
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 מחברים: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 שנג'יו טאו האיז'ואו ליו צ'ונגבו סאן האצ'נג ג'י ג'ואנג'ון ג'י ג'י-יואן האן רונהואה גאו ג'ון מא רייפי מא יו'ו צ'ן שי-יי פו יו'ו וואנג יאוג'יה סאן יו'ו רונג שואן ג'אנג גואנגמין ג'ואו הונגבין סאן תקציר סוללות פרישה לא ממוינות עם חומרי קתודה מגוונים מעכבות אימוץ של מיחזור ישיר בשל טבען הספציפי לקתודה. הזינוק בסוללות פרישה מחייב מיון מדויק למיחזור ישיר יעיל, אך אתגרים עולים מהיסטוריות תפעול משתנות, יצרנים מגוונים ודאגות פרטיות נתונים של שותפי מיחזור (בעלי נתונים). כאן אנו מציגים, מתוך מערך נתונים ייחודי של 130 סוללות ליתיום-יון המשתרעות על פני 5 חומרי קתודה ו-7 יצרנים, גישה של למידת מכונה מאוגדת (federated machine learning) שיכולה לסווג את הסוללות הפרושות הללו ללא הסתמכות על נתוני תפעול קודמים, תוך שמירה על פרטיות הנתונים של שותפי המיחזור. על ידי שימוש בתכונות שחולצו ממחזור הטעינה-פריקה בסוף החיים, המודל שלנו מציג שגיאות מיון קתודה של 1% ו-3% תחת הגדרות מיחזור סוללות הומוגניות והטרוגניות בהתאמה, המיוחסות לאסטרטגיית ההצבעה החדשנית שלנו למרחק וסרשטיין. מבחינה כלכלית, השיטה המוצעת מדגישה את הערך של מיון סוללות מדויק לתעשיית מיחזור משגשגת ובת קיימא. מחקר זה מבשר על פרדיגמה חדשה של שימוש בנתונים רגישי פרטיות ממקורות מגוונים, המאפשר קבלת החלטות שיתופית ומכבדת פרטיות למערכות מבוזרות. מבוא סוללות ליתיום-יון (LIBs), המשמשות כמכשירי אחסון אנרגיה, זכו לשימוש נרחב במגוון תחומים, החל מייצור תעשייתי ועד חיי היומיום כנתיב טכני מקובל. תחזיות מצביעות על כך שהיקף הייצור העולמי של LIBs יעלה על 1.3 טרה-וואט-שעה עד 2030  כאשר הביקוש הגובר לסוללות יעלה בהרבה על זמינות משאבי מתכת חיוניים כמו ליתיום וקובלט , . עם זאת, אורך החיים הממוצע הנוכחי של מוצרי LIB עומד על 5-8 שנים, מה שמוביל לעלייה מיידית בסוללות פרישה במדינות רבות. אם לא ינוהלו כראוי, סוללות פרישה יגרמו לבזבוז משאבים לא בר קיימא ונזק סביבתי. בהתחשב בנסיבות אלו, פיתוח טכנולוגיית מיחזור סוללות מקבל חשיבות מכרעת כשאנו מתמודדים עם הגאות הקרבה של פרישת LIBs . 1 2 3 4 התקדמות אחרונה במחקר מיחזור סוללות התמקדה בגישות פירולורגיות, הידרו-מטלורגיות ומיחזור ישיר . בניגוד לשיטות הפירולורגיות וההידרו-מטלורגיות, מיחזור ישיר עומד בנפרד כגישה שונה. תהליך זה אינו גורם נזק משני למבנה החומר, ומאפשר תיקון מבני יעיל יותר ושחזור ביצועים. יתר על כן, מיחזור ישיר מציג רווחיות גבוהה יותר, שכן הוא כרוך בצריכת אנרגיה נמוכה יותר, פליטת גזי חממה מופחתת וטביעות רגל סביבתיות קלות יותר , . בייצור בפועל, עם זאת, ממחזרים סוללות נתקלים לעיתים קרובות ב-LIBs הכוללות רכיבים לא ידועים או מודולים של סוללות