
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 azok katódspecifikus jellege miatt. A leselejtezett akkumulátorok növekvő száma precíz válogatást igényel a hatékony közvetlen újrahasznosításhoz, de kihívásokat jelentenek a különböző működési előzmények, a különböző gyártók és az újrahasznosítási együttműködők (adatok tulajdonosai) adatvédelmi aggályai. Itt bemutatunk egy 130 lítium-ion akkumulátorból álló, 5 katódanyagot és 7 gyártót felölelő egyedi adatkészlet alapján egy szövetségi gépi tanulási megközelítést, amely képes osztályozni ezeket a leselejtezett akkumulátorokat a múltbeli működési adatokra való támaszkodás nélkül, megőrizve az újrahasznosítási együttműködők adatvédelmét. A lemerült töltés-kisütés ciklusból kinyert jellemzők felhasználásával modellünk 1%-os és 3%-os katódszűrési hibát mutat homogén és heterogén akkumulátor-újrahasznosítási beállítások mellett, ami a vizesztávin távolság szavazási stratégiánknak köszönhető. Gazdaságilag a javasolt módszer aláhúzza a precíz akkumulátorválogatás értékét egy virágzó és fenntartható újrahasznosítási iparág számára. Ez a tanulmány egy új paradigmát hirdet a különböző forrásokból származó, adatvédelmet érzékeny adatok felhasználásával kapcsolatban, elősegítve az elosztott rendszerek együttműködő és adatvédelmet tiszteletben tartó döntéshozatalát. Bevezetés A lítium-ion akkumulátorok (LIB-ok), mint energiatároló eszközök, széles körben elterjedtek különböző területeken, az ipari termeléstől a mindennapi életig, mint elfogadott műszaki megoldás. Az előrejelzések szerint a LIB-ok globális termelési mértéke meghaladja az 1,3 TWh-t 2030-ra , amikor is az akkumulátorok növekvő kereslete messze meghaladja a létfontosságú fém erőforrások, mint a lítium és a kobalt elérhetőségét , . Azonban a LIB termékek jelenlegi átlagos élettartama 5–8 év, ami sok országban a leselejtezett akkumulátorok küszöbön álló áradatához vezet. Ha nem kezelik megfelelően, a leselejtezett akkumulátorok fenntarthatatlan erőforrás-pazarlást és környezeti károkat okoznak. Ezekben a körülményekben az akkumulátor-újrahasznosítási technológia fejlesztése kulcsfontosságúvá válik, ahogy szembenézünk a LIB-ok leselejtezésének közeledő áradatával . 1 2 3 4 Az akkumulátor-újrahasznosítási kutatások legújabb eredményei a pirometallurgiai, hidrometallurgiai és közvetlen újrahasznosítási megközelítésekre összpontosultak . Ellentétben a pirometallurgiai és hidrometallurgiai módszerekkel, a közvetlen újrahasznosítás különálló megközelítésként áll ki. Ez a folyamat nem okoz másodlagos károsodást az anyag szerkezetében, lehetővé téve a hatékonyabb szerkezeti javítást és teljesítmény-visszaállítást. Ezenkívül a közvetlen újrahasznosítás magasabb jövedelmezőséget mutat, mivel alacsonyabb energiafogyasztást, csökkentett üvegházhatású gázkibocsátást és kisebb környezeti lábnyomot eredményez , . A tényleges termelésben azonban az akkumulátor-újrahasznosítók gyakran találkoznak ismeretlen összetételű LIB-okkal, vagy különböző katódanyag-típusok keverékéből álló akkumulátor-modulokkal. Figyelembe véve, hogy a közvetlen újrahasznosítás erősen katódspