
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Összefoglalás A vegyes katódanyagú, válogatás nélküli, leselejtezett akkumulátorok akadályozzák a közvetlen újrahasznosítás elterjedését katódspecifikus természetük miatt. A leselejtezett akkumulátorok növekvő száma precíz válogatást tesz szükségessé a hatékony közvetlen újrahasznosításhoz, de kihívást jelentenek a változó működési előzmények, a különböző gyártók és az újrahasznosítási partnerek (adatgazdák) adatvédelmi aggályai. Itt bemutatunk egy 130 lítium-ion akkumulátorra kiterjedő, 5 katódanyagot és 7 gyártót felölelő, egyedülálló adatkészletből származó szövetségi gépi tanulási megközelítést, amely képes ezeket a leselejtezett akkumulátorokat válogatni a múltbeli működési adatoktól való függés nélkül, megőrizve az újrahasznosítási partnerek adatvédelmét. A végleges élettartamú töltési-kisütési ciklusból kinyert jellemzők felhasználásával modellünk 1%-os és 3%-os katódválogatási hibát mutat homogén és heterogén akkumulátor újrahasznosítási körülmények között, amit az innovatív Wasserstein-távolság alapú szavazási stratégiánknak tulajdonítunk. Gazdasági szempontból a javasolt módszer aláhúzza a precíz akkumulátorszelektálás értékét egy virágzó és fenntartható újrahasznosítási iparág számára. Ez a tanulmány egy új paradigmát hirdet a különböző forrásokból származó, adatvédelmet érzékeny adatok felhasználására, elősegítve az elosztott rendszerek együttműködésen alapuló, adatvédelmet tiszteletben tartó döntéshozatalát. Bevezetés A lítium-ion akkumulátorokat (LIB-eket), mint energiatároló eszközöket, széles körben alkalmazzák a különböző területeken, az ipari termeléstől a mindennapi életig, mint elfogadott technikai útvonalat. A becslések szerint a LIB-ek globális termelési mérete 2030-ra meghaladja az 1,3 TWh-t , amikor is az akkumulátorok növekvő kereslete messze meghaladja majd az olyan létfontosságú fémforrások, mint a lítium és a kobalt rendelkezésre állását , . Azonban a LIB-termékek jelenlegi átlagos élettartama 5-8 év, ami sok országban az elhasznált akkumulátorok közelgő áradásához vezet. Ha nem kezelik megfelelően, a leselejtezett akkumulátorok fenntarthatatlan erőforrás-pazarlást és környezeti károkat okoznak. Ezekben a körülményekmények között az akkumulátor-újrahasznosítási technológia fejlesztése kiemelkedő fontosságúvá válik, ahogy szembesülünk a LIB-ek leselejtezésének közeledő áradatával . 1 2 3 4 A közelmúltban az akkumulátor-újrahasznosítási kutatásokban elért előrelépések az pirometallurgiai, hidrometallurgiai és közvetlen újrahasznosítási megközelítésekre összpontosultak . A pirometallurgiai és hidrometallurgiai módszerekkel szemben a közvetlen újrahasznosítás különálló megközelítésként tűnik ki. Ez a folyamat nem okoz másodlagos károsodást az anyag szerkezetében, lehetővé téve a hatékonyabb szerkezeti javítást és a teljesítmény helyreállítását. Ezenkívül a közvetlen újrahasznosítás magasabb nyereségességet mutat, mivel alacsonyabb energiafogyasztással, csökkentett üvegházhatású kibocsátással és kisebb környezeti lábnyommal jár , . A valós termelésben azonban az akkumulátor-újrahasznosítók gyakran találkoznak olyan LIB-ekkel, amelyek ismeretlen alkatrészekből állnak, vagy olyan akkumulátormodulokkal, amelyek különböző katódanyag-típusok keverékét tartalmazzák. Mivel a közvetlen újrahasznosítás erősen katódspecifikus lehet, egy ilyen bonyolultság teszi lehetetlenné a közvetlen újrahasznosítás alkalmazását a leselejtezett akkumulátorok értékkonverziójának elérése érdekében . Fontos hangsúlyozni, hogy még akkor is, ha a különböző katódanyag-típusokból származó létfontosságú fémeket hagyományos újrahasznosítási stratégiákkal lehetne kinyerni, a különböző katódanyagok közötti kölcsönhatás az újrahasznosítási folyamat során kedvezőtlenül befolyásolhatja a termék minőségét . Ezért a katódanyag-típus információinak megértése az újrahasznosítás oldalán jelentősen befolyásolja a közvetlen újrahasznosítás útvonalának megválasztását, és végső soron javítja a termék minőségét, nyereségességét 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 pénzügyileg életképes, amikor az újrahasznosítási iparág skálázódik . A leselejtezett akkumulátorok katód-típusainak hatékony visszanyerése érdekében a tudományos és ipari közösség nemrégiben elindított egy akkumulátor-élettartam nyomon követési rendszert , valamint olyan feltörekvő koncepciókat, mint az akkumulátor-útlevél  és az akkumulátoradat-genom . Bár jelentős számú akkumulátort használtak fel ezek előtt az kezdeményezések előtt, egyre nagyobb az egyetértés abban, hogy az akkumulátorok információinak elérhetőnek kell lenniük a teljes életciklus során a másodlagos felhasználás döntéshozatalának megkönnyítése érdekében . Ez különösen igaz az akkumulátor-újrahasznosítási ágazatra, az akkumulátorok másodlagos életciklusának utolsó állomására, mivel az újrahasznosítási útvonal erősen katódspecifikus lehet. Az akkumulátor-élettartam nyomon követési rendszerek vagy az akkumulátor-útlevelek azonban olyan elektronikus eszközökkel működnek, mint a vonalkódok és a közelmezős kommunikáció, amelyek intenzív befektetést igényelhetnek, és nagymértékben inkompatibilisek lehetnek a különböző akkumulátortervezőkkel. Továbbá, az elektronikus eszközök következetes kezelése élettartamuk során továbbra is kihívást jelent, ami elhasználódott eszközökhöz és az újrahasznosítási szakaszban való hozzáférhetetlenséghez vezethet, mivel a modern LIB-ek gyártási folyamata még mindig nem integrált a gyártástól az újrahasznosításig . Ezért sürgősen további áttörésekre van szükség ahhoz, hogy az akkumulátor katód típusának hatékony válogatását csak könnyen hozzáférhető mezőinformációk felhasználásával érjék el , , ellentétben a történelmi adatokkal vagy az emberi segítséggel végzett módszerekkel, elősegítve a közvetlen újrahasznosítás elfogadását a visszanyert termékek minőségének és nyereségességének javítása érdekében. 1 10 11 12 13 14 15 16 Az elmúlt években a gépi tanulás életképes eszközként jelent meg a nyitott kérdések megválaszolására az akkumulátorok minden területén. Más akkumulátorokkal kapcsolatos témákban a gépi tanulás lehetővé tette összetett akkumulátor mechanizmusok automatikus felfedezését , , , a hátralévő hasznos élettartam előrejelzését , , , , , az egészségi állapot értékelését , , , a ciklusprofil optimalizálását , , a meghibásodási eloszlás közelítését , sőt még az akkumulátor tervezésének irányítását is , , valamint a gyártás után azonnali, élettartamra szóló teljesítmény előrejelzését . Az akkumulátor-újrahasznosítás esetében kevés munka foglalkozott gépi tanulással a katódanyagok tekintetében , , ami az akkumulátorok hiányos adataié, különösen az élettartam végéig használt akkumulátoroké. A publikált tanulmányok túlnyomó többsége nagyon korlátozott mintaméretet  mutat be, és még korlátozottabb az akkumulátor katódok sokfélesége . A hiányt a intenzív költség, a hosszú tesztelési idő  és legfontosabbként az adatvédelem magyarázza, kereskedelmi vagy érdekeltségi aggályok miatt. Következésképpen az adatvédelmi probléma merevíti a dilemmát, ahol a meglévő akkumulátor adatok, bár jelentős mennyiségűek és sokfélék több fél, mint például akkumulátorgyártók, gyakorlati alkalmazások, egyetemi intézmények és harmadik féltől származó platformok, nem oszthatók meg. Az ilyen dilemma megköveteli a katódanyag-válogatás tanulmányozását az akkumulátor-újrahasznosítási útvonal megválasztásának optimalizálása érdekében, együttműködő, miközben adatvédelmet megőrző 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, képes megoldani mind a több-félen alapuló együttműködés (az akkumulátoradatok mennyisége és sokfélesége), mind az adatvédelmi problémákat az 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. Tény, hogy a nyers adatkészletek soha nem hagyják el a megfelelő adattulajdonosokat, és az átvitt paraméterek/eredmények megfelelően vannak titkosítva az adatvédelem érdekében. A szövetségi gépi tanulást kiterjedten vizsgálták számos alkalmazási területen, beleértve a közegészségügyet , , klinikai diagnosztikát , , , e-kereskedelmet , Internet of Things , mobil számítástechnikát , és okos hálózatot , , . Ez a megközelítés forradalmasíthatja az adatvezérelt kutatási paradigmát a széleskörű energiaágazatokban az adatvédelmet biztosító együttműködés lehetővé tételével, különösen azokkal, amelyek korlátozott adat-hozzáféréssel rendelkeznek. Az akkumulátor-újrahasznosítási ágazat tekintetében a szövetségi gépi tanulás ígéretes lehetőségeket rejt magában a már létező, de adatvédelmi aggályok miatt nem megosztható hatalmas mennyiségű akkumulátoradat kiaknázására. Ilyen együttműködő, miközben adatvédelmet biztosító paradigmával az elhasznált akkumulátorok válogatása nagy pontossággal, hatékonysággal, skálázhatósággal és általánosíthatósággal valósítható meg, optimalizálva a visszanyert termékek minőségét és nyereségességét. Tudomásunk szerint az akkumulátor-újrahasznosításra fókuszáló szövetségi gépi tanulási tanulmányokról még nem számoltak be. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 Ebben a tanulmányban elvégezzük az elhasznált akkumulátorok katódanyagának válogatását, kihasználva a több együttműködőtől származó meglévő akkumulátoradatokat, mint például akkumulátorgyártók, gyakorlati alkalmazási üzemeltetők, egyetemi kutatóintézetek és harmadik féltől származó platformok, együttműködő, miközben adatvédelmet biztosító gépi tanulási módon, amint az az 1. ábrán látható. . Szövetségi gépi tanulási modellünket mindössze egy ciklusnyi mező tesztadat felhasználásával képeztük szabványosított jellemzők kinyerési folyamaton keresztül, a múltbeli működési feltételekre vonatkozó előzetes ismeretek nélkül. Összehasonlítjuk szövetségi gépi tanulási modellünk prediktív erejét az önállóan tanult helyi modellekkel a helyi adatok alapján, mind homogén, mind heterogén akkumulátor újrahasznosítási körülmények között. A heterogenitási probléma a javasolt Wasserstein-távolság alapú szavazási stratégiánkkal megoldódik. 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, valamint a jövő akkumulátor-újrahasznosítási gyakorlatának szélesebb körű kilátásait, integrálva a szövetségi gépi tanulással. 1    Több adatforrás, mint például akkumulátorgyártók (kép forrása: Addionics), gyakorlati alkalmazási üzemeltetők (akkumulátorcsomag egy Tesla padlólemezén. Kép forrása: Tesla), egyetemi kutatóintézetek és harmadik féltől származó platformok lehetnek adatszolgáltatók. Az akkumulátoradatok sem a szolgáltatók között nem cserélnek gazdát, sem nem töltődnek fel az akkumulátor-újrahasznosítóhoz. Ehelyett az adatszolgáltatók helyi modelleket képeznek, és megosztják a modellparamétereket az akkumulátor-újrahasznosítóval egy globális modell felépítése érdekében. A javasolt Wasserstein-távolság alapú szavazási technika egyesíti a helyi modelleket a globális modellel, amely ellenálló az adatok egyenlőtlen eloszlásával és a zajjal szemben. Az akkumulátor-újrahasznosítók használhatják a közösen felépített modellt az akkumulátorok válogatására, a könnyen hozzáférhető mezőtesztadatokkal kombinálva.   A szövetségi gépi tanulási keretrendszerünk ösztönzi a közreműködőket az adatok megosztására, miközben megőrzi az adatvédelmet, ellentétben a hagyományos adat-szigetesítési paradigmával. a b Eredmények Adatgyűjtés és standardizálás A különböző akkumulátortípusok egyedi akkumulátorkinetikája gyakran magas dimenziójú és nehezen jellemezhető a eltérő működési esetek, gyártási változások és múltbeli felhasználások miatt . Ennek a dilemmának a megoldására 130 leselejtezett akkumulátort gyűjtöttünk össze és standardizáltunk 5 katódanyag-típusból, 7 gyártótól, hogy egy kimeneti eloszlású, egyenértékűen heterogén adatkészletet hozzunk létre. Különböző múltbeli felhasználások figyelembevételével 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 osztályba sorolnak a gyártók alapján (1. melléklet táblázat). Szándékosan tartalmaztunk eltérő múltbeli felhasználású akkumulátorokat, a laboratóriumi tesztektől az elektromos járművek vezetési profiljaiig, hogy egy általános modellt képezzünk az akkumulátor-újrahasznosító számára, függetlenül a múltbeli felhasználásoktól és az akkumulátortípusoktól. 