המורכבים מתערובת של סוגי חומרי קתודה שונים. בהתחשב בכך שמיחזור ישיר יכול להיות תלוי מאוד בקתודה, מורכבות כזו הופכת את יישום המיחזור הישיר לבלתי אפשרי להשגת המרת ערך של הסוללות הפרושות . חיוני להדגיש כי גם אם המתכות החיוניות מחומרי קתודה מעורבים ניתנות להפקה באמצעות אסטרטגיות מיחזור קונבנציונליות, האינטראקציה בין חומרי קתודה שונים במהלך תהליך המיחזור עלולה להשפיע לרעה על איכות המוצר . לכן, הבנת מידע על סוג חומר הקתודה בצד המיחזור משפיעה באופן ניכר על בחירת מסלול המיחזור הישיר ומשפרת בסופו של דבר את איכות המוצר, הרווחיות והקיימות. 5 6 7 8 9 מיחזור ישיר בסיוע אנושי הוצע לזהות מידע על סוג חומר הקתודה של סוללות פרישה בקישור הטרום-טיפולי, אשר עדיין אינו כדאי כלכלית כאשר תעשיית המיחזור מתרחבת . כדי לאחזר ביעילות את מידע סוג הקתודה של סוללות פרישה, הקהילה המדעית והתעשייתית יזמה לאחרונה מערכת מעקב אחר חיי סוללה  ומושגים מתפתחים כמו דרכון סוללה  וגנום נתוני סוללה . למרות שסוללות רבות שימשו לפני יוזמות אלו, יש קונצנזוס גובר כי יש לאפשר גישה למידע סוללה לאורך כל שרשרת החיים כדי לאפשר קבלת החלטות לחיים שניים . זהו המקרה במיוחד עבור מגזר מיחזור הסוללות, התחנה האחרונה של החיים השני של הסוללה, שכן מסלול המיחזור יכול להיות תלוי מאוד בקתודה. עם זאת, מערכות מעקב אחר חיי סוללה או דרכוני סוללה מופעלות על ידי גאדג'טים אלקטרוניים כמו ברקודים ותקשורת טווח קצר (NFC), אשר עלולים להציג השקעה אינטנסיבית ולהיות לא תואמים באופן נרחב למעצבי סוללות שונים. יתר על כן, גאדג'טים אלקטרוניים נותרים מאתגרים לניהול עקבי לאורך חייהם, מה שמוביל למכשירים בלויים וחוסר נגישות בשלב המיחזור מכיוון שתהליך הייצור המודרני של LIBs עדיין אינו משולב מייצור למיחזור . לפיכך, נדרשות פריצות דרך נוספות באופן דחוף כדי להשיג מיון יעיל של סוגי קתודות סוללה תוך שימוש במידע שדה נגיש בקלות בלבד , , בניגוד לנתונים היסטוריים שנרשמו או בצורה אנושית-מסייעת, המאפשרים את אימוץ המיחזור הישיר לשיפור האיכות והרווחיות של מוצרים ממוחזרים. 1 10 11 12 13 14 15 16 בשנים האחרונות, למידת מכונה הופיעה ככלי בר-ביצוע להתמודדות עם שאלות פתוחות בכל תחומי הסוללות. בנושאים אחרים הקשורים לסוללות, למידת מכונה אפשרה לאחרונה לגלות אוטומטית מנגנונים מורכבים של סוללות , , , לחזות את אורך החיים השימושי שנותר , , , , , להעריך את מצב הבריאות , , , לייעל את פרופיל המחזור , , לקרב את התפלגות הכשל , ואפילו להנחות את עיצוב הסוללה , , ולחזות ביצועים לאורך זמן מיד לאחר הייצור . במקרה של מיחזור סוללות, מעט עבודות חקרו למידת מכונה בנוגע לחומרי קתודה , , מה שמאשים את נתוני הסוללה המעטים, במיוחד עבור אלה שמחזורי החיים שלהם הסתיימו. הרוב המכריע של המחקרים שפורסמו מציגים גדלי מדגם מוגבלים מאוד  ואף מוגבלים יותר בגיוון קתודות הסוללה . המחסור מיוחס לעלות האינטנסיבית, זמן הבדיקה הארוך , והחשוב מכל, סוגיית הפרטיות עקב דאגות מסחריות או אינטרס. כתוצאה מכך, בעיית הפרטיות מקשיחה את הדילמה שבה הנתונים הקיימים של סוללות, אף שהם רבים בנפחם ובגיוונם ממספר צדדים כגון יצרני סוללות, יישומים מעשיים, מוסדות אקדמיים ופלטפורמות צד שלישי, אינם ניתנים לשיתוף. דילמה כזו קוראת למחקר של מיון חומרי קתודה כדי לייעל את בחירת מסלול מיחזור הסוללה באופן שיתופי תוך שמירה על פרטיות. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 למידת מכונה מאוגדת (Federated machine learning), כפרדיגמה מבוזרת ושומרת פרטיות, בעלת פוטנציאל לפתור הן שיתוף פעולה רב-צדדי (באופן שווה ערך, נפח וגיוון נתוני הסוללה) והן בעיות פרטיות באמצעות למידת מכונה שיתופית , , . בכל איטרציית אימון, בעלי הנתונים המבוזרים מבצעים אימון מקומי עם כוח החישוב המקומי שלהם, מצפינים את פרמטרי/תוצאות המודל שאומנו, ומעלים אותם למתאם מרכזי לצורך אגרגציה. העובדות הן שמערכי נתונים גולמיים לעולם אינם עוזבים את בעלי הנתונים שלהם ושפרמטרים/תוצאות מועברים מוצפנים כראוי כדי להגן על פרטיות הנתונים. למידת מכונה מאוגדת נחקרה רבות בתחומי יישום רבים, כולל בריאות הציבור , , אבחון קליני , , , מסחר אלקטרוני , האינטרנט של הדברים (IoT) , מחשוב נייד , ורשת חכמה , , . גישה זו יכולה לחולל מהפכה בפרדיגמת המחקר מבוססת הנתונים במגזרי אנרגיה רחבים על ידי הפעלת שיתוף פעולה תוך שמירה על פרטיות, במיוחד עבור אלו עם גישה מוגבלת לנתונים. בהקשר של מגזר מיחזור הסוללות, למידת מכונה מאוגדת מציגה אפשרויות מבטיחות למינוף כמות הנתונים העצומה של סוללות שכבר קיימת אך אינה ניתנת לשיתוף עקב דאגות פרטיות. עם פרדיגמה שיתופית כזו תוך שמירה על פרטיות, ניתן ליישם מיון סוללות פרישה בדיוק, יעילות, מדרגיות והכללה גבוהים, תוך אופטימיזציה של איכות הרווחיות של מוצרים ממוחזרים. ככל הידוע לנו, מחקרים על למידת מכונה מאוגדת המתמקדים במיחזור סוללות מעולם לא דווחו. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 במחקר זה, אנו מבצעים מיון של חומר קתודה של סוללות פרישה, תוך מינוף נתוני הסוללה הקיימים משותפים מרובים, כגון יצרני סוללות, מפעילי יישומים מעשיים, מוסדות מחקר אקדמיים ופלטפורמות צד שלישי, באופן למידת מכונה שיתופי תוך שמירה על פרטיות, כפי שמודגם באיור  . מודל למידת המכונה המאוגדת שלנו אומן באמצעות מחזור אחד בלבד של נתוני בדיקות שדה באמצעות תהליך הנדסת תכונות סטנדרטי, ללא כל ידע מוקדם על תנאי הפעולה ההיסטוריים. אנו משווים את כוח הניבוי של מודל למידת המכונה המאוגדת שלנו לזה של מודלים מקומיים שנלמדו באופן עצמאי המבוססים על נתונים מקומיים הן בנסיבות מיחזור סוללות הומוגניות והן הטרוגניות. בעיית ההטרוגניות נפתרת על ידי אסטרטגיית ההצבעה המוצעת שלנו למרחק וסרשטיין. הערכה כלכלית של מיחזור סוללות פרישה באמצעות מסגרת למידת המכונה המאוגדת המוצעת שלנו מבוצעת, תוך הדגשת הרלוונטיות והנחיצות של מיון מדויק של סוללות פרישה. אנו דנים באופן מקיף בפרשנות המודל, השלכות מיחזור הסוללות, וסיכויים רחבים יותר של פרקטיקת המיחזור העתידית של סוללות המשולבת בלמידת מכונה מאוגדת. 1    מקורות נתונים מרובים, כגון יצרני סוללות (באדיבות Addionics), מפעילי יישומים (סוללה ברכב חשמלי. באדיבות Tesla), מוסדות מחקר אקדמיים ופלטפורמות צד שלישי, יכולים להיות תורמי נתונים. נתוני הסוללה אינם מוחלפים בין תורמים ואינם מועלים למחזר הסוללה. במקום זאת, תורמי הנתונים מאמנים מודלים מקומיים ומשתפים פרמטרי מודל עם מחזר הסוללה כדי לבנות מודל גלובלי. טכניקת ההצבעה המוצעת למרחק וסרשטיין מאחדת את המודלים המקומיים למודל הגלובלי, העמיד בפני חוסר איזון נתונים ורעש. מחזרי סוללות יכולים להשתמש במודל המשותף למיון סוללות, בשילוב עם נתוני בדיקות שדה נגישים בקלות.   מסגרת למידת המכונה המאוגדת שלנו מעודדת שותפים לשתף נתונים תוך שמירה על פרטיות הנתונים בניגוד לפרדיגמה המסורתית של אי-שיתוף נתונים. א ב תוצאות איסוף וסטנדרטיזציה של נתונים הקינטיקה הייחודית של סוללות בסוגי סוללות שונים היא לעתים קרובות בעלת מימדים גבוהים וקשה לאפיין בשל מקרים תפעוליים שונים, שונות ייצור ושימושים היסטוריים . כדי למצוא פתרון לדילמה זו, אספנו ותיקננו 130 סוללות פרישה עם 5 סוגי חומרי קתודה מ-7 יצרנים כדי לבנות מערך נתונים הטרוגני מחוץ להתפלגות. בהתחשב בשימושים היסטוריים שונים, הקיבולות של הסוללות שנאספו נמוכות מ-90% מהקיבולת הנומינלית. חומרי קתודת הסוללה הם ליתיום קובלט תחמוצת (LCO), ניקל מנגן קובלט (NMC), ליתיום ברזל פוספט (LFP), ניקל-קובלט-אלומיניום תחמוצת (NCA), וסוגי תערובת NMC-LCO, אשר מקובצים עוד יותר ל-9 קבוצות על בסיס היצרנים (טבלה משלימה  ). אנו כוללים בכוונה סוללות עם שימושים היסטוריים שונים, החל מבדיקות מעבדה ועד לפרופילי נהיגה של כלי רכב חשמליים, כדי לאמן מודל כללי למחזר הסוללות ללא תלות בשימושים היסטוריים ובסוגי סוללות. 52 1 לסטנדרטיזציה, כל הנתונים הנדרשים מהמחזר הם מחזור הנבדק כעת (בדיקות שדה) עם בדיקת טעינה ופריקה אחת, שקל ליישם במקרים מעשיים. הנתונים שנבדקו עוברים ראשית ניקוי רעשים על ידי מילוי ערכים חסרים, החלפת ערכים חריגים וביצוע סינון חציון. רעשים הנגרמים על ידי אדם ורעשים הנגרמים מהטרוגניות קתודה נשמרים בכוונה, כדי להפוך את המודל לעמיד בפני קלט לא מושלם. הנתונים עוברים לאחר מכן אינטרפולציה ליניארית למילוי עקומות (איור משלים  ) והנדסת תכונות להפחתת מימדים, עם קבוצה משותפת של פרמטרי סטנדרטיזציה (הערה משלימה  ). תכונות שחולצו מצינור הסטנדרטיזציה ניתנות לפרשנות טובה, דאגה בעלת עניין מסחרי משמעותי. ככל הידוע לנו, זו הפעם הראשונה שבה נעשה שימוש בנתונים הטרוגניים של סוללות ממקורות מרובים ושימושים היסטוריים כדי לסייע בתכנון אסטרטגיית מיחזור סוללות. 1 1 איור  א, ב מדגימים את תהליך הנדסת התכונות. אנו מתמקדים בעקומת הטעינה והפריקה של הסוללות הפרושות במחזור האחרון, כלומר, מחזור טעינה ופריקה אחד (איורים משלימים  – ). במחזור הטעינה, 15 תכונות נחלצות מעקומות המתח-קיבול ו-dQ/dV, כאשר V ו-Q מייצגים ערכי מתח וקיבול, בהתאמה. אותה קבוצת תכונות נחלצת עבור מחזור הפריקה. כתוצאה מכך, נחלצות 30 תכונות בסך הכל, כפי שמצוין מ-F1 עד F30. עיין בטבלה משלימה   ובהערה משלימה   להסבר מפורט של התכונות. איור  ג מציג את הערכים המוחלטים והיחסיים של התכונות עבור הסוללות שנבחרו מכל קבוצה. רוב הערכים היחסיים של התכונות בקבוצות שונות חופפים באזור -1 עד 0 (עם צבע ירוק בהיר) ואינם ניתנים להבחנה, מה שממחיש את הקושי בסיווג סוג סוללה באמצעות מחזור אחד של נתוני סוללה. הקושי צפוי מכיוון שתנאי הפעולה ההיסטוריים השונים עלולים להשפיע על הקינטיקה של טעינה-פריקה של הסוללות כך שהתכונות שנחלצו יכולות להיות מתואמות במידה רבה למרות סוגי הסוללות השונים (איור משלים  ). במקום לפרש ישירות את התכונות שנחלצו באמצעות ידע מומחים, אנו משתמשים בגישה חלופית מבוססת נתונים הממנפת אוטומטית את התבניות הסמויות על פני סוגי סוללות שונים. 2 2 5 2 2 2 6    עבור תהליך הטעינה, 15 תכונות נחלצות מעקומת המתח-קיבול (משמאל) ועקומת dQ/dV (מימין).   אותה קבוצת תכונות מיועדת לתהליך הפריקה כ-F16 עד F30.   תכונות מוצגות לפי קבוצות, לפי הפורמט CxBn, המציין את הסוללה ה-n מקבוצה x. גודל מעגל מייצג את ערך התכונה המוחלט. נתונים מקור מסופקים כקובץ נתונים מקור. א ב ג </

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

האודיו הזה מופק בשפת המקור של הסיפור!

בינה מלאכותית זו, השומרת על פרטיות, יכולה להפוך פסולת סוללות לרווח גדול

About Author

הערות

תלו תגים

מאמר זה הוצג ב

Related Stories

The TechBeat: 5 Low-Cost Cybersecurity Measures SMBs Can’t Afford to Not Implement (3/4/2024)

The TechBeat: Python's Testing Playbook: Building Bulletproof Code (1/16/2024)

The TechBeat: To Focus or Not Focus: How to Find the Right Product-Market Fit (3/8/2024)

100 Days of AI, Day 12: How to Quickly Demo Your Gen AI Experiments to Get Feedback

The TechBeat: 5 Low-Cost Cybersecurity Measures SMBs Can’t Afford to Not Implement (3/4/2024)

The TechBeat: Python's Testing Playbook: Building Bulletproof Code (1/16/2024)

The TechBeat: To Focus or Not Focus: How to Find the Right Product-Market Fit (3/8/2024)

100 Days of AI, Day 12: How to Quickly Demo Your Gen AI Experiments to Get Feedback

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps