tutkimuksessa ovat keskittyneet pyrometallurgisiin, hydrometallurgisiin ja suoriin kierrätysmenetelmiin . Verrattuna pyrometallurgisiin ja hydrometallurgisiin menetelmiin, suora kierrätys eroaa erillisenä lähestymistapana. Tämä prosessi ei aiheuta toissijaisia vaurioita materiaalirakenteelle, mahdollistaen tehokkaamman rakenteellisen korjauksen ja suorituskyvyn palauttamisen. Lisäksi suoralla kierrätyksellä on korkeampi kannattavuus, koska se vaatii vähemmän energiankulutusta, vähemmän kasvihuonekaasupäästöjä ja kevyempiä ympäristöjalanjälkiä , . Käytännön tuotannossa akkujen kierrättäjät kohtaavat kuitenkin usein LIB-akkuja, jotka koostuvat tuntemattomista komponenteista, tai akkuja, jotka koostuvat eri katodimateriaalityyppien seoksesta. Ottaen huomioon, että suora kierrätys voi olla vahvasti katodispesifistä, tällainen monimutkaisuus tekee suoran kierrätyksen soveltamisen mahdottomaksi käytettyjen akkujen arvon muuntamiseksi . On tärkeää korostaa, että vaikka elintärkeät metallit sekoitetuista katodimateriaalityypeistä voitaisiin poistaa tavanomaisilla kierrätysstrategioilla, eri katodimateriaalien välinen vuorovaikutus kierrätysprosessin aikana voi vaikuttaa haitallisesti tuotteiden laatuun . Siksi katodimateriaalintyyppitiedon ymmärtäminen kierrätyspuolella vaikuttaa merkittävästi suoran kierrätysreitin valintaan ja parantaa lopulta tuotteiden laatua, kannattavuutta ja kestävyyttä. 5 6 7 8 9 Ihmisavusteinen suora kierrätys on ehdotettu käytettyjen akkujen katodimateriaalintyyppitiedon tunnistamiseksi esikäsittelyvaiheessa, mikä ei ole vieläkään taloudellisesti kannattavaa akkujen kierrätysteollisuuden skaalautuessa . Käytettyjen akkujen katodityypin tiedon tehokkaaksi palauttamiseksi tiede- ja teollisuusyhteisö on hiljattain käynnistänyt akkujen käyttöiän seurantajärjestelmän  ja uudet konseptit, kuten akkupassi  ja akkudatagenomi . Vaikka huomattava määrä akkuja on käytetty ennen näitä aloitteita, kasvava yhteisymmärrys on, että akkujen tiedon tulisi olla saatavilla koko elinkaaren ajan toisen elämän päätöksenteon helpottamiseksi . Tämä pätee erityisesti akkujen kierrätyssektorille, joka on akun toisen elämän viimeinen asema, koska kierrätysreitti voi olla vahvasti katodispesifinen. Akkujen käyttöiän seurantajärjestelmät tai akkupassit perustuvat kuitenkin elektronisiin laitteisiin, kuten viivakoodeihin ja NFC-teknologiaan, jotka voivat aiheuttaa intensiivisiä investointeja ja olla laajalti yhteensopimattomia eri akkusuunnittelijoiden kanssa. Lisäksi elektronisten laitteiden johdonmukainen hallinta niiden koko käyttöiän ajan on edelleen haastavaa, mikä johtaa kuluneisiin laitteisiin ja käyttökelvottomuuteen kierrätysvaiheessa, koska nykyaikaista LIB-akkujen valmistusprosessia ei ole vielä integroitu tuotannosta kierrätykseen . Siksi tarvitaan kiireellisesti lisää läpimurtoja tehokkaan akkujen katodityypin lajittelun saavuttamiseksi käyttämällä vain helposti saatavilla olevaa kenttätietoa , , vastakohtana historiallisesti tallennetulle datalle 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 käyttökelpoinen työkalu avoimien kysymysten ratkaisemiseksi kaikilla akkualoilla. Muissa akkuihin liittyvissä aiheissa koneoppiminen on hiljattain mahdollistanut monimutkaisten akkujen mekanismien automaattisen löytämisen , , , jäljellä olevan käyttöiän ennustamisen , , , , , terveydentilan arvioinnin , , , pyöritysprofiilin optimoinnin , , vikaantumisjakauman approksimoinnin , jopa akkujen suunnittelun ohjaamiseen , , ja elinikäisen suorituskyvyn ennustamisen heti valmistuksen jälkeen . Akkujen kierrätyksen tapauksessa harvat työt ovat tutkineet koneoppimista katodimateriaalien suhteen , , mikä johtuu vähäisestä akkudatasta, erityisesti loppukäyttöikään asti käytetyistä akuista. Suurin osa julkaistuista tutkimuksista esittelee hyvin rajallisia otoskokoja  ja on vielä rajallisempi akkujen katodien monimuotoisuudessa . Vähäisyys johtuu intensiivisistä kustannuksista, pitkästä testausajasta  ja, mikä tärkeintä, tietosuojasta kaupallisten tai eturistiriitojen vuoksi. Siksi yksityisyysongelma jäykistää dilemman, jossa olemassa olevaa akkudataa, vaikka se onkin määrältään ja monimuotoisuudeltaan huomattavaa useilta tahoilta, kuten akkujen valmistajilta, käytännön sovelluksista, akateemisista instituutioista ja kolmannen osapuolen alustoista, ei voida jakaa. Tällainen dilemma edellyttää katodimateriaalilajittelun tutkimista akkujen kierrätysreitin valinnan optimoimiseksi yhteistyökykyisesti ja yksityisyyttä suojaavalla tavalla. 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, hajautettu koneoppiminen, voi ratkaista sekä monen osapuolen yhteistyö- (vastaavasti, akkudatan määrä ja monimuotoisuus) että yksityisyysongelmat yhteistyöhön perustuvan koneoppimisen avulla , , . Jokaisessa koulutusiteraatiossa hajautetut datan omistajat suorittavat paikallisen koulutuksen paikallisella laskentatehollaan, salaavat koulutetut malliparametrit/tulokset ja lataavat ne keskitettyyn koordinaattoriin yhdistettäväksi. Faktat, että raakadatat eivät koskaan poistu omista datan omistajistaan ja että siirretyt parametrit/tulokset on asianmukaisesti salattu yksityisyyden suojaamiseksi. Hajautettua koneoppimista on tutkittu laajasti lukuisilla sovellusalueilla, mukaan lukien kansanterveys , , kliininen diagnostiikka , , , verkkokauppa , esineiden internet , mobiililaskenta  ja älyverkko , , . Tämä lähestymistapa voi mullistaa datalähtöisen tutkimuksen paradigman laajalla energiasektorilla mahdollistamalla yksityisyyttä suojaavan yhteistyön, erityisesti niille, joilla on rajallinen pääsy dataan. Akkujen kierrätyssektorin osalta hajautettu koneoppiminen tarjoaa lupaavia mahdollisuuksia hyödyntää jättimäistä määrää jo olemassa olevaa akkudataa, jota ei kuitenkaan voida jakaa yksityisyyden vuoksi. Tällaisella yhteistyöhön perustuvalla ja yksityisyyttä suojaavalla paradigmalla käytettyjen akkujen lajittelua voidaan toteuttaa korkealla tarkkuudella, tehokkuudella, skaalautuvuudella ja yleistettävyydellä, optimoiden kierrätettyjen tuotteiden laatua ja kannattavuutta. Tietojemme mukaan hajautettuun koneoppimiseen keskittyviä akkujen kierrätystutkimuksia ei ole koskaan raportoitu. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 Tässä tutkimuksessa suoritamme käytettyjen akkujen katodimateriaalilajittelun hyödyntämällä useiden yhteistyökumppaneiden, kuten akkujen valmistajien, käytännön operaattoreiden, akateemisten tutkimuslaitosten ja kolmannen osapuolen alustojen, olemassa olevaa akkudataa yhteistyöhön perustuvalla ja yksityisyyttä suojaavalla koneoppimismenetelmällä kuvatulla tavalla Kuvassa 1. Hajautettu koneoppimismallimme koulutettiin käyttämällä vain yhtä kenttätestidatan jaksoa standardoidun piirteenpoistoprosessin avulla, ilman ennakkotietoa historiallisista käyttöolosuhteista. Vertaillemme hajautetun koneoppimismallimme ennustusvoimaa paikallisiin malleihin, jotka on itsenäisesti koulutettu paikallisella datalla, sekä homogeenisissa että heterogeenisissa akkujen kierrätysolosuhteissa. Heterogeenisuusongelma ratkaistaan ehdottamallamme Wasserstein-etäisyyden äänestysstrategialla. Taloudellinen arviointi käytettyjen akkujen kierrätyksestä käyttäen ehdottamaamme hajautettua koneoppimiskehikkoa suoritetaan, korostaen tarkkojen käytettyjen akkujen lajittelun merkitystä ja tarpeellisuutta. Keskustelemme kattavasti mallin tulkittavuudesta, akkujen kierrätyksen vaikutuksista ja tulevaisuuden akkujen kierrätyskäytännön laajemmista näkymistä, jotka on integroitu hajautettuun koneoppimiseen.    