Esta IA privada de privacidade podería converter 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 As baterías retiradas non clasificadas con diversos materiais de cátodo dificultan a adopción da reciclaxe directa debido á súa natureza específica do cátodo. O aumento das baterías retiradas require unha clasificación precisa para unha reciclaxe directa eficaz, pero xorden desafíos polas variadas historias operativas, diversos fabricantes e preocupacións de privacidade de datos dos colaboradores de reciclaxe (propietarios de datos). Aquí mostramos, a partir dun conxunto de datos único de 130 baterías de iones de 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 ao final da súa vida útil, o noso modelo mostra erros de clasificación do cátodo do 1% e do 3% en condicións de reciclaxe de baterías homoxéneas e heteroxéneas respectivamente, atribuídos á nosa innovadora estratexia de votación por distancia de Wasserstein. Económicamente, o método proposto subliña o valor da clasificación precisa das 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 iones de litio (LIB), que serven como dispositivos de almacenamento de enerxía, gañaron unha ampla utilización en varios dominios, desde a produción industrial ata a vida diaria como unha ruta técnica aceptada. As proxeccións suxiren que a escala de produción global de LIB superará os 1,3 TWh para 2030 cando a crecente demanda de baterías superará con creces a dispoñibilidade de recursos metálicos vitais como o litio e o cobalto , . Non obstante, a vida útil media actual dos produtos LIB é de 5 a 8 anos, o que leva a un inminente aumento das baterías retiradas en moitos países. Se non se xestionan axeitadamente, as baterías retiradas provocarán un desperdicio insostible de recursos e danos ambientais. Dadas estas circunstancias, o desenvolvemento da tecnoloxía de reciclaxe de baterías adquire unha importancia crucial a medida que nos enfrontamos á inminente marea de xubilacións de LIB . 1 2 3 4 Os avances recentes na investigación de reciclaxe de baterías centráronse nos enfoques pirometalúrxicos, hidrometalúrxicos e de reciclaxe directa . En contraste cos métodos pirometalúrxicos e hidrometalúrxicos, a reciclaxe directa distínguese como un enfoque distinto. Este proceso non inflúe en danos secundarios na estrutura do material, permitindo unha reparación estrutural e unha 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 menores pegadas ambientais , . Na produción real, con todo, os recicladores de baterías atópanse frecuentemente con LIB que comprenden compoñentes descoñecidos ou módulos de batería que consisten nunha mestura de diferentes tipos de materiais de cátodo. Tendo en conta que a reciclaxe directa pode ser moi específica do cátodo, tal complexidade fai que a aplicación da reciclaxe directa sexa inviable 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 usando 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 sustentabilidade. 5 6 7 8 9 Propúxose a reciclaxe directa asistida por humanos para identificar a información do tipo de material de cátodo da batería retirada no enlace de pretratamento, o que aínda non é financeiramente viable cando a industria da reciclaxe está a escalarse . Para recuperar eficazmente a información do tipo de cátodo da batería retirada, a comunidade científica e industrial iniciou recentemente un sistema de rastrexo 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 de que a información da batería debe 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 rastrexo da vida útil da batería ou os pasaportes das baterías están habilitados por dispositivos 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 dispositivos electrónicos seguen sendo difíciles de xestionar consistentemente ao longo da súa vida útil, o que leva a dispositivos desgastados e inaccesibilidade na etapa de reciclaxe, xa que o proceso de fabricación moderno das LIB aínda non está integrado da produción á reciclaxe . Polo tanto, urxen avances para lograr unha clasificación eficiente do tipo de cátodo da batería utilizando só información de campo facilmente accesible , , en oposición aos datos históricos rexistrados ou á forma asistida 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 da batería. 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 ciclo , , 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 en relación con materiais de cátodo , , o que se culpa á escasa cantidade de datos de baterías, especialmente para aquelas cicladas ata o final da súa vida útil. A gran maioría dos estudos publicados presentan tamaños de mostra moi limitados e son aínda máis limitados na diversidade de cátodos de batería . A escaseza atribúese ao custo intensivo, ao longo tempo de proba e, o máis importante, á privacidade dos datos debido a preocupacións comerciais ou de interese. Consecuentemente, o problema da privacidade ríxidifica 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 esixe o estudo da clasificación de materiais de cátodo para optimizar a elección da ruta de reciclaxe de baterías 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 respectuoso coa privacidade, ten o potencial de resolver tanto a colaboración multipartita (equivalente, o volume e a diversidade de datos da 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 aplicativos, incluíndo a saúde pública , , diagnóstico clínico , , , comercio electrónico , Internet das cousas , computación móbil , e rede intelixente , , . Este enfoque pode revolucionar o paradigma de investigación baseado en 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 posibilidades prometedoras para aproveitar a cantidade xigantesca de datos de baterías que xa existe pero que non se pode compartir 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 das baterías retiradas, aproveitando os datos existentes das 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 Figura . O noso modelo de aprendizaxe automática federada foi adestrado utilizando só un ciclo de datos de proba 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 tanto en circunstancias de reciclaxe de baterías homoxéneas como heteroxéneas. A cuestión da heteroxeneidade resólvese coa nosa proposta estratexia de votación por 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 dunha clasificación precisa das 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 (Imaxe cortesía de Addionics), operadores de aplicacións prácticas (paquete de baterías no piso dun Tesla. Imaxe cortesía de Tesla), institucións de investigación académica e plataformas de terceiros, poden ser contribuíntes de datos. Os datos da batería nin se intercambian entre os contribuíntes nin se cargan ao reciclador da batería. En vez diso, os contribuíntes de datos adestran modelos locais e comparten parámetros do modelo co reciclador da batería para construír un modelo global. A técnica proposta de votación por distancia de Wasserstein fusiona os modelos locais no modelo global, que é robusto ao desequilibrio e ao ruído dos datos. Os recicladores de baterías poden usar o modelo conxuntamente construído para a clasificación de baterías, combinado cos datos de proba de campo facilmente accesibles. 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 Recolleita 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 de operación divergentos, variabilidade de fabricación e usos históricos . Para atopar unha solución a este dilema, recompilamos e estandarizamos 130 baterías retiradas con 5 tipos de materiais de cátodo de 7 fabricantes para construír un conxunto de datos fóra de distribución, equivalente a heteroxéneo. Dados os diferentes usos históricos, as capacidades das baterías recollidas son inferiores ao 90% da capacidade nominal. Os materiais dos cátodos das baterías son óxido de cobalto e litio (LCO), cobalto, 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 aínda máis en 9 clases baseadas nos fabricantes (Táboa Suplementaria ). Incluímos intencionadamente baterías con usos históricos divergentos, desde probas de laboratorio ata perfís de condución de vehículos eléctricos, para adestrar un modelo xeneralizado 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 investigado (proba de campo) cunha proba de carga e descarga, que é fácil de implementar en casos prácticos. Os datos investigados son primeiro depurados enchendo valores ausentes, substituíndo valores atípicos e realizando filtrado mediano. Retivéronse deliberadamente ruídos inducidos por humanos e por heteroxeneidade de cátodo, para facer o modelo robusto a entradas imperfectas. Os datos interpolanse linealmente para o recheo de curvas (Figura Suplementaria ) e engénieranse características para a redución de dimensionalidade, cun conxunto compartido de parámetros de estandarización (Nota Suplementaria ). As características extraídas da pipeline de estandarización son ben interpretables, unha preocupación de interese comercial significativo. Ata onde sabemos, é a primeira vez que se utilizan datos de baterías heteroxéneas de múltiples fontes e usos históricos para axudar no deseño da estratexia de reciclaxe de baterías. 1 1 A Figura a, b mostran o proceso de enxeñaría de características. Centrámonos na curva de carga e descarga da batería retirada no último ciclo, é dicir, un ciclo de carga e un ciclo de descarga (Figuras Suplementarias – ). No ciclo de carga, extráense 15 características das curvas de voltaxe-capacidade e dQ/dV, onde V e Q se refiren aos valores de voltaxe e capacidade, respectivamente. Extráese o mesmo conxunto de características para o ciclo de descarga. Como resultado, extráense 30 características en total, como se indica en F1 a F30. Consulte a Táboa Suplementaria e a Nota Suplementaria para unha explicación detallada das características. A Figura c mostra os valores absolutos e relativos das características das baterías seleccionadas de cada clase. A maioría dos valores de características relativas en diferentes clases solápanse na rexión de -1 a 0 (coa cor verde claro) e son indistinguibles, o que ilustra a dificultade de clasificar o tipo de batería usando un ciclo de datos de batería. A dificultade é esperada porque as condicións de operación históricas divergentos poden influír na cinética de carga-descarga das baterías, de xeito que as características extraídas poden estar amplamente correlacionadas a pesar dos diferentes tipos de baterías (Figura Suplementaria ). En lugar de interpretar directamente as características extraídas usando coñecementos expertos, empregamos un enfoque alternativo baseado en datos que aproveita automaticamente os patróns latentes en varios tipos de baterías. 2 2 5 2 2 2 6 Para o proceso de carga, extráense 15 características da voltaxe-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 arquivo 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 homoxeneamente distribuídos entre os colaboradores (é dicir, os clientes). A homoxeneidade significa que cada cliente ofrece compartir os datos da batería en todas 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 precisan probar as baterías retiradas no ciclo actual (proba de campo), especificamente, cun ciclo completo de carga-descarga para un proceso de enxeñaría de características estandarizado iniciado polo reciclador. Adéstranse modelos locais baseados en 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 de baterías, para que o reciclador clasifique as baterías retiradas. 3 A Figura mostra os resultados da clasificación cando os clientes contribúen con datos de baterías homoxéneas. A Figura a compara dous métodos de aprendizaxe automática federada, é dicir, a votación maioritaria (MV) e a nosa proposta votación por distancia de Wasserstein (WDV), co paradigma de aprendizaxe independente (IL). Cabe sinalar que a precisión para o IL se promedia en todos os clientes dun xeito non federado. En comparación co IL, a MV non sacrifica o rendemento da clasificación, cunha precisión media do 95%, á vez 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 en 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 en NMC (MICH_Form, clase 4) e 1 batería mal clasificada nun tipo mesturado de 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 segura que a MV xa que as probabilidades de predición da WDV están xeralmente sesgadas cara á dereita a un valor de probabilidade máis alto. Polo tanto, a nosa proposta WDV produce precisións de clasificación máis altas en todas as clases, e a clasificación é de marxens de confianza de probabilidade máis ricas. 3 3 A matriz de confusión para os métodos de votación maioritaria (MV) e votación por distancia de Wasserstein (WDV), respectivamente. Consideramos a distribución de probabilidade de predición para cada clase. A clasificación da aprendizaxe independente (IL) está anotada. Distribución da precisión da clasificación e orzamento de privacidade (PB) do IL, MV e WDV na presenza de ruído aleatorio. O valor de PB refírese a un nivel de precisión do 90%. Puntuación F1 media dos resultados da clasificación e PBs en cada clase usando o IL, MV e WDV. Os valores de PB refírense todos a un nivel de puntuación F1 de 0,9. >Importancia das características, en orde descendente. O subplot 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 arquivo de Datos Fonte. a b c d Tamén avaliamos o orzamento de privacidade (PB, sección "Métodos"), considerando que os datos do cliente poden ser vulnerables á enxeñaría inversa ao escoitar datos privados . A este respecto, engadimos ruído Gaussiano aleatorio aos datos do cliente con diferentes intensidades. A intensidade da aleatoriedade está controlada por unha relación sinal-ruído (NSR), que oscila entre o 1% e o 10%. A Figura b mostra a comparación de precisión e orzamento de privacidade ao usar IL, MV e WDV, respectivamente. A precisión da clasificación da MV diminúe do 95% ao 82%, similar á do IL cando a intensidade do ruído aumenta do 1% ao 10%. Neste rango de ruído, a precisión de clasificación mediana da MV e IL é do 53 3