Sa Enpòtèz AI sa a ki San Danje pou Konfidansyalite Ka Vire Woulo Pil Fatra Nan 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 Resumen Las baterías retiradas no clasificadas con diversos materiales catódicos obstaculizan la adopción del reciclaje directo debido a su naturaleza específica del cátodo. El aumento de las baterías retiradas exige una clasificación precisa para un reciclaje directo eficaz, pero surgen desafíos por las distintas historias operativas, los diversos fabricantes y las preocupaciones de privacidad de los datos de los colaboradores de reciclaje (propietarios de datos). Aquí demostramos, a partir de un conjunto de datos único de 130 baterías de iones de litio que abarcan 5 materiales catódicos y 7 fabricantes, que un enfoque de aprendizaje automático federado puede clasificar estas baterías retiradas sin depender de datos operativos pasados, salvaguardando la privacidad de los datos de los colaboradores de reciclaje. Al utilizar las características extraídas del ciclo de carga-descarga al final de su vida útil, nuestro modelo presenta errores de clasificación de cátodos del 1% y 3% en entornos de reciclaje de baterías homogéneos y heterogéneos respectivamente, atribuidos a nuestra innovadora estrategia de votación por distancia de Wasserstein. Económicamente, el método propuesto subraya el valor de la clasificación precisa de baterías para una industria de reciclaje próspera y sostenible. Este estudio anuncia un nuevo paradigma de uso de datos sensibles a la privacidad de diversas fuentes, facilitando la toma de decisiones colaborativa y respetuosa de la privacidad para sistemas distribuidos. Introducción Las baterías de iones de litio (LIB), que sirven como dispositivos de almacenamiento de energía, han ganado una amplia utilización en diversos dominios, desde la producción industrial hasta la vida diaria como una ruta técnica aceptada. Las proyecciones sugieren que la escala de producción global de LIB superará las 1,3 TWh para 2030 , momento en el cual la creciente demanda de baterías superará con creces la disponibilidad de recursos metálicos vitales como el litio y el cobalto , . Sin embargo, la vida útil promedio actual de los productos LIB se sitúa entre 5 y 8 años, lo que lleva a un aumento inminente de baterías retiradas en muchos países. Si no se gestionan adecuadamente, las baterías retiradas resultarán en un desperdicio insostenible de recursos y daños ambientales. Dadas estas circunstancias, el desarrollo de tecnología de reciclaje de baterías asume una importancia crucial a medida que nos enfrentamos a la inminente marea de retiros de LIB . 1 2 3 4 Los avances recientes en la investigación de reciclaje de baterías se han centrado en los enfoques pirometalúrgico, hidrometalúrgico y de reciclaje directo . En contraste con los métodos pirometalúrgicos e hidrometalúrgicos, el reciclaje directo se distingue como un enfoque diferente. Este proceso no inflige daños secundarios a la estructura del material, lo que permite una reparación estructural y una restauración del rendimiento más eficientes. Además, el reciclaje directo exhibe una mayor rentabilidad, ya que implica un menor consumo de energía, menores emisiones de gases de efecto invernadero y menores huellas ambientales , . En la producción real, sin embargo, los recicladores de baterías encuentran frecuentemente LIB que comprenden componentes desconocidos o módulos de batería que consisten en una mezcla de diferentes tipos de materiales catódicos. Considerando que el reciclaje directo puede ser muy específico del cátodo, tal complejidad hace que la aplicación del reciclaje directo sea inviable para lograr la conversión de valor de las baterías retiradas . Es crucial enfatizar que incluso si los metales vitales de tipos de materiales catódicos mixtos pueden extraerse utilizando estrategias de reciclaje convencionales, la interacción entre diferentes materiales catódicos durante el proceso de reciclaje puede afectar negativamente la calidad del producto . Por lo tanto, la comprensión de la información del tipo de material catódico en el lado del reciclaje impacta marcadamente la elección de la ruta de reciclaje directo y, en última instancia, mejora la calidad del producto, la rentabilidad y la sostenibilidad. 5 6 7 8 9 Se ha propuesto el reciclaje directo asistido por humanos para identificar la información del tipo de material catódico de la batería retirada en el eslabón de pretratamiento, que todavía no es financieramente viable cuando la industria del reciclaje se está expandiendo . Para recuperar eficazmente la información del tipo de cátodo de la batería retirada, la comunidad científica e industrial ha iniciado recientemente un sistema de rastreo de vida útil de la batería y conceptos emergentes como pasaporte de batería y genoma de datos de batería . Aunque se han utilizado baterías sustanciales antes de estas iniciativas, existe un consenso creciente de que la información de la batería debe ser accesible a lo largo de la cadena de vida para facilitar la toma de decisiones de segunda vida . Este es notablemente el caso del sector de reciclaje de baterías, la última estación de la segunda vida de la batería, ya que la ruta de reciclaje puede ser muy específica del cátodo. Sin embargo, los sistemas de rastreo de vida útil de la batería o los pasaportes de batería están habilitados por dispositivos electrónicos como códigos de barras y comunicaciones de campo cercano, que podrían introducir una inversión intensiva y ser ampliamente incompatibles con diferentes diseñadores de baterías. Además, los dispositivos electrónicos siguen siendo difíciles de gestionar de manera consistente a lo largo de su vida útil, lo que lleva a dispositivos desgastados e inaccesibilidad en la etapa de reciclaje, ya que el proceso de fabricación moderno de LIB aún no está integrado de producción a reciclaje . Por lo tanto, se necesitan urgentemente más avances para lograr una clasificación eficiente del tipo de cátodo de la batería utilizando solo información de campo de fácil acceso , , en oposición a los datos históricos registrados o de manera asistida por humanos, facilitando la adopción del reciclaje directo para mejorar la calidad y rentabilidad de los productos reciclados. 1 10 11 12 13 14 15 16 En los últimos años, el aprendizaje automático ha surgido como una herramienta viable para abordar preguntas abiertas en todos los campos de las baterías. En otros temas relacionados con las baterías, el aprendizaje automático nos ha permitido recientemente descubrir automáticamente mecanismos complejos de baterías , , , predecir la vida útil restante , , , , , evaluar el estado de salud , , , optimizar el perfil de ciclado , , aproximar la distribución de fallos , incluso para guiar el diseño de baterías , , y predecir el rendimiento a lo largo de la vida útil inmediatamente después de la fabricación . En el caso del reciclaje de baterías, pocos trabajos han investigado el aprendizaje automático en relación con los materiales catódicos , , lo que se achaca a la escasa cantidad de datos de baterías, especialmente para aquellas que han llegado al final de su vida útil. La gran mayoría de los estudios publicados muestran tamaños de muestra muy limitados y son aún más limitados en la diversidad de cátodos de baterías . La escasez se atribuye al costo intensivo, el largo tiempo de prueba y, lo más importante, la privacidad de los datos debido a preocupaciones comerciales o de intereses. En consecuencia, el problema de la privacidad rigidiza el dilema en el que los datos existentes de baterías, aunque sustanciales en volumen y diversidad de múltiples partes como fabricantes de baterías, aplicaciones prácticas, instituciones académicas y plataformas de terceros, no pueden compartirse. Tal dilema exige el estudio de la clasificación de materiales catódicos para optimizar la elección de la ruta de reciclaje de baterías de manera colaborativa y respetando la privacidad. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 El aprendizaje automático federado, como paradigma distribuido y respetuoso de la privacidad, tiene el potencial de resolver tanto la colaboración multipartita (equivalente a la cantidad y diversidad de datos de baterías) como los problemas de privacidad a través del aprendizaje automático colaborativo , , . En cada iteración de entrenamiento, los propietarios de datos distribuidos realizan un entrenamiento local con su potencia computacional local, cifran los parámetros/resultados del modelo entrenado y los suben a un coordinador central para su agregación. Los datos brutos nunca abandonan a sus respectivos propietarios de datos y los parámetros/resultados transferidos se cifran adecuadamente para proteger la privacidad de los datos. El aprendizaje automático federado se ha investigado ampliamente en numerosos campos aplicativos, incluyendo salud pública , , diagnóstico clínico , , , comercio electrónico , Internet de las cosas , computación móvil , y red inteligente , , . Este enfoque puede revolucionar el paradigma de investigación impulsado por datos en amplios sectores energéticos al permitir la colaboración que preserva la privacidad, especialmente para aquellos con acceso limitado a datos. Con respecto al sector de reciclaje de baterías, el aprendizaje automático federado asume posibilidades prometedoras para aprovechar la cantidad gigante de datos de baterías que ya existen pero que no se pueden compartir debido a preocupaciones de privacidad. Con un paradigma colaborativo y respetuoso de la privacidad, la clasificación de baterías retiradas puede implementarse con alta precisión, eficiencia, escalabilidad y generalización, optimizando la calidad y rentabilidad de los productos reciclados. Hasta donde sabemos, nunca se han reportado estudios de aprendizaje automático federado centrados en el reciclaje de baterías. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 En este estudio, realizamos una clasificación de materiales catódicos de baterías retiradas, aprovechando los datos existentes de baterías de múltiples colaboradores, como fabricantes de baterías, operadores de aplicaciones prácticas, instituciones de investigación académica y plataformas de terceros, en un modo de aprendizaje automático colaborativo y respetuoso de la privacidad, como se ilustra en la Fig. . Nuestro modelo de aprendizaje automático federado fue entrenado utilizando solo un ciclo de datos de prueba de campo a través de un proceso estandarizado de extracción de características, sin conocimiento previo de las condiciones de operación históricas. Comparamos el poder predictivo de nuestro modelo de aprendizaje automático federado con el de los modelos locales aprendidos de forma independiente basados en datos locales en circunstancias de reciclaje de baterías tanto homogéneas como heterogéneas. El problema de la heterogeneidad se resuelve con nuestra propuesta estrategia de votación por distancia de Wasserstein. Se realiza una evaluación económica del reciclaje de baterías retiradas utilizando nuestro marco de aprendizaje automático federado propuesto, destacando la relevancia y necesidad de una clasificación precisa de las baterías retiradas. Discutimos exhaustivamente la interpretabilidad del modelo, las implicaciones del reciclaje de baterías y las perspectivas más amplias de la futura práctica de reciclaje de baterías integrada con el aprendizaje automático federado. 1 Múltiples fuentes de datos, como fabricantes de baterías (Imagen cortesía de Addionics), operadores de aplicaciones prácticas (paquete de baterías en el piso de un Tesla. Imagen cortesía de Tesla), instituciones de investigación académica y plataformas de terceros, pueden ser contribuyentes de datos. Los datos de la batería no se intercambian entre los contribuyentes ni se suben al reciclador de baterías. En cambio, los contribuyentes de datos entrenan modelos locales y comparten parámetros del modelo con el reciclador de baterías para construir un modelo global. La técnica propuesta de votación por distancia de Wasserstein fusiona los modelos locales en el modelo global, que es robusto al desequilibrio de datos y al ruido. Los recicladores de baterías pueden usar el modelo construido conjuntamente para la clasificación de baterías, combinado con datos de prueba de campo de fácil acceso. Nuestro marco de aprendizaje automático federado fomenta la colaboración para compartir datos preservando la privacidad de los datos, a diferencia del paradigma tradicional de islas de datos. a b Resultados Recopilación y estandarización de datos La cinética única de las baterías en diferentes tipos de baterías es a menudo de alta dimensionalidad y difícil de caracterizar debido a casos operativos divergentes, variabilidad de fabricación y usos históricos . Para encontrar una solución a este dilema, recopilamos y estandarizamos 130 baterías retiradas con 5 tipos de materiales catódicos de 7 fabricantes para construir un conjunto de datos fuera de distribución, equivalentemente heterogéneo. Dados los diferentes usos históricos, las capacidades de las baterías recolectadas son inferiores al 90% de la capacidad nominal. Los materiales catódicos de la batería son óxido de litio cobalto (LCO), cobalto de níquel manganeso (NMC), fosfato de litio férrico (LFP), óxido de níquel-cobalto-aluminio (NCA) y tipos mixtos de NMC-LCO, que se agrupan aún más en 9 clases según los fabricantes (Tabla Suplementaria ). Incluimos intencionalmente baterías con usos históricos divergentes, desde pruebas de laboratorio hasta perfiles de conducción de vehículos eléctricos, para entrenar un modelo generalizado para el reciclador de baterías independiente de los usos históricos y los tipos de baterías. 52 1 Para la estandarización, todos los datos requeridos del reciclador son el ciclo de prueba actual (prueba de campo) con una prueba completa de carga y descarga, que es fácil de implementar en casos prácticos. Los datos probados se pre-procesan eliminando el ruido al completar valores faltantes, reemplazar valores atípicos y realizar filtrado mediano. Sin embargo, se conservan deliberadamente los ruidos inducidos por humanos y por heterogeneidad del cátodo para hacer que el modelo sea robusto a entradas imperfectas. Luego, los datos se interpolan linealmente para completar curvas (Figura Suplementaria ) y se extraen características para la reducción de dimensionalidad, con un conjunto compartido de parámetros de estandarización (Nota Suplementaria ). Las características extraídas del pipeline de estandarización son bien interpretables, una preocupación de gran interés comercial. Hasta donde sabemos, es la primera vez que se utilizan datos de baterías heterogéneas de múltiples fuentes y usos históricos para ayudar en el diseño de la estrategia de reciclaje de baterías. 1 1 La Figura a, b demuestran el proceso de ingeniería de características. Nos centramos en la curva de carga y descarga de las baterías retiradas en el último ciclo, es decir, un ciclo de carga y un ciclo de descarga (Figuras Suplementarias – ). En el ciclo de carga, se extraen 15 características de las curvas de voltaje-capacidad y dQ/dV, donde V y Q se refieren a los valores de voltaje y capacidad, respectivamente. El mismo conjunto de características se extrae para el ciclo de descarga. Como resultado, se extraen 30 características en total, como se indica de F1 a F30. Consulte la Tabla Suplementaria y la Nota Suplementaria para una explicación detallada de las características. La Figura c muestra los valores de características absolutos y relativos de las baterías seleccionadas de cada clase. La mayoría de los valores de características relativas en diferentes clases se superponen en la región de −1 a 0 (con el color verde claro) y son indistinguibles, lo que ilustra la dificultad de clasificar el tipo de batería utilizando un ciclo de datos de batería. La dificultad se espera porque las condiciones de operación históricas divergentes pueden influir en la cinética de carga-descarga de las baterías, de modo que las características extraídas pueden estar en gran medida correlacionadas a pesar de los diferentes tipos de baterías (Figura Suplementaria ). En lugar de interpretar directamente las características extraídas con conocimiento experto, empleamos un enfoque alternativo impulsado por datos que aprovecha automáticamente los patrones latentes en varios tipos de baterías. 2 2 5 2 2 2 6 Para el proceso de carga, se extraen 15 características de la curva de voltaje-capacidad (izquierda) y de la curva dQ/dV (derecha). El mismo conjunto de características es para el proceso de descarga como F16 a F30. Las características se visualizan por clases, siguiendo el formato CxBn, que indica la n-ésima batería de la clase x. El tamaño de un círculo representa el valor absoluto de la característica. Los datos fuente se proporcionan como un archivo de Datos Fuente. a b c Clasificación de baterías retiradas con acceso homogéneo a datos Primero consideramos una configuración en la que los datos de la batería se distribuyen de manera homogénea entre los colaboradores (es decir, los clientes). La homogeneidad significa que cada cliente ofrece compartir datos de batería de todas las 9 clases, aunque el número específico de baterías no esté restringido (Tabla Suplementaria ). Entrenamos nuestro modelo de aprendizaje automático federado sin requerir información sobre el uso histórico de las baterías retiradas. En nuestro trabajo, el reciclador y los clientes solo necesitan probar las baterías retiradas en el ciclo actual (de prueba de campo), específicamente, con un ciclo completo de carga-descarga para un proceso de ingeniería de características estándar iniciado por el reciclador. Los modelos locales se entrenan basándose en las características extraídas de sus datos privados de baterías. El marco de aprendizaje automático federado agrega los parámetros del modelo local, en lugar de los datos privados de baterías, para que el reciclador clasifique las baterías retiradas. 3 La Figura muestra los resultados de clasificación cuando los clientes contribuyen con datos de batería homogéneos. La Figura a compara dos métodos de aprendizaje automático federado, es decir, votación por mayoría (MV) y nuestra propuesta de votación por distancia de Wasserstein (WDV), con el paradigma de aprendizaje independiente (IL). Cabe señalar que la precisión para IL se promedia sobre todos los clientes de manera no federada. En comparación con IL, MV no sacrifica el rendimiento de clasificación, con una precisión promedio del 95%, al tiempo que es capaz de proteger la privacidad de los datos y mitigar la carga computacional. Sin embargo, 3 clases se clasifican erróneamente utilizando MV. Por ejemplo, 3 baterías en NMC (SNL, clase 8, 15 en total) se clasifican erróneamente como NCA (SNL, clase 7), lo que resulta en una precisión de clasificación del 80%. La precisión de clasificación para NCA (UL-PUR, clase 9) es del 81%, con 2 baterías clasificadas erróneamente como NMC (MICH_Form, clase 4) y 1 batería clasificada erróneamente como tipo mixto NMC/LCO (HNEI, clase 2), respectivamente. En contraste, WDV supera a MV ya que solo clasificó erróneamente una batería, lo que resulta en una precisión de clasificación del 99%. También evaluamos la probabilidad de predicción de cada clase para MV y WDV, respectivamente. Resulta que WDV realiza una clasificación más segura que MV ya que las probabilidades de predicción de WDV generalmente están sesgadas a la derecha hacia un valor de probabilidad más alto. Por lo tanto, nuestro WDV propuesto produce precisiones de clasificación más altas en todas las clases, y la clasificación es de márgenes de confianza de probabilidad más ricos. 3 3 La matriz de confusión para los métodos de votación por mayoría (MV) y votación por distancia de Wasserstein (WDV), respectivamente. Consideramos la distribución de probabilidad de predicción para cada clase. La clasificación del aprendizaje independiente (IL) se anota. Distribución de precisión de clasificación y presupuesto de privacidad (PB) de IL, MV y WDV en presencia de ruido aleatorio. El valor de PB se referencia a un nivel de precisión del 90%. Puntuación F1 promedio de los resultados de clasificación y los PB en cada clase utilizando IL, MV y WDV. Los valores de PB se refieren todos a un nivel de puntuación F1 de 0.9. Importancia de las características, en orden descendente. El subgráfico muestra el espacio de características abarcado por las dos características salientes más importantes. Los datos se presentan como valores medios ±1 desviación estándar. Los datos fuente se proporcionan como un archivo de Datos Fuente. a b c d También evaluamos el presupuesto de privacidad (PB, sección “Métodos”), considerando que los datos del cliente podrían ser vulnerables a la ingeniería inversa al escuchar datos privados . A este respecto, agregamos ruido gaussiano aleatorio a los datos del cliente con diferentes intensidades. La intensidad de la aleatoriedad se controla mediante una relación ruido-señal (NSR), que varía del 1% al 10%. La Figura b muestra la comparación de precisión y presupuesto de privacidad al usar IL, MV y WDV, respectivamente. La precisión de clasificación de MV disminuye del 95% al 82%, similar a la de IL cuando la intensidad del ruido aumenta del 1% al 10%. En este rango de ruido, la precisión de clasificación mediana de MV e IL es del 92% y 86%, respectivamente. En contraste, WDV sigue estando por encima del 90% en presencia de un 10% de ruido, lo cual es un nivel de ruido estricto en casos prácticos. WDV tiene una precisión de clasificación mediana de más del 95% en el mismo rango de ruido. Tomando una precisión de clasificación promedio del 90% como nivel de referencia aceptable, los valores de PB de IL, MV y WDV son 4, 6 y 10, respectivamente. Por lo tanto, la aplicación de aprendizaje automático federado produce una clasificación más segura en cuanto a privacidad que IL, siendo capaz de prevenir la escucha de datos. Además, nuestro WDV propuesto es más preciso y funciona mucho mejor (con valores de PB casi duplicados) en el equilibrio privacidad-precisión que MV. Además, la robustez al ruido estricto al usar WDV también implica una buena tolerancia al requisito de medición de la batería, reduciendo los costosos desembolsos de prueba de batería. 53 3 Observando que una alta precisión de clasificación no implica necesariamente una clasificación aceptable para una clase específica, también