
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Szerzők: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Absztrakt A különböző katódanyagokkal rendelkező, nem osztályozott, leselejtezett akkumulátorok akadályozzák a közvetlen újrahasznosítás elterjedését azok katódspecifikus jellege miatt. A leselejtezett akkumulátorok növekvő száma precíz válogatást igényel a hatékony közvetlen újrahasznosításhoz, de kihívást jelentenek a változó működési előzmények, a különböző gyártók és az újrahasznosítási együttműködők (adatgazdák) adatvédelmi aggályai. Itt bemutatunk egy 130 lítium-ion akkumulátorból álló, 5 katódanyagot és 7 gyártót átfogó, egyedi adatkészlet alapján egy szövetségi gépi tanulási megközelítést, amely képes ezeket a leselejtezett akkumulátorokat az elmúlt működési adatokra való támaszkodás nélkül osztályozni, megőrizve az újrahasznosítási együttműködők adatvédelmét. A lemerült töltés-kisütés ciklusból kinyert jellemzők felhasználásával modellünk 1%-os és 3%-os katódválogatási hibát mutat homogén és heterogén akkumulátor-újrahasznosítási beállítások mellett, ami az innovatív Wasserstein-távolság szavazási stratégiánknak köszönhető. Gazdaságilag a javasolt módszer hangsúlyozza a pontos akkumulátorválogatás értékét egy virágzó és fenntartható újrahasznosítási iparág számára. Ez a tanulmány új paradigmát indít el az érzékeny adatok különböző forrásokból történő felhasználására, elősegítve az elosztott rendszerek együttműködő és adatvédelmet tiszteletben tartó döntéshozatalát. Bevezetés A lítium-ion akkumulátorok (LIB-ok), mint energiatároló eszközök, széles körben elterjedtek a különböző területeken, az ipari termeléstől a mindennapi életig, mint elfogadott műszaki megoldás. A becslések szerint a LIB-ok globális termelési mérete 2030-ra meghaladja az 1,3 TWh-t , amikor is az akkumulátorok iránti növekvő kereslet messze meghaladja majd az olyan létfontosságú fémforrások, mint a lítium és a kobalt elérhetőségét , . Azonban a LIB-termékek jelenlegi átlagos élettartama 5–8 év, ami sok országban a leselejtezett akkumulátorok közelgő áradatát eredményezi. Ha nem kezelik megfelelően, a leselejtezett akkumulátorok fenntarthatatlan erőforrás-pazarlást és környezeti károkat okoznak. Ezekben a körülményekben az akkumulátor-újrahasznosítási technológia fejlesztése rendkívül fontossá válik a LIB-leselejtezések elkerülhetetlen áradatával szembenézve . 1 2 3 4 Az akkumulátor-újrahasznosítási kutatásokban az utóbbi időben a pirometallurgiai, hidrometallurgiai és közvetlen újrahasznosítási megközelítések kerültek előtérbe . A pirometallurgiai és hidrometallurgiai módszerekkel ellentétben a közvetlen újrahasznosítás egy különálló megközelítés. Ez a folyamat nem okoz másodlagos károsodást az anyag szerkezetében, lehetővé téve a hatékonyabb szerkezeti javítást és teljesítmény-helyreállítást. Ezenkívül a közvetlen újrahasznosítás magasabb jövedelmezőséggel rendelkezik, mivel alacsonyabb energiafogyasztással, csökkentett üvegházhatású gázkibocsátással és kisebb környezeti lábnyommal jár , . A valós termelésben azonban az akkumulátor-újrahasznosítók gyakran LIB-ekkel találkoznak, amelyek ismeretlen összetevőket tartalmaznak, vagy olyan akkumulátor modulokkal, amelyek különböző katódanyag-típusok keverékéből állnak. Mivel a közvetlen újrahasznosítás erősen katódspecifikus lehet, ez a bonyolultság lehetetlenné teszi a közvetlen újrahasznosítás alkalmazását a leselejtezett akkumulátorok értékátalakításának elérése érdekében . Fontos hangsúlyozni, hogy még akkor is, ha a vegyes katódanyag-típusok létfontosságú fémjeit a hagyományos újrahasznosítási stratégiákkal ki lehet nyerni, a különböző katódanyagok közötti kölcsönhatás az újrahasznosítási folyamat során kedvezőtlenül befolyásolhatja a termék minőségét . Ezért az újrahasznosítási oldalon a katódanyag-típus információjának megértése jelentősen befolyásolja a közvetlen újrahasznosítási útvonal megválasztását, és végső soron javítja a termék minőségét, jövedelmezőségét és fenntarthatóságát. 5 6 7 8 9 Az emberi segítséggel történő közvetlen újrahasznosítást javasolták a leselejtezett akkumulátorok katódanyag-típusainak azonosítására az előkezelési szakaszban, ami továbbra sem gazdaságos, amikor az újrahasznosítási iparág növekszik . A leselejtezett akkumulátor katód típusának információinak hatékony visszanyerése érdekében a tudományos és ipari közösség nemrégiben elindított egy akkumulátor élettartam követő rendszert , valamint olyan új koncepciókat, mint az akkumulátor útlevél  és az akkumulátor adatgenom . Bár ezek a kezdeményezések előtt jelentős számú akkumulátort használtak fel, egyre szélesebb körben elfogadott, hogy az akkumulátor információknak elérhetőnek kell lenniük a teljes életciklus során a második életre vonatkozó döntéshozatal megkönnyítése érdekében . Ez különösen igaz az akkumulátor-újrahasznosítási ágazatra, az akkumulátor második életének utolsó állomására, mivel az újrahasznosítási útvonal erősen katódspecifikus lehet. Azonban az akkumulátor élettartam követő rendszereket vagy akkumulátor útleveleket olyan elektronikus eszközök, mint a vonalkódok és a közelmezős kommunikáció teszik lehetővé, amelyek intenzív beruházásokat igényelhetnek, és széles körben inkompatibilisek lehetnek a különböző akkumulátortervezőkkel. Ezenkívül az elektronikus eszközök konzisztens kezelése élettartamuk során továbbra is kihívást jelent, ami elhasználódott eszközökhöz és az újrahasznosítási szakaszban történő hozzáférhetetlenséghez vezet, mivel a modern LIB-ek gyártási folyamata továbbra sem integrált a gyártástól az újrahasznosításig . Ezért további áttörésekre sürgősen szükség van az akkumulátor katód típusának hatékony válogatásának eléréséhez, csak könnyen hozzáférhető terepi információk felhasználásával , , szemben a rögzített történelmi adatokkal vagy az emberi segítséggel történő módszerekkel, elősegítve a közvetlen újrahasznosítás alkalmazását a visszanyert termékek minőségének és jövedelmezőségének javítása érdekében. 1 10 11 12 13 14 15 16 Az elmúlt néhány évben a gépi tanulás életképes eszközként jelent meg az akkumulátorok minden területén felmerülő nyitott kérdések megválaszolására. Más akkumulátorokkal kapcsolatos témákban a gépi tanulás lehetővé tette számunkra összetett akkumulátor mechanizmusok automatikus felfedezését , , , a hátralévő élettartam előrejelzését , , , , , az egészségi állapot értékelését , , , a ciklusprofil optimalizálását , , a meghibásodási eloszlás közelítését , sőt még az akkumulátor tervezésének irányítását is , , és a gyártás után azonnal az élettartamra kiterjedő teljesítmény előrejelzését . Az akkumulátor-újrahasznosítás esetében kevés munka foglalkozott gépi tanulással a katódanyagok tekintetében , , ami az akkumulátor-adatok ritkaságát okolja, különösen az élettartam végéig használt akkumulátorok esetében. A publikált tanulmányok túlnyomó többsége nagyon korlátozott mintaméretet mutat , és még inkább korlátozott az akkumulátor katódok sokfélesége tekintetében . A ritkaság intenzív költségekkel, hosszú tesztidővel , és ami a legfontosabb, az adatvédelem hiányával magyarázható, kereskedelmi vagy érdekérvényesítési okokból. Következésképpen az adatvédelem hiánya merevíti azt a dilemmát, ahol a létező akkumulátoradatok, bár terjedelmük és sokféleségük jelentős több fél, például akkumulátorgyártók, gyakorlati alkalmazások, tudományos intézmények és harmadik féltől származó platformok részéről, nem oszthatók meg. Egy ilyen dilemmát sürget a katódanyag válogatásának tanulmányozása az akkumulátor-újrahasznosítási útvonal megválasztásának optimalizálása érdekében, együttműködő, ugyanakkor adatvédelmet tiszteletben tartó módon. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 A szövetségi gépi tanulás, mint elosztott és adatvédelmet biztosító paradigma, lehetőséget kínál a többoldalú együttműködés (megfelelően, az akkumulátoradatok mennyisége és sokfélesége) és az adatvédelmi problémák megoldására együttműködő gépi tanulás révén , , . Minden képzési iterációban az elosztott adattulajdonosok helyi képzést végeznek saját számítási kapacitásukkal, titkosítják a képzett modellparamétereket/eredményeket, és feltöltik azokat egy központi koordinátorhoz aggregáció céljából. Az a tény, hogy a nyers adatkészletek soha nem hagyják el a megfelelő adattulajdonosokat, és az átvitt paraméterek/eredmények megfelelően titkosítottak az adatvédelem biztosítása érdekében. A szövetségi gépi tanulást kiterjedten vizsgálták számos alkalmazási területen, beleértve a közegészségügyet , , klinikai diagnosztikát , , , e-kereskedelmet , a dolgok internetét , mobil számítástechnikát , és az intelligens hálózatot , , . Ez a megközelítés forradalmasíthatja az adatvezérelt kutatási paradigmát a széles körű energiaágazatokban az adatvédelmet biztosító együttműködés lehetővé tételével, különösen azok számára, akik korlátozott adathozzáféréssel rendelkeznek. Az akkumulátor-újrahasznosítási ágazat tekintetében a szövetségi gépi tanulás ígéretes lehetőségeket kínál a már létező hatalmas mennyiségű akkumulátoradat felhasználására, amelyeket adatvédelmi aggályok miatt nem lehet megosztani. Egy ilyen együttműködő, ugyanakkor adatvédelmet biztosító paradigmával a leselejtezett akkumulátorok válogatása nagy pontossággal, hatékonysággal, skálázhatósággal és általánosíthatósággal valósítható meg, optimalizálva a visszanyert termékek minőségét és jövedelmezőségét. Tudomásunk szerint az akkumulátor-újrahasznosításra összpontosító szövetségi gépi tanulási tanulmányok még nem jelentek meg. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 Ebben a tanulmányban elvégezzük a leselejtezett akkumulátorok katódanyag-válogatását, kihasználva a több együttműködőtől származó meglévő akkumulátoradatokat, mint például az akkumulátorgyártók, gyakorlati üzemeltetők, tudományos kutatóintézetek és harmadik féltől származó platformok, együttműködő, ugyanakkor adatvédelmet biztosító gépi tanulási módon, amint az az 1. ábrán látható. Szövetségi gépi tanulási modellünket mindössze egy ciklusnyi terepi tesztadat felhasználásával képzettük egy szabványosított jellemzők kinyerési folyamatán keresztül, anélkül, hogy bármilyen korábbi ismeretünk lett volna a múltbeli működési körülményekről. Összehasonlítjuk a szövetségi gépi tanulási modellünk prediktív erejét az önállóan tanult helyi modellekkel, amelyek a helyi adatokat használják mind homogén, mind heterogén akkumulátor-újrahasznosítási körülmények között. A heterogenitási problémát a javasolt Wasserstein-távolság szavazási stratégia oldja meg. Elvégezzük a leselejtezett akkumulátorok újrahasznosításának gazdasági értékelését a javasolt szövetségi gépi tanulási keretrendszer felhasználásával, kiemelve a leselejtezett akkumulátorok pontos válogatásának relevanciáját és szükségességét. Átfogóan megvitatjuk a modell értelmezhetőségét, az akkumulátor-újrahasznosítási következményeket és a jövőbeli akkumulátor-újrahasznosítási gyakorlat szélesebb kilátásait, integrálva a szövetségi gépi tanulást.    Több adatforrás, például akkumulátorgyártók (Kép forrása: Addionics), gyakorlati üzemeltetők (akkumulátorcsomag egy Tesla padlólemezében. Kép forrása: Tesla), tudományos kutatóintézetek és harmadik féltől származó platformok lehetnek adatszolgáltatók. Az akkumulátoradatokat sem a szolgáltatók között nem cserélik, sem az akkumulátor-újrahasznosítóhoz nem töltik fel. Ehelyett az adatszolgáltatók helyi modelleket képeznek, és modellparamétereiket megosztják az akkumulátor-újrahasznosítóval egy globális modell felépítése érdekében. A javasolt Wasserstein-távolság szavazási technika egyesíti a helyi modelleket a globális modellbe, amely ellenáll az adatkiegyensúlyozatlanságnak és a zajnak. Az akkumulátor-újrahasznosítók a közösen felépített modellt használhatják az akkumulátorok válogatásához, az egyszerűen hozzáférhető terepi tesztadatokkal kombinálva.   A szövetségi gépi tanulási keretrendszerünk ösztönzi az együttműködőket az adatok megosztására, miközben megőrzi az adatvédelmet, ellentétben a hagyományos adat-szigetesedési paradigmával. a b Eredmények Adatgyűjtés és standardizálás A különböző akkumulátortípusok egyedi akkumulátorkinetikája gyakran magas dimenziójú és nehezen jellemezhető, eltérő működési esetek, gyártási variabilitás és múltbeli használat miatt . Ennek a dilemmának a megoldására 130 leselejtezett akkumulátort gyűjtöttünk és standardizáltunk 5 katódanyag-típusból és 7 gyártótól, hogy egy elosztott, megfelelően heterogén adatkészletet hozzunk létre. Különböző múltbeli használatokat figyelembe véve a gyűjtött akkumulátorok kapacitása a névleges kapacitás 90%-a alatt van. A katódanyagok lítium-kobalt-oxid (LCO), nikkel-mangán-kobalt (NMC), lítium-vas-foszfát (LFP), nikkel-kobalt-alumínium-oxid (NCA) és NMC-LCO kevert típusok, amelyeket további 9 osztályra osztunk a gyártók alapján (1. melléklet). Szándékosan tartalmazunk különböző múltbeli használatú akkumulátorokat, a laboratóriumi tesztektől az elektromos járművek vezetési profiljaiig, hogy egy általános modellt képezhessünk az akkumulátor-újrahasznosító számára, a múltbeli használati módoktól és akkumulátortípusoktól függetlenül. 52 A standardizáláshoz az újrahasznosítótól igényelt összes adat a jelenleg vizsgált (terepi tesztelésű) ciklus, egy töltési és kisütési teszttel, amely a gyakorlati esetekben könnyen megvalósítható. A vizsgált adatokat először denoise-oljuk a hiányzó értékek pótlásával, a kiugró értékek cseréjével és medián szűréssel. Az emberi és a katód-heterogenitás által okozott zajokat azonban szándékosan megtartjuk, hogy a modell ellenálló legyen a tökéletlen bemenetekkel szemben. Az adatokat ezután lineárisan interpoláljuk a görbe kitöltéséhez (1. melléklet) és jellemzőkkel gazdagítjuk a dimenziócsökkentés érdekében, közös standardizálási paraméterekkel (1. melléklet). A standardizálási folyamatból kinyert jellemzők jól értelmezhetők, ami jelentős kereskedelmi érdeklődésre tart számot. Tudomásunk szerint ez az első alkalom, hogy több forrásból és eltérő múltbeli használati módokból származó heterogén akkumulátoradatokat használnak fel az akkumulátor-újrahasznosítás stratégiájának tervezéséhez. A 2. ábra a jellemzők kinyerési folyamatát mutatja be. A leselejtezett akkumulátorok töltési és kisütési görbéjére összpontosítunk az utolsó ciklusban, azaz egy töltési és egy kisütési ciklusra (2–5. mellékletek). A töltési ciklusban 15 jellemzőt vonunk ki a feszültség-kapacitás és a dQ/dV görbéből, ahol V a feszültséget, Q pedig a kapacitás értékét jelöli. Ugyanazt a jellemzőkészletet vonjuk ki a kisütési ciklusra is. Ennek eredményeként összesen 30 jellemzőt vonunk ki, amelyeket F1-től F30-ig jelölünk. A jellemzők részletes magyarázatát lásd a 2. mellékletben és a 1. mellékletben. A 2. ábra kiemeli a kiválasztott akkumulátorok abszolút és relatív jellemző értékeit osztályonként. A legtöbb relatív jellemző érték a különböző osztályokban a -1 és 0 közötti régióban (világoszöld színnel) átfedésben van, és megkülönböztethetetlen, ami jól illusztrálja az akkumulátor típusának egyetlen akkumulátor ciklusadat felhasználásával történő osztályozásának nehézségét. A nehézség várható, mivel a különböző múltbeli működési körülmények befolyásolhatják az akkumulátorok töltés-kisütési kinetikáját, így a kinyert jellemzők nagymértékben korrelálhatnak a különböző akkumulátortípusok ellenére is (6. melléklet). A kinyert jellemzők közvetlen értelmezése helyett szakértői tudásra támaszkodva egy alternatív adatvezérelt megközelítést alkalmazunk, amely automatikusan kihasználja a különböző akkumulátortípusok közötti rejtett mintákat.    A töltési folyamat során 15 jellemzőt vonunk ki a feszültség-kapacitás (balra) és a dQ/dV görbéből (jobbra).   Ugyanaz a jellemzőkészlet a kisütési folyamatra is vonatkozik, mint F16-tól F30-ig.   A jellemzőket osztályok szerint jelenítjük meg, a CxBn formátumot követve, amely az x osztály n-edik akkumulátorát jelöli. A kör mérete az abszolút jellemző értéket jelzi. A forrásadatok egy forrásadatfájlban állnak rendelkezésre. a b c Leszerelt akkumulátorok válogatása homogén adathozzáféréssel Először egy olyan helyzetet vizsgálunk, ahol az akkumulátoradatok homogén módon oszlanak meg az együttműködők között (azaz az ügyfelek). A homogenitás azt jelenti, hogy minden ügyfél az összes 9 osztályt felölelő akkumulátoradatok megosztását kínálja, bár az akkumulátorok konkrét száma nincs korlátozva (3. melléklet). Szövetségi gépi tanulási modellünket a leselejtezett akkumulátorok múltbeli használati adatainak ismerete nélkül képezzük. Munkánk során az újrahasznosítónak és az ügyfeleknek csak az aktuális (terepi tesztelésű) ciklusban kell tesztelniük a leselejtezett akkumulátorokat, pontosabban egy teljes töltés-kisütési ciklussal egy szabványosított jellemző kinyerési folyamathoz, amelyet az újrahasznosító kezdeményez. A helyi modelleket a privát akkumulátoradataikból kinyert jellemzők alapján képezik. A szövetségi gépi tanulási keretrendszer a helyi modellparamétereket aggregálja, nem pedig a privát akkumulátoradatokat, hogy az újrahasznosító osztályozni tudja a leselejtezett akkumulátorokat. A 

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

Ez a hanganyag a történet eredeti nyelvén készült!

Ez az adatvédelmi szempontból biztonságos AI a lemerült akkumulátorokat nagy nyereséggé alakíthatja

About Author

HOZZÁSZÓLÁSOK

HANG TAGOK

EZT A CIKKET BEMUTATTA

Related Stories

HackerNoon Contributor Denisa Ganea on HackerNoon, Human Existence, and Everything in Between

The Little Shop at Fishbourne

INTRODUCTION

Találkozz Hubstaff: HackerNoon a hét társasága

HackerNoon Contributor Denisa Ganea on HackerNoon, Human Existence, and Everything in Between

The Little Shop at Fishbourne

INTRODUCTION

Találkozz Hubstaff: HackerNoon a hét társasága

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps