AI sa ki an sekirite vi 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 descartadas não classificadas com diversos materiais de cátodo dificultam a adoção da reciclagem direta devido à sua natureza específica de cátodo. O surto de baterias descartadas exige uma classificação precisa para uma reciclagem direta eficaz, mas surgem desafios devido a históricos operacionais variados, diversos fabricantes e preocupações com privacidade de dados de colaboradores de reciclagem (proprietários de dados). Aqui, mostramos, a partir de um conjunto de dados exclusivo de 130 baterias de íons de lítio abrangendo 5 materiais de cátodo e 7 fabricantes, que uma abordagem de aprendizado de máquina federado pode classificar essas baterias descartadas sem depender de dados operacionais anteriores, protegendo a privacidade dos dados dos colaboradores de reciclagem. Ao utilizar os recursos extraídos do ciclo de carga-descarga final, nosso modelo apresenta erros de classificação de cátodo de 1% e 3% em ambientes de reciclagem de bateria homogêneos e heterogêneos, respectivamente, atribuídos à nossa inovadora estratégia de votação por distância de Wasserstein. Economicamente, o método proposto ressalta o valor da classificação precisa de baterias para uma indústria de reciclagem próspera e sustentável. Este estudo inaugura um novo paradigma de uso de dados sensíveis à privacidade de diversas fontes, facilitando a tomada de decisões colaborativa e respeitando a privacidade para sistemas distribuídos. Introdução Baterias de íons de lítio (BILs), 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 BILs 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 de BILs é de 5 a 8 anos, levando a um iminente aumento de baterias descartadas em muitos países. Se não gerenciadas adequadamente, as baterias descartadas 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 iminente maré de aposentadorias de BILs . 1 2 3 4 Avanços recentes na pesquisa de reciclagem de baterias se concentraram nas abordagens pirometalúrgica, hidrometalúrgica e de reciclagem direta . Em contraste com os métodos pirometalúrgico e hidrometalúrgico, a reciclagem direta se destaca como uma abordagem distinta. Esse processo não inflige danos secundários à estrutura do material, permitindo reparos estruturais e restauração de desempenho mais eficientes. Além disso, a reciclagem direta apresenta maior lucratividade, pois implica menor consumo de energia, redução das emissões de gases de efeito estufa e menor impacto ambiental , . Na produção real, no entanto, os recicladores de baterias frequentemente encontram BILs com componentes desconhecidos ou módulos de bateria que consistem em uma mistura de diferentes tipos de materiais de cátodo. Considerando que a reciclagem direta pode ser fortemente específica para o cátodo, tal complexidade torna a aplicação da reciclagem direta inviável para alcançar a conversão de valor das baterias descartadas . É crucial enfatizar que, mesmo que os metais vitais de tipos de materiais de cátodo misturados possam ser extraídos usando estratégias de reciclagem convencionais, a interação entre diferentes materiais de cátodo durante o processo de reciclagem pode impactar negativamente a qualidade do produto . Portanto, a compreensão das informações do tipo de material do cátodo do lado da reciclagem impacta marcadamente a escolha da rota de reciclagem direta e, finalmente, 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 do cátodo de baterias descartadas no elo de pré-tratamento, o que ainda não é financeiramente viável quando a indústria de reciclagem está em escala . Para recuperar efetivamente as informações do tipo de cátodo de baterias descartadas, a comunidade científica e industrial iniciou recentemente um sistema de rastreamento de vida útil da bateria 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 durante toda a cadeia de vida para facilitar a tomada de decisão de segunda vida . Este 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 para o cátodo. No entanto, sistemas de rastreamento de vida útil da bateria ou passaportes de bateria são habilitados por gadgets eletrônicos como códigos de barras e comunicações de campo próximo, que podem introduzir investimento intensivo e podem ser amplamente incompatíveis com diferentes projetistas de baterias. Além disso, os gadgets eletrônicos permanecem desafiadores para gerenciar consistentemente ao longo de sua vida útil, levando a dispositivos desgastados e inacessibilidade no estágio de reciclagem, uma vez que o processo de fabricação moderno de BILs ainda não é integrado da produção à reciclagem . Assim, mais avanços são urgentemente necessários para alcançar uma classificação eficiente do tipo de cátodo de bateria usando apenas informações de campo de fácil acesso , , em oposição aos dados históricos registrados ou de forma assistida 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 descobrir automaticamente mecanismos complexos de baterias , , , prever a vida útil restante , , , , , avaliar o estado de saúde , , , otimizar o perfil de ciclagem , , aproximar a distribuição de falhas , até mesmo guiar o projeto da bateria , , e prever o desempenho ao longo da vida imediatamente após a fabricação . No caso da reciclagem de baterias, poucos trabalhos investigaram o aprendizado de máquina em relação a materiais de cátodo , , o que se deve à escassez de dados de bateria, especialmente para aquelas cicladas até o estágio final de vida útil. A grande maioria dos estudos publicados apresenta 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 em que os dados de bateria existentes, embora substanciais em volume e diversidade de múltiplas partes, como fabricantes de baterias, aplicações práticas, instituições acadêmicas e plataformas de terceiros, não podem ser compartilhados. Tal dilema exige o estudo da classificação de materiais de cátodo para otimizar a escolha da rota de reciclagem de baterias de forma colaborativa e respeitando 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 tanto a colaboração multipartidária (equivalente ao volume e diversidade de dados de bateria) quanto os 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 treinados e os enviam para um coordenador central para agregação. Fatos que os conjuntos de dados brutos nunca saem de 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 tem sido extensivamente investigado em vários campos aplicativos, incluindo saúde pública , , diagnóstico clínico , , , comércio eletrônico , Internet das Coisas , computação móvel , e rede inteligente , , . Essa 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 promissoras possibilidades para alavancar a enorme quantidade de dados de bateria que já existe, mas não pode ser compartilhada devido a preocupações com privacidade. Com tal paradigma colaborativo e que preserva a privacidade, a classificação de baterias descartadas pode ser implementada com alta precisão, eficiência, escalabilidade e generalização, otimizando a qualidade e a lucratividade dos produtos reciclados. Para nosso conhecimento, 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 material de cátodo de baterias descartadas, aproveitando os dados de bateria existentes de múltiplos colaboradores, como fabricantes de baterias, operadores de aplicação prática, 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 em 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 descartadas usando nossa estrutura de aprendizado de máquina federado proposta é realizada, destacando a relevância e a necessidade de classificação precisa de baterias descartadas. Discutimos amplamente a interpretabilidade do modelo, as implicações da reciclagem de baterias e as perspectivas mais amplas da prática futura de reciclagem de baterias integrada com aprendizado de máquina federado. 1 Múltiplas fontes de dados, como fabricantes de baterias (Cortesia de Imagem Addionics), operadores de aplicação prática (pacote de bateria no assoalho de um Tesla. Cortesia de Imagem 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 baterias. Em vez disso, os contribuintes de dados treinam modelos locais e compartilham parâmetros do modelo com o reciclador de baterias para construir um modelo global. A técnica proposta de votação por distância de Wasserstein funde os modelos locais no modelo global, que é robusto à desproporção e ruído de dados. Recicladores de baterias podem usar o modelo construído em conjunto para classificação de baterias, combinado com 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 de baterias em diferentes tipos de baterias 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 descartadas com 5 tipos de materiais de cátodo de 7 fabricantes para construir um conjunto de dados fora da distribuição, equivalente a heterogêneo. Dada a diversidade de usos históricos, as capacidades das baterias coletadas são inferiores a 90% da capacidade nominal. Os materiais dos cátodos das baterias são óxido de cobalto e lítio (LCO), cobalto e níquel e manganês (NMC), fosfato de ferro e lítio (LFP), óxido de cobalto e níquel e alumínio (NCA) e tipos mistos de 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 baterias, independentemente de usos históricos e tipos de baterias. 52 1 Para padronização, todos os dados exigidos 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 de teste são primeiro pré-processados para ruídos, preenchendo valores ausentes, substituindo valores extremos 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 com engenharia de recursos 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. Para nosso conhecimento, 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, b demonstram o processo de engenharia de recursos. Concentramo-nos na curva de carga e descarga do último ciclo das baterias descartadas, ou seja, um ciclo de carga e um ciclo de descarga (Figuras Suplementares – ). No ciclo de carga, 15 recursos são extraídos das curvas de tensão-capacidade e dQ/dV, onde V e Q referem-se 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 classes diferentes 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, de modo que os recursos extraídos podem 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 baterias. 2 2 5 2 2 2 6 Para o processo de carga, 15 recursos são extraídos da curva 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 enésima bateria da classe x. O tamanho de um círculo mapeia o valor absoluto do recurso. Dados de origem são fornecidos como um arquivo Source Data. a b c Classificação de baterias descartadas com acesso homogêneo a dados Consideramos primeiro um cenário em que 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 descartadas. Em nosso trabalho, o reciclador e os clientes precisam apenas testar as baterias descartadas no ciclo atual (teste de campo), especificamente, com um ciclo completo de carga-descarga para um processo padronizado de engenharia de recursos iniciado pelo reciclador. 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 o reciclador classificar as baterias descartadas. 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 votação por distância de Wasserstein (WDV), com o paradigma de aprendizado independente (IL). Deve-se notar que a precisão para o IL é calculada em média sobre todos os clientes de forma não federada. Comparado com o IL, o MV não sacrifica o desempenho da classificação, com uma precisão média de 95%, enquanto é capaz de proteger a privacidade dos dados e mitigar a carga 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 mal classificou 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. Acontece que o WDV faz uma classificação mais confiante do que o MV, pois as probabilidades de predição do WDV são geralmente assimétricas 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 de aprendizado independente (IL) é anotada. Distribuição de precisão de classificação e orçamento de privacidade (PB) de 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. Os dados são apresentados como valores médios ± 1 desvio padrão. Importância dos recursos, em ordem decrescente. O subgráfico mostra o espaço de recursos abarcado pelos dois primeiros recursos mais salientes. Os dados são apresentados como valores médios + 1 desvio padrão. Dados de origem são fornecidos como um arquivo Source Data. a b c d Também avaliamos o orçamento de privacidade (PB, seção “Métodos”), considerando que os dados do cliente podem ser vulneráveis a 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 relação sinal-ruído (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%. Nessa faixa de ruído, a precisão de classificação mediana do MV e IL é de 92% e 86%, respectivamente. Em contraste, o 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 de mais de 95% na mesma faixa de ruído. Tomando uma precisão de classificação média de 90% como um nível de referência aceitável, os valores de PB de IL, MV e WDV são 4, 6 e 10, respectivamente. Portanto, aplicar aprendizado de máquina federado 53 3