Monet datalähteet, kuten akkujen valmistajat (Kuva: Addionics), käytännön operaattorit (akku pakettina Teslan lattialevyssä. Kuva: Tesla), akateemiset tutkimuslaitokset ja kolmannen osapuolen alustat, voivat olla datan tuottajia. Akkujen dataa ei vaihdeta tuottajien välillä eikä ladata akkujen kierrättäjälle. Sen sijaan datan tuottajat kouluttavat paikallisia malleja ja jakavat malliparametreja akkujen kierrättäjän kanssa globaalin mallin rakentamiseksi. Ehdotettu Wasserstein-etäisyyden äänestystekniikka yhdistää paikalliset mallit globaaliksi malliksi, joka on kestävä datan epätasapainolle ja kohinalle. Akkujen kierrättäjät voivat käyttää yhteisesti rakennettua mallia akkujen lajitteluun, yhdistettynä helposti saatavilla olevaan kenttätestidataan.   Hajautettu koneoppimisjärjestelmämme kannustaa yhteistyökumppaneita jakamaan dataa samalla kun säilytetään datan yksityisyys perinteisen datan eristämisparadigmman sijaan. a b Tulokset Datan keruu ja standardointi Ainutlaatuiset akkujen kinetiikat eri akkutyypeissä ovat usein korkeaulotteisia ja vaikeasti karakterisoitavissa johtuen eroavista käyttöolosuhteista, valmistusvaihtelusta ja historiallisista käyttötavoista . Ratkaisun löytämiseksi tähän dilemmaan kerättiin ja standardoitiin 130 käytettyä akkua 5 katodimateriaalityypillä 7 valmistajalta, jotta saatiin ulkopuolinen, vastaavasti heterogeeninen tietojoukko. Koska historialliset käyttötavat ovat vaihdelleet, kerättyjen akkujen kapasiteetit ovat alle 90 % nimelliskapasiteetista. Akkujen katodimateriaalit ovat litiumkobolttioksidi (LCO), nikkeli-mangaani-koboltti (NMC), litiumrautafosfaatti (LFP), nikkeli-koboltti-alumiinioksidi (NCA) ja NMC-LCO sekoitetut tyypit, jotka ryhmitellään edelleen 9 luokkaan valmistajien perusteella (lisätaulukko 1). Sisällytimme tarkoituksella akkuja, joilla on erilaisia historiallisia käyttötapoja, laboratoriokokeista sähköautojen ajoprofiileihin, kouluttaaksemme yleistettävää mallia akkujen kierrättäjälle, riippumatta historiallisista käyttötavoista ja akkutyypeistä. 52 Standardointia varten kaikki kierrättäjältä vaadittava data on nykyinen (kenttätestaus) jakso yhdellä lataus- ja purkaustestillä, joka on helppo toteuttaa käytännön tapauksissa. Tällä hetkellä testattu data puhdistetaan ensin täyttämällä puuttuvat arvot, korvaamalla poikkeamat ja suorittamalla keskihajontasuodatus. Ihmisen aiheuttama ja katodien heterogeenisyyden aiheuttama kohina kuitenkin säilytetään tarkoituksella, jotta malli olisi kestävä epätäydellisille syötteille. Sitten data interpoloidaan lineaarisesti käyrän täyttämiseksi (lisäkuvio 1) ja piirteet poimitaan ulottuvuuden vähentämiseksi, jaettuja standardointiparametreja käyttäen (lisähuomautus 1). Standardointiprosessista poimitut piirteet ovat hyvin tulkittavia, mikä on merkittävän kaupallisen kiinnostuksen kohde. Tietojemme mukaan tämä on ensimmäinen kerta, kun useista lähteistä ja historiallisista käyttötavoista peräisin olevaa heterogeenistä akkudataa käytetään akkujen kierrätysstrategian suunnittelun apuna. Kuva 2a, 2b esittelee piirteenpoistoprosessia. Keskitymme käytettyjen akkujen lataus- ja purkauskäyrään viimeisellä jaksolla, eli yhteen lataus- ja yhteen purkausjaksoon (lisäkuviot 2–5). Latausjakson aikana 15 piirrettä poimitaan jännite-kapasiteetti- ja dQ/dV-käyristä, joissa V ja Q viittaavat jännite- ja kapasiteettiarvoihin. Sama joukko piirteitä poimitaan purkausjaksoa varten. Tuloksena poimitaan yhteensä 30 piirrettä, kuten F1–F30. Lisätaulukko 2 ja lisähuomautus 2 sisältävät yksityiskohtaisen selityksen piirteistä. Kuva 2c esittelee valittujen akkujen absoluuttisia ja suhteellisia piirrearvoja kustakin luokasta. Useimmat suhteelliset piirrearvot eri luokissa menevät päällekkäin alueella −1–0 (vaaleanvihreällä värillä) ja ovat erottamattomia, mikä osoittaa akkutyypin luokittelun vaikeuden yhdellä akkudatan jaksolla. Vaikeus on odotettu, koska historialliset käyttöolosuhteet voivat vaikuttaa akkujen lataus-purkauskäyttäytymiseen niin, että poimitut piirteet voivat olla suurelta osin korreloituneita eri akkutyypeistä huolimatta (lisäkuvio 6). Sen sijaan, että poimittuja piirteitä tulkittaisiin suoraan asiantuntijatietoa käyttäen, käytämme vaihtoehtoista datalähtöistä lähestymistapaa, joka hyödyntää automaattisesti piileviä malleja eri akkutyypeistä.    Latausprosessissa 15 piirrettä poimitaan jännite-kapasiteettikäyrästä (vasen) ja dQ/dV-käyrästä (oikea).   Sama piirteiden joukko on tarkoitettu purkausprosessille, piirteet F16–F30.   Piirteet visualisoidaan luokittain, noudattaen muotoa CxBn, joka osoittaa n:nnen akun luokasta x. Ympyrän koko kuvaa absoluuttista piirre arvoa. Lähdeaineisto on toimitettu lähdetiedostona. a b c Käytettyjen akkujen lajittelu homogeenisella datayhteydellä Tarkastelemme ensin asetelmaa, jossa akkujen data on homogeenisesti jakautunut yhteistyökumppaneiden (eli asiakkaiden) kesken. Homogeenisuus tarkoittaa, että jokainen asiakas tarjoaa jaettavaksi akkudataa kaikista 9 luokasta, vaikka akkujen tarkka lukumäärä ei ole rajoitettu (lisätaulukko 3). Koulutamme hajautetun koneoppimismallimme ilman tietoa käytettyjen akkujen historiallisesta käytöstä. Työssämme kierrättäjä ja asiakkaat tarvitsevat vain testata käytettyjä akkuja nykyisessä (kenttätestaus) jaksossa, erityisesti täydellisellä lataus-purkausjaksolla, standardoidulle piirteenpoistoprosessille, jonka kierrättäjä käynnistää. Paikalliset mallit koulutetaan omin yksityisille akkudatoille poimittujen piirteiden perusteella. Hajautettu koneoppimisjärjestelmä yhdistää paikallisten mallien parametrit, eikä yksityistä akkudataa, kierrättäjälle käytettyjen akkujen luokitteluun. Kuva 3 esittää lajittelutuloksia, kun asiakkaat tarjoavat homogeenista akkudataa. Kuvio 3a vertaa kahta hajautettua koneoppimismenetelmää, eli enemmistöäänestystä (MV) ja ehdottamaamme Wasserstein-etäisyyden äänestystä (WDV), itsenäisen oppimisen (IL) paradigman kanssa. On huomattava, että IL:n tarkkuus on keskiarvoistettu kaikkien asiakkaiden yli ei-hajautetulla tavalla. IL:ään verrattuna MV ei uhraa lajittelun suorituskykyä, keskimääräisen tarkkuuden ollessa 95 %, samalla kun se kykenee suojaamaan datan yksityisyyttä ja lieventämään laskennallista kuormitusta. MV:llä kuitenkin 3 luokkaa lajitellaan väärin. 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. Sitä vastoin WDV ylittää MV:n, koska se lajittelee väärin vain yhden akun, mikä johtaa 99 % lajittelutarkkuuteen. Arvioimme myös kunkin luokan ennustetodennäköisyyttä MV:lle ja WDV:lle erikseen. Käy ilmi, että WDV tekee varmemman lajittelun kuin MV, koska WDV:n ennustetodennäköisyydet ovat yleensä oikealle vinoutuneita korkeampaan todennäköisyysarvoon. Siksi ehdottamamme WDV tuottaa korkeammat lajittelutarkkuudet kaikissa luokissa, ja lajittelu on rikkaampi todennäköisyysluottamusmarginaaleilla.

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 akkujätettä suureksi voitoksi.

About Author

KOMMENTIT

RIPUTA TAGSIA

TÄMÄ ARTIKKELI ESITETTIIN

Related Stories

The Spacecoin Writing Contest by Spacecoin and HackerNoon: Final Round Results 🎉

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

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

Tee Q1 markkinointi lasketaan: keskittyä, suorittaa, toimittaa

The Spacecoin Writing Contest by Spacecoin and HackerNoon: Final Round Results 🎉

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

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

Tee Q1 markkinointi lasketaan: keskittyä, suorittaa, toimittaa

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps