Esta IA compatible con la privacidad podría convertir los residuos de baterías en grandes beneficios

Autores: 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 Resumo Baterías retiradas e non clasificadas con diversos materiais de cátodo dificultan a adopción da reciclaxe directa debido á súa natureza específica do cátodo. O aumento de baterías retiradas require unha clasificación precisa para unha reciclaxe directa eficaz, pero xorden desafíos debido a historias operativas variables, diversos fabricantes e preocupacións de privacidade de datos de colaboradores de reciclaxe (propietarios de datos). Aquí amosamos, a partir dun conxunto de datos único de 130 baterías de ión-litio que abranguen 5 materiais de cátodo e 7 fabricantes, que un enfoque de aprendizaxe automática federada pode clasificar estas baterías retiradas sen depender de datos operativos pasados, salvagardando a privacidade dos datos dos colaboradores de reciclaxe. Ao utilizar as características extraídas do ciclo de carga-descarga final da vida útil, o noso modelo presenta erros de clasificación de cátodo do 1% e do 3% en escenarios de reciclaxe de baterías homoxéneos e heteroxéneos, respectivamente, atribuídos á nosa innovadora estratexia de votación de distancia de Wasserstein. Economicamene, o método proposto subliña o valor da clasificación precisa de baterías para unha industria de reciclaxe próspera e sostible. Este estudo anuncia un novo paradigma de uso de datos sensibles á privacidade de diversas fontes, facilitando a toma de decisións colaborativa e respectuosa coa privacidade para sistemas distribuídos. Introdución As baterías de ión-litio (LIBs), que serven como dispositivos de almacenamento de enerxía, gañaron unha ampla utilización en varios dominios, dende a produción industrial ata a vida diaria como unha ruta técnica aceptada. As proxeccións suxiren que a escala de produción global de LIBs superará os 1,3 TWh para 2030 cando a crecente demanda de baterías supere con moito a dispoñibilidade de recursos de metais vitais como o litio e o cobalto , . Non obstante, a vida útil media actual dos produtos LIBs sitúase nos 5-8 anos, o que leva a un aumento inminente de baterías retiradas en moitos países. Se non se xestionan axeitadamente, as baterías retiradas resultarán nun desperdicio insostible de recursos e danos ambientais. Dadas estas circunstancias, o desenvolvemento de tecnoloxía de reciclaxe de baterías asume unha importancia crucial mentres nos enfrontamos á inminente marea de retiradas de LIBs . 1 2 3 4 Os avances recentes na investigación de reciclaxe de baterías centráronse nas aproximacións pirometalúrxicas, hidrometalúrxicas e de reciclaxe directa . En contraste cos métodos pirometalúrxicos e hidrometalúrxicos, a reciclaxe directa distínguese como unha aproximación distinta. Este proceso non inflúe danos secundarios na estrutura do material, permitindo unha reparación estrutural e restauración de rendemento máis eficientes. Ademais, a reciclaxe directa presenta unha maior rendibilidade, xa que implica menor consumo de enerxía, menores emisións de gases de efecto invernadoiro e menor pegada ambiental , . Na produción real, con todo, os recicladores de baterías atópanse frecuentemente con LIBs que comprenden compoñentes descoñecidos ou módulos de batería que consisten nunha mestura de diferentes tipos de materiais de cátodo. Considerando que a reciclaxe directa pode ser moi específica do cátodo, tal complexidade fai inviable a aplicación da reciclaxe directa para lograr a conversión de valor das baterías retiradas . É crucial subliñar que mesmo se os metais vitais de tipos de materiais de cátodo mixtos poden ser extraídos mediante estratexias de reciclaxe convencionais, a interacción entre diferentes materiais de cátodo durante o proceso de reciclaxe pode afectar negativamente á calidade do produto . Polo tanto, a comprensión da información do tipo de material de cátodo no lado da reciclaxe impacta marcadamente na elección da ruta de reciclaxe directa e, en última instancia, mellora a calidade do produto, a rendibilidade e a sostibilidade. 5 6 7 8 9 Propúxose a reciclaxe directa asistida por humanos para identificar información sobre o tipo de material de cátodo de baterías retiradas na ligazón de pretratamento, que aínda non é economicamente viable cando a industria da reciclaxe está a escalar . Para recuperar eficazmente a información do tipo de cátodo de baterías retiradas, a comunidade científica e industrial iniciou recentemente un sistema de seguimento da vida útil da batería e conceptos emerxentes como o pasaporte da batería e o xenoma de datos da batería . Aínda que se utilizaron baterías substanciais antes desas iniciativas, hai un consenso crecente en que a información da batería debería ser accesible ao longo da cadea de vida para facilitar a toma de decisións de segunda vida . Este é notablemente o caso do sector da reciclaxe de baterías, a última estación da segunda vida da batería, xa que a ruta de reciclaxe pode ser moi específica do cátodo. Non obstante, os sistemas de seguimento da vida útil da batería ou os pasaportes de batería están habilitados por aparellos electrónicos como códigos de barras e comunicacións de campo próximo, que poderían introducir unha inversión intensiva e poderían ser amplamente incompatibles con diferentes deseñadores de baterías. Ademais, os aparellos electrónicos seguen sendo un desafío para xestionar consistentemente ao longo da súa vida útil, o que leva a dispositivos desgastados e inaccesibles na fase de reciclaxe, xa que o proceso de fabricación moderno das LIBs aínda non está integrado na produción-reciclaxe . Polo tanto, urxen avances para lograr unha clasificación eficiente do tipo de cátodo de batería utilizando só información de campo de fácil acceso , , en oposición aos datos históricos rexistrados ou ao xeito asistido por humanos, facilitando a adopción da reciclaxe directa para mellorar a calidade e a rendibilidade dos produtos reciclados. 1 10 11 12 13 14 15 16 Nos últimos anos, a aprendizaxe automática emerxeu como unha ferramenta viable para abordar cuestións abertas en todos os campos das baterías. Noutros temas relacionados coas baterías, a aprendizaxe automática permitiu recentemente descubrir automaticamente mecanismos complexos de baterías , , , predecir a vida útil restante , , , , , avaliar o estado de saúde , , , optimizar o perfil de ciclaxe , , aproximar a distribución de fallos , incluso para guiar o deseño da batería , , e predecir o rendemento ao longo da vida inmediatamente despois da fabricación . No caso da reciclaxe de baterías, poucos traballos investigaron a aprendizaxe automática respecto aos materiais de cátodo , , o que se atribúe á escasa cantidade de datos de baterías, especialmente para aquelas cicladas ata a fase final da súa vida útil. A gran maioría dos estudos publicados amosan tamaños de mostra moi limitados e son aínda máis limitados na diversidade de cátodos de batería . A escaseza atribúese ao custo intensivo, o longo tempo de proba e, o máis importante, á privacidade dos datos debido a preocupacións comerciais ou de intereses. Consecuentemente, o problema da privacidade ríxida o dilema onde os datos de batería existentes, aínda que substanciais en volume e diversidade de múltiples partes como fabricantes de baterías, aplicacións prácticas, institucións académicas e plataformas de terceiros, non poden ser compartidos. Tal dilema require o estudo da clasificación de materiais de cátodo para optimizar a elección da ruta de reciclaxe da batería dun xeito colaborativo e respectuoso coa privacidade. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 A aprendizaxe automática federada, como paradigma distribuído e que respecta a privacidade, ten o potencial de resolver tanto a colaboración multipartita (equivalente, o volume e a diversidade de datos de batería) como os problemas de privacidade mediante a aprendizaxe automática colaborativa , , . En cada iteración de adestramento, os propietarios de datos distribuídos realizan adestramento local coa súa potencia computacional local, cifran os parámetros/resultados do modelo adestrado e cárganos nun coordinador central para a agregación. Feitos que os conxuntos de datos brutos nunca abandonan os seus respectivos propietarios de datos e que os parámetros/resultados transferidos están debidamente cifrados para protexer a privacidade dos datos. A aprendizaxe automática federada foi investigada extensamente en numerosos campos aplicados, incluíndo a saúde pública , , diagnóstico clínico , , , comercio electrónico , Internet das Cousas , computación móbil , e rede intelixente , , . Este enfoque pode revolucionar o paradigma de investigación impulsado por datos en amplos sectores enerxéticos ao permitir a colaboración que respecta a privacidade, especialmente para aqueles con acceso limitado a datos. Con respecto ao sector da reciclaxe de baterías, a aprendizaxe automática federada asume prometedoras posibilidades para aproveitar a xigantesca cantidade de datos de baterías que xa existe pero que non pode ser compartida debido a preocupacións de privacidade. Con tal paradigma colaborativo e respectuoso coa privacidade, a clasificación de baterías retiradas pódese implementar con alta precisión, eficiencia, escalabilidade e xeneralización, optimizando a calidade e a rendibilidade dos produtos reciclados. Ata onde sabemos, nunca se informou de estudos de aprendizaxe automática federada centrados na reciclaxe de baterías. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 Neste estudo, realizamos unha clasificación de materiais de cátodo de baterías retiradas, aproveitando os datos existentes de baterías de múltiples colaboradores, como fabricantes de baterías, operadores de aplicacións prácticas, institucións de investigación académica e plataformas de terceiros, nunha moda de aprendizaxe automática colaborativa e respectuosa coa privacidade, como se ilustra na Fig. . O noso modelo de aprendizaxe automática federada foi adestrado utilizando só un ciclo de datos de probas de campo a través dun proceso de extracción de características estandarizado, sen ningún coñecemento previo das condicións de operación históricas. Comparamos o poder predictivo do noso modelo de aprendizaxe automática federada co dos modelos locais aprendidos independentemente baseados en datos locais en circunstancias de reciclaxe de baterías homoxéneas e heteroxéneas. O problema da heteroxeneidade resólvese coa nosa proposta estratexia de votación de distancia de Wasserstein. Realízase unha avaliación económica da reciclaxe de baterías retiradas utilizando o noso marco de aprendizaxe automática federada proposto, destacando a relevancia e necesidade da clasificación precisa de baterías retiradas. Discutimos exhaustivamente a interpretabilidade do modelo, as implicacións da reciclaxe de baterías e as perspectivas máis amplas da futura práctica de reciclaxe de baterías integrada coa aprendizaxe automática federada. 1 Múltiples fontes de datos, como fabricantes de baterías (Crédito da imaxe: Addionics), operadores de aplicacións prácticas (paquete de baterías no subsuelo dun Tesla. Crédito da imaxe: Tesla), institucións de investigación académica e plataformas de terceiros, poden ser contribuíntes de datos. Os datos das baterías nin se intercambian entre contribuíntes nin se cargan ao reciclador de baterías. Pola contra, os contribuíntes de datos adestran modelos locais e comparten os parámetros do modelo co reciclador de baterías para construír un modelo global. A técnica proposta de votación de distancia de Wasserstein fusiona os modelos locais no modelo global, que é robusto ao desequilibrio de datos e ao ruído. Os recicladores de baterías poden usar o modelo conxuntamente construído para a clasificación de baterías, combinado cos datos de probas de campo de fácil acceso. O noso marco de aprendizaxe automática federada anima aos colaboradores a compartir os datos mentres se preserva a privacidade dos datos en oposición ao paradigma tradicional de illamento de datos. a b Resultados Recolección e estandarización de datos A cinética única das baterías en diferentes tipos de baterías é a miúdo de alta dimensionalidade e difícil de caracterizar debido a casos operativos diverxentes, variabilidade de fabricación e usos históricos . Para atopar unha solución a este dilema, recollemos e estandarizamos 130 baterías retiradas con 5 tipos de materiais de cátodo de 7 fabricantes para construír un conxunto de datos heteroxéneo fóra de distribución, equivalente. Dados os diferentes usos históricos, as capacidades das baterías recollidas son inferiores ao 90% da capacidade nominal. Os materiais de cátodo da batería son óxido de cobalto e litio (LCO), cobalto e manganeso e níquel (NMC), fosfato de ferro e litio (LFP), óxido de cobalto e aluminio e níquel (NCA), e tipos mesturados de NMC-LCO, que se agrupan ademais en 9 clases segundo os fabricantes (Táboa Suplementaria ). Incluímos intencionadamente baterías con usos históricos diverxentes, desde probas de laboratorio ata perfís de condución de vehículos eléctricos, para adestrar un modelo xeralizado para o reciclador de baterías independente dos usos históricos e tipos de baterías. 52 1 Para a estandarización, todos os datos requiridos do reciclador son o ciclo actualmente sondado (proba de campo) cunha proba completa de carga e descarga, que é fácil de implementar en casos prácticos. Os datos probados primeiro son limpos de ruído enchendo valores que faltan, substituíndo valores atípicos e realizando filtrado mediano. Os ruídos inducidos por humanos e pola heteroxeneidade do cátodo retéñense deliberadamente, para que o modelo sexa robusto a entradas imperfectas. Os datos son entón interpolados linealmente para o recheo de curvas (Fig. Suplementaria ) e as características son enxeñadas para a redución da dimensionalidade, cun conxunto compartido de parámetros de estandarización (Nota Suplementaria ). As características extraídas do pipeline de estandarización son ben interpretables, unha preocupación de considerable interese comercial. Ata onde sabemos, é a primeira vez que se utilizan datos heteroxéneos de baterías de múltiples fontes e usos históricos para axudar no deseño da estratexia de reciclaxe de baterías. 1 1 A Figura a, demostran o proceso de enxeñaría de características. Centrámonos na curva de carga e descarga das baterías retiradas no último ciclo, é dicir, un ciclo de carga e un de descarga (Figuras Suplementarias – ). No ciclo de carga, extráense 15 características das curvas de tensión-capacidade e dQ/dV, onde V e Q se refiren aos valores de tensión e capacidade, respectivamente. Extráese o mesmo conxunto de características para o ciclo de descarga. Como resultado, extráense un total de 30 características, como se indica de F1 a F30. Consulte a Táboa Suplementaria e a Nota Suplementaria para unha explicación detallada das características. A Figura c amosa os valores absolutos e relativos das características das baterías seleccionadas de cada clase. A maioría dos valores de características relativas en diferentes clases solápense na rexión de -1 a 0 (coa cor verde claro) e son indistinguibles, ilustrando a dificultade de clasificar o tipo de batería utilizando un ciclo de datos de batería. A dificultade é esperada porque as condicións de operación históricas diverxentes poden influír na cinética de carga-descarga das baterías, de modo que as características extraídas poden estar amplamente correlacionadas a pesar dos diferentes tipos de baterías (Fig. Suplementaria ). En lugar de interpretar directamente as características extraídas mediante coñecemento experto, empregamos unha aproximación alternativa baseada en datos que aproveita automaticamente os patróns latentes entre varios tipos de baterías. 2 b 2 5 2 2 2 6 Para o proceso de carga, extráense 15 características da tensión-capacidade (esquerda) e da curva dQ/dV (dereita). O mesmo conxunto de características é para o proceso de descarga como F16 a F30. As características visualízanse por clases, seguindo o formato CxBn, indicando a enésima batería da clase x. O tamaño dun círculo mapea o valor absoluto da característica. Os datos fonte proporciónanse como un ficheiro de datos fonte. a b c Clasificación de baterías retiradas con acceso homoxéneo a datos Consideramos primeiro unha configuración na que os datos da batería están distribuídos homoxeneamente entre os colaboradores (é dicir, os clientes). A homoxeneidade significa que cada cliente ofrece compartir os datos da batería entre as 9 clases, aínda que o número específico de baterías non estea restrinxido (Táboa Suplementaria ). Adestramos o noso modelo de aprendizaxe automática federada sen requirir información sobre o uso histórico das baterías retiradas. No noso traballo, o reciclador e os clientes só necesitan probar as baterías retiradas no ciclo actual (proba de campo), especificamente, cun ciclo completo de carga-descarga para un proceso de enxeñaría de características estándar iniciado polo reciclador. Adéstranse modelos locais baseados nas características extraídas dos seus datos privados de baterías. O marco de aprendizaxe automática federada agrega os parámetros do modelo local, en lugar dos datos privados da batería, para que o reciclador clasifique as baterías retiradas. 3 A Figura amosa os resultados da clasificación cando os clientes achegan datos homoxéneos de baterías. A Figura a compara dous métodos de aprendizaxe automática federada, é dicir, o voto maioritario (MV) e o noso proposto voto por distancia de Wasserstein (WDV), co paradigma de aprendizaxe independente (IL). Debe notarse que a precisión para a IL está media sobre todos os clientes dun xeito non federado. Comparado coa IL, a MV non sacrifícase o rendemento da clasificación, cunha precisión media do 95%, mentres que é capaz de protexer a privacidade dos datos e mitigar a carga computacional. Non obstante, 3 clases son mal clasificadas usando a MV. Por exemplo, 3 baterías en NMC (SNL, clase 8, 15 en total) son mal clasificadas como NCA (SNL, clase 7), resultando nunha precisión de clasificación do 80%. A precisión de clasificación para NCA (UL-PUR, clase 9) é do 81%, con 2 baterías mal clasificadas como NMC (MICH_Form, clase 4) e 1 batería mal clasificada como tipo mesturado NMC/LCO (HNEI, clase 2), respectivamente. En contraste, a WDV supera á MV xa que só mal clasificou unha batería, resultando nunha precisión de clasificación do 99%. Tamén avaliamos a probabilidade de predición de cada clase para a MV e a WDV, respectivamente. Resulta que a WDV fai unha clasificación máis confiada que a MV xa que as probabilidades de predición da WDV están xeralmente inclinadas á dereita cara a un valor de probabilidade máis alto. Polo tanto, a nosa WDV proposta produce precisións de clasificación máis altas en todas as clases, e a clasificación é de marxes de confianza de probabilidade máis ricas. 3 3 A matriz de confusión para os métodos de voto maioritario (MV) e voto por distancia de Wasserstein (WDV), respectivamente. Consideramos a distribución de probabilidades de predición para cada clase. A clasificación da aprendizaxe independente (IL) está anotada. Distribución de precisión de clasificación e orzamento de privacidade (PB) da IL, MV e WDV na presenza de ruído aleatorio. O valor de PB está referenciado a un nivel de precisión do 90%. Puntuación F1 media dos resultados de clasificación e PBs en cada clase utilizando a IL, MV e WDV. Os valores de PB están todos referenciados a un nivel de puntuación F1 de 0,9. Os datos preséntanse como valores medios ± 1 desvío estándar. Importancia das características, en orde descendente. O subgráfico mostra o espazo de características abarcado polas dúas características máis salientables. Os datos preséntanse como valores medios + 1 desvío estándar. Os datos fonte proporciónanse como un ficheiro de datos fonte. a b c d Tamén avaliamos o orzamento de privacidade (PB, sección "Métodos"), considerando que os datos do cliente poderían ser vulnerables á enxeñaría inversa ao escoitar datos privados . Neste sentido, engadimos ruído Gaussiano aleatorio aos datos do cliente con diferentes intensidades. A intensidade da aleatoriedade está controlada por unha relación ruído-señal (NSR), que oscila entre o 1% e o 10%. A Figura b 53 3