52 A standardizáláshoz az újrahasznosítótól minden adat a jelenleg vizsgált (mezőteszt) ciklusra vonatkozik, egy teljes töltési-kisütési teszttel, amely a gyakorlati esetekben könnyen megvalósítható. A vizsgált adatokat először zajszűréssel tisztítjuk a hiányzó értékek kitöltésével, a kiugró értékek helyettesítésével és a medián szűrés alkalmazásával. Az emberi eredetű és a katód-heterogenitás által okozott zajokat azonban szándékosan megtartjuk, hogy a modell ellenálló legyen a tökéletlen bemenetekkel szemben. Az adatokat ezután lineáris interpolációval töltjük ki (1. melléklet ábra) és jellemzőket nyerünk ki a dimenzió csökkentése érdekében, egységes standardizálási paraméterekkel (1. melléklet jegyzet). A standardizálási folyamatból kinyert jellemzők jól értelmezhetők, ami jelentős kereskedelmi érdeklődésre tart számot. Tudomásunk szerint ez az első alkalom, hogy több forrásból és múltbeli felhasználásból származó heterogén akkumulátoradatokat használnak fel az akkumulátor-újrahasznosítási stratégia tervezésének támogatására. A 2. ábra a és b pontjai a jellemzők kinyerési folyamatát mutatják be. Az akkumulátorok utolsó ciklusának töltési és kisütési görbéjére összpontosítunk, azaz egy töltési és egy kisütési ciklusra (2-5. melléklet ábrák). A töltési ciklusban 15 jellemzőt nyerünk ki a feszültség-kapacitás és a dQ/dV görbékből, ahol V és Q a feszültség és kapacitás értékeket jelölik. Ugyanazt a jellemzőkészletet nyerjük ki a kisütési ciklusra is. Ennek eredményeként összesen 30 jellemzőt nyerünk ki, F1-től F30-ig. A jellemzők részletes magyarázatát lásd a 2. melléklet táblázatban és a 1. melléklet jegyzetben. A 2. ábra c pontja a kiválasztott akkumulátorok abszolút és relatív jellemzőértékeit mutatja be osztályonként. A különböző osztályokban szereplő relatív jellemzőértékek többsége a -1 és 0 közötti régióban (világoszöld színnel) átfed, és megkülönböztethetetlen, ami illusztrálja az akkumulátor típusának egyetlen akkumulátoradat-ciklus felhasználásával történő osztályozásának nehézségét. A nehézség várható, mert a különböző múltbeli működési feltételek befolyásolhatják az akkumulátorok töltési-kisütési kinetikáját, így a kinyert jellemzők nagymértékben korrelálhatnak a különböző akkumulátortípusok ellenére (6. melléklet ábra). A kinyert jellemzők közvetlen értelmezése helyett szakértői tudás felhasználásával, egy alternatív adatvezérelt megközelítést alkalmazunk, amely automatikusan kihasználja a különböző akkumulátortípusok közötti rejtett mintákat.    A töltési folyamat során 15 jellemzőt nyerünk ki a feszültség-kapacitás (balra) és a dQ/dV görbe (jobbra) alapján.   Ugyanaz a jellemzőkészlet van a kisütési folyamatra is, mint F16-tól F30-ig.   A jellemzőket osztályok szerint vizualizáljuk, a CxBn formátumot követve, ami az x. osztály n-edik akkumulátorát jelöli. A kör mérete az abszolút jellemző értékét jelzi. Forrásadatok: Forrás Adat fájl. a b c Leszerelt akkumulátor válogatás homogén adat-hozzáféréssel Először olyan helyzetet vizsgálunk, ahol az akkumulátoradatok homogén módon oszlanak el a közreműködők között (azaz az ügyfelek). A homogenitás azt jelenti, hogy minden ügyfél az összes 9 osztályra vonatkozó akkumulátoradatokat kínál fel megosztásra, bár az akkumulátorok konkrét száma nem korlátozott (3. melléklet táblázat). Szövetségi gépi tanulási modellünket az elhasznált akkumulátorok múltbeli használatára vonatkozó információk megkövetelése nélkül képezzük. Munkánkban az újrahasznosító és az ügyfeleknek csak a jelenlegi (mezőteszt) ciklusban kell tesztelniük az elhasznált akkumulátorokat, pontosabban egy teljes töltési-kisütési ciklusra, egy szabványos jellemzők kinyerési folyamathoz, amelyet az újrahasznosító kezdeményez.

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 telep hulladékot nagy nyereséggé alakíthatja

About Author

HOZZÁSZÓLÁSOK

HANG TAGOK

EZT A CIKKET BEMUTATTA

Related Stories

And now the important day of the election had arrived

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

Of The First and Last Things: Part 4

HackerNoon Social Media Presence: A Complete Guide

And now the important day of the election had arrived

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

Of The First and Last Things: Part 4

HackerNoon Social Media Presence: A Complete Guide

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps