AI ki anvi savi prive sa a ka transfòme fatra batri an gwo pwofi.

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 Baterias aposentadas não classificadas com diversos materiais catódicos dificultam a adoção da reciclagem direta devido à sua natureza específica do cátodo. O aumento de baterias aposentadas exige uma classificação precisa para uma reciclagem direta eficaz, mas surgem desafios devido a históricos operacionais variados, diversos fabricantes e preocupações com a privacidade de dados de colaboradores de reciclagem (proprietários de dados). Aqui, demonstramos, a partir de um conjunto de dados exclusivo de 130 baterias de íon-lítio cobrindo 5 materiais catódicos e 7 fabricantes, que uma abordagem de aprendizado de máquina federado pode classificar essas baterias aposentadas sem depender de dados operacionais passados, protegendo a privacidade dos dados dos colaboradores de reciclagem. Ao utilizar os recursos extraídos do ciclo de carga-descarga em fim de vida, nosso modelo exibe erros de classificação de cátodo de 1% e 3% em configurações de reciclagem de bateria homogênea e heterogênea, respectivamente, atribuídos à nossa inovadora estratégia de votação por distância de Wasserstein. Economicamente, o método proposto enfatiza o valor da classificação precisa de baterias para uma indústria de reciclagem próspera e sustentável. Este estudo anuncia um novo paradigma de uso de dados sensíveis à privacidade de diversas fontes, facilitando a tomada de decisões colaborativa e respeitadora da privacidade para sistemas distribuídos. Introdução As baterias de íon-lítio (LIBs), servindo como dispositivos de armazenamento de energia, ganharam ampla utilização em vários domínios, desde a produção industrial até a vida diária como uma rota técnica aceita. Projeções sugerem que a escala de produção global de LIBs ultrapassará 1,3 TWh até 2030 quando a crescente demanda por baterias superará em muito a disponibilidade de recursos de metais vitais como lítio e cobalto , . No entanto, a vida útil média atual dos produtos LIBs é de 5 a 8 anos, levando a um aumento iminente de baterias aposentadas em muitos países. Se não forem gerenciadas adequadamente, as baterias aposentadas resultarão em desperdício insustentável de recursos e danos ambientais. Diante dessas circunstâncias, o desenvolvimento da tecnologia de reciclagem de baterias assume importância crucial à medida que enfrentamos a maré iminente de aposentadorias de LIBs . 1 2 3 4 Avanços recentes em pesquisa de reciclagem de baterias concentraram-se nas abordagens pirometalúrgica, hidrometalúrgica e de reciclagem direta . Em contraste com os métodos pirometalúrgicos e hidrometalúrgicos, a reciclagem direta se destaca como uma abordagem distinta. Este processo não causa danos secundários à estrutura do material, permitindo um reparo estrutural e restauração de desempenho mais eficientes. Além disso, a reciclagem direta apresenta maior lucratividade, pois envolve menor consumo de energia, redução de emissões de gases de efeito estufa e menor pegada ambiental , . Na produção real, no entanto, os recicladores de baterias frequentemente encontram LIBs compostas por componentes desconhecidos ou módulos de bateria que consistem em uma mistura de diferentes tipos de materiais catódicos. Considerando que a reciclagem direta pode ser fortemente dependente do cátodo, tal complexidade torna a aplicação da reciclagem direta inviável para alcançar a conversão de valor das baterias aposentadas . É crucial enfatizar que, mesmo que os metais vitais de tipos mistos de materiais catódicos possam ser extraídos usando estratégias de reciclagem convencionais, a interação entre diferentes materiais catódicos durante o processo de reciclagem pode afetar negativamente a qualidade do produto . Portanto, a compreensão das informações do tipo de material catódico do lado da reciclagem impacta marcadamente a escolha da rota de reciclagem direta e, em última análise, melhora a qualidade do produto, a lucratividade e a sustentabilidade. 5 6 7 8 9 A reciclagem direta assistida por humanos foi proposta para identificar informações do tipo de material catódico de baterias aposentadas na etapa de pré-tratamento, o que ainda não é financeiramente viável à medida que a indústria de reciclagem escala . Para recuperar efetivamente as informações do tipo de cátodo de baterias aposentadas, a comunidade científica e industrial iniciou recentemente um sistema de rastreamento de vida útil de baterias e conceitos emergentes como passaporte de bateria e genoma de dados de bateria . Embora baterias substanciais tenham sido utilizadas antes dessas iniciativas, há um consenso crescente de que as informações da bateria devem ser acessíveis em toda a cadeia de vida para facilitar a tomada de decisões de segunda vida . Isso é notavelmente o caso do setor de reciclagem de baterias, a última estação da segunda vida da bateria, pois a rota de reciclagem pode ser fortemente específica do cátodo. No entanto, sistemas de rastreamento de vida útil de baterias ou passaportes de baterias são habilitados por dispositivos eletrônicos como códigos de barras e comunicação de campo próximo, que poderiam introduzir investimentos intensivos e ser amplamente incompatíveis com diferentes designers de bateria. Além disso, dispositivos eletrônicos permanecem desafiadores para gerenciar consistentemente ao longo de sua vida útil, levando a dispositivos desgastados e inacessibilidade na fase de reciclagem, uma vez que o processo moderno de fabricação de LIBs ainda não é integrado da produção à reciclagem . Assim, mais avanços são urgentemente necessários para alcançar uma classificação eficiente do tipo de cátodo da bateria usando apenas informações de campo de fácil acesso , , em oposição aos dados históricos registrados ou ao modo assistido por humanos, facilitando a adoção da reciclagem direta para melhorar a qualidade e a lucratividade dos produtos reciclados. 1 10 11 12 13 14 15 16 Nos últimos anos, o aprendizado de máquina emergiu como uma ferramenta viável para lidar com questões abertas em todos os campos de baterias. Em outros tópicos relacionados a baterias, o aprendizado de máquina permitiu recentemente a descoberta automática de mecanismos complexos de bateria , , , prever a vida útil restante , , , , , avaliar o estado de saúde , , , otimizar o perfil de ciclagem , , aproximar a distribuição de falha , até mesmo para guiar o projeto da bateria , , e prever o desempenho ao longo da vida imediatamente após a fabricação . No caso de reciclagem de baterias, poucos trabalhos investigaram o aprendizado de máquina em relação a materiais catódicos , , o que se atribui à escassez de dados de bateria, especialmente para aquelas cicladas até o estágio de fim de vida. A vasta maioria dos estudos publicados exibe tamanhos de amostra muito limitados e são ainda mais limitados na diversidade de cátodos de bateria . A escassez é atribuída ao custo intensivo, ao longo tempo de teste , e, o mais importante, à privacidade dos dados devido a preocupações comerciais ou de interesse. Consequentemente, a questão da privacidade rigidifica o dilema onde os dados de bateria existentes, embora substanciais em volume e diversidade de múltiplas partes, como fabricantes de bateria, aplicações práticas, instituições acadêmicas e plataformas de terceiros, não podem ser compartilhados. Tal dilema exige o estudo da classificação de materiais catódicos para otimizar a escolha da rota de reciclagem de baterias de forma colaborativa e que preserve a privacidade. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 O aprendizado de máquina federado, como um paradigma distribuído e que preserva a privacidade, tem o potencial de resolver a colaboração multipartidária (equivalente ao volume e diversidade de dados de bateria) e problemas de privacidade por meio do aprendizado de máquina colaborativo , , . Em cada iteração de treinamento, os proprietários de dados distribuídos realizam treinamento local com seu poder computacional local, criptografam os parâmetros/resultados do modelo recém-treinado e os enviam para um coordenador central para agregação. Fatos que conjuntos de dados brutos nunca deixam seus respectivos proprietários de dados e que os parâmetros/resultados transferidos são devidamente criptografados para proteger a privacidade dos dados. O aprendizado de máquina federado foi extensivamente investigado em numerosos campos aplicativos, incluindo saúde pública , , diagnóstico clínico , , , e-commerce , Internet das Coisas , computação móvel , e rede inteligente , , . Esta abordagem pode revolucionar o paradigma de pesquisa orientado por dados em amplos setores de energia, permitindo colaboração que preserva a privacidade, especialmente para aqueles com acesso limitado a dados. Em relação ao setor de reciclagem de baterias, o aprendizado de máquina federado assume possibilidades promissoras para alavancar a quantidade gigante de dados de bateria que já existe, mas que não pode ser compartilhada devido a preocupações com a privacidade. Com tal paradigma colaborativo e que preserva a privacidade, a classificação de baterias aposentadas pode ser implementada com alta precisão, eficiência, escalabilidade e generalização, otimizando a qualidade e a lucratividade dos produtos reciclados. Até onde sabemos, estudos de aprendizado de máquina federado focados em reciclagem de baterias nunca foram relatados. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 Neste estudo, realizamos uma classificação de materiais catódicos de baterias aposentadas, aproveitando os dados de bateria existentes de múltiplos colaboradores, como fabricantes de baterias, operadores de aplicações práticas, instituições de pesquisa acadêmica e plataformas de terceiros, em um modo de aprendizado de máquina colaborativo e que preserva a privacidade, conforme ilustrado na Figura . Nosso modelo de aprendizado de máquina federado foi treinado usando apenas um ciclo de dados de teste de campo por meio de um processo padronizado de extração de recursos, sem qualquer conhecimento prévio das condições operacionais históricas. Comparamos o poder preditivo de nosso modelo de aprendizado de máquina federado com o de modelos locais aprendidos independentemente com base em dados locais sob circunstâncias de reciclagem de bateria homogêneas e heterogêneas. A questão da heterogeneidade é resolvida por nossa proposta estratégia de votação por distância de Wasserstein. Uma avaliação econômica da reciclagem de baterias aposentadas usando nossa estrutura de aprendizado de máquina federado proposta é conduzida, destacando a relevância e a necessidade de classificação precisa de baterias aposentadas. Discutimos amplamente a interpretabilidade do modelo, as implicações da reciclagem de baterias e as perspectivas mais amplas da futura prática de reciclagem de baterias integrada com aprendizado de máquina federado. 1 Múltiplas fontes de dados, como fabricantes de baterias (Imagem cortesia Addionics), operadores de aplicações práticas (pacote de bateria no piso de um Tesla. Imagem cortesia de Tesla), instituições de pesquisa acadêmica e plataformas de terceiros, podem ser contribuintes de dados. Os dados da bateria não são trocados entre os contribuintes nem carregados para o reciclador de bateria. Em vez disso, os contribuidores de dados treinam modelos locais e compartilham parâmetros do modelo com o reciclador de bateria para construir um modelo global. A técnica proposta de votação por distância de Wasserstein funde os modelos locais no modelo global, que é robusto ao desequilíbrio e ruído de dados. Os recicladores de bateria podem usar o modelo construído em conjunto para classificação de bateria, combinado com os dados de teste de campo de fácil acesso. Nossa estrutura de aprendizado de máquina federado incentiva os colaboradores a compartilhar dados enquanto preserva a privacidade dos dados, em oposição ao paradigma tradicional de ilhas de dados. a b Resultados Coleta e padronização de dados A cinética única da bateria em diferentes tipos de bateria é frequentemente de alta dimensionalidade e difícil de caracterizar devido a casos operacionais divergentes, variabilidade de fabricação e usos históricos . Para encontrar uma solução para este dilema, coletamos e padronizamos 130 baterias aposentadas com 5 tipos de materiais catódicos de 7 fabricantes para construir um conjunto de dados fora de distribuição, equivalentemente heterogêneo. Dados diferentes usos históricos, as capacidades das baterias coletadas são inferiores a 90% da capacidade nominal. Os materiais catódicos da bateria são óxido de cobalto e lítio (LCO), níquel-manganês-cobalto (NMC), ferrocianeto de lítio (LFP), óxido de níquel-cobalto-alumínio (NCA) e tipos mistos NMC-LCO, que são posteriormente agrupados em 9 classes com base nos fabricantes (Tabela Suplementar ). Incluímos intencionalmente baterias com usos históricos divergentes, desde testes de laboratório até perfis de condução de veículos elétricos, para treinar um modelo generalizado para o reciclador de bateria independente de usos históricos e tipos de bateria. 52 1 Para padronização, todos os dados necessários do reciclador são o ciclo atualmente sondado (teste de campo) com um teste de carga e descarga, que é fácil de implementar em casos práticos. Os dados recém-sondados são primeiro limpos preenchendo valores ausentes, substituindo valores discrepantes e realizando filtragem mediana. Ruídos induzidos por humanos e induzidos por heterogeneidade de cátodo são deliberadamente retidos, no entanto, para tornar o modelo robusto a entradas imperfeitas. Os dados são então interpolados linearmente para preenchimento de curva (Figura Suplementar ) e recursos de engenharia para redução de dimensionalidade, com um conjunto compartilhado de parâmetros de padronização (Nota Suplementar ). Os recursos extraídos do pipeline de padronização são bem interpretáveis, uma preocupação de significativo interesse comercial. Até onde sabemos, é a primeira vez que dados de bateria heterogêneos de múltiplas fontes e usos históricos são utilizados para auxiliar no projeto da estratégia de reciclagem de baterias. 1 1 A Figura a, demonstram o processo de engenharia de recursos. Focamos na curva de carga e descarga das baterias aposentadas no último ciclo, ou seja, um ciclo de carga e um de descarga (Figuras Suplementares – ). No ciclo de carga, 15 recursos são extraídos das curvas de tensão-capacidade e dQ/dV, onde V e Q se referem aos valores de tensão e capacidade, respectivamente. O mesmo conjunto de recursos é extraído para o ciclo de descarga. Como resultado, 30 recursos são extraídos no total, conforme indicado de F1 a F30. Consulte a Tabela Suplementar e a Nota Suplementar para uma explicação detalhada dos recursos. A Figura c mostra os valores absolutos e relativos dos recursos das baterias selecionadas de cada classe. A maioria dos valores de recursos relativos em diferentes classes se sobrepõe na região de -1 a 0 (com a cor verde clara) e são indistinguíveis, ilustrando a dificuldade em classificar o tipo de bateria usando um ciclo de dados de bateria. A dificuldade é esperada porque as condições operacionais históricas divergentes podem influenciar a cinética de carga-descarga das baterias para que os recursos extraídos possam ser amplamente correlacionados, apesar dos diferentes tipos de bateria (Figura Suplementar ). Em vez de interpretar diretamente os recursos extraídos com conhecimento especializado, empregamos uma abordagem alternativa orientada por dados que aproveita automaticamente os padrões latentes em vários tipos de bateria. 2 b 2 5 2 2 2 6 Para o processo de carga, 15 recursos são extraídos das curvas de tensão-capacidade (esquerda) e dQ/dV (direita). O mesmo conjunto de recursos é para o processo de descarga como F16 a F30. Os recursos são visualizados por classes, seguindo o formato CxBn, indicando a n-ésima bateria da classe x. O tamanho de um círculo mapeia o valor absoluto do recurso. Os dados de origem são fornecidos como um arquivo de Dados de Origem. a b c Classificação de bateria aposentada com acesso homogêneo a dados Primeiro, consideramos uma configuração onde os dados da bateria são distribuídos homogeneamente entre os colaboradores (ou seja, os clientes). A homogeneidade significa que cada cliente oferece para compartilhar os dados da bateria em todas as 9 classes, embora o número específico de baterias não seja restrito (Tabela Suplementar ). Treinamos nosso modelo de aprendizado de máquina federado sem exigir informações sobre o uso histórico das baterias aposentadas. Em nosso trabalho, o reciclador e os clientes precisam apenas testar as baterias aposentadas no ciclo atual (teste de campo), especificamente, com um ciclo completo de carga-descarga para um processo padrão de engenharia de recursos iniciado pelo reciclador. Os modelos locais são treinados com base nos recursos extraídos de seus dados privados de bateria. A estrutura de aprendizado de máquina federado agrega os parâmetros do modelo local, em vez dos dados privados de bateria, para que o reciclador possa classificar as baterias aposentadas. 3 A Figura mostra os resultados da classificação quando os clientes contribuem com dados homogêneos de bateria. A Figura a compara dois métodos de aprendizado de máquina federado, ou seja, votação majoritária (MV) e nossa proposta de votação por distância de Wasserstein (WDV), com o paradigma de aprendizado independente (IL). Deve-se notar que a precisão para o IL é a média de todos os clientes de maneira não federada. Comparado com o IL, o MV não sacrifica o desempenho da classificação, com uma precisão média de 95%, ao mesmo tempo que é capaz de proteger a privacidade dos dados e mitigar o fardo computacional. No entanto, 3 classes são mal classificadas usando o MV. Por exemplo, 3 baterias em NMC (SNL, classe 8, 15 no total) são mal classificadas em NCA (SNL, classe 7), resultando em uma precisão de classificação de 80%. A precisão de classificação para NCA (UL-PUR, classe 9) é de 81%, com 2 baterias mal classificadas em NMC (MICH_Form, classe 4) e 1 bateria mal classificada em tipo misto NMC/LCO (HNEI, classe 2), respectivamente. Em contraste, o WDV supera o MV, pois classificou incorretamente apenas uma bateria, resultando em uma precisão de classificação de 99%. Também avaliamos a probabilidade de predição de cada classe para o MV e WDV, respectivamente. Verifica-se que o WDV faz uma classificação mais confiante do que o MV, uma vez que as probabilidades de predição do WDV são geralmente enviesadas à direita para um valor de probabilidade mais alto. Portanto, nosso WDV proposto produz precisões de classificação mais altas em todas as classes, e a classificação é de margens de confiança de probabilidade mais ricas. 3 3 A matriz de confusão para os métodos de votação majoritária (MV) e votação por distância de Wasserstein (WDV), respectivamente. Consideramos a distribuição de probabilidade de predição para cada classe. A classificação do aprendizado independente (IL) é anotada. Distribuição de precisão de classificação e orçamento de privacidade (PB) do IL, MV e WDV na presença de ruído aleatório. O valor de PB é referenciado em um nível de precisão de 90%. F1-score médio dos resultados de classificação e PBs em cada classe usando IL, MV e WDV. Os valores de PB são todos referenciados em um nível de F1-score de 0,9. Importância dos recursos, em ordem decrescente. O subgráfico mostra o espaço de recursos abrangido pelos dois recursos mais salientes. Os dados são apresentados como valores médios ±1 desvio padrão. Os dados de origem são fornecidos como um arquivo de Dados de Origem. a b c d Também avaliamos o orçamento de privacidade (PB, seção "Métodos"), considerando que os dados do cliente podem ser vulneráveis à engenharia reversa por espionagem de dados privados . Nesse sentido, adicionamos ruído Gaussiano aleatório aos dados do cliente com diferentes intensidades. A intensidade da aleatoriedade é controlada por uma razão ruído-sinal (NSR), variando de 1% a 10%. A Figura b mostra a comparação de precisão e orçamento de privacidade ao usar IL, MV e WDV, respectivamente. A precisão de classificação do MV diminui de 95% para 82%, semelhante à do IL quando a intensidade do ruído aumenta de 1% para 10%. Nesta faixa de ruído, a precisão de classificação mediana do MV e IL é de 92% e 86%, respectivamente. Em contraste, a precisão de classificação do WDV ainda está acima de 90% na presença de 10% de ruído, o que é um nível de ruído rigoroso em casos práticos. O WDV tem uma precisão de classificação mediana superior a 95% na mesma faixa de ruído. 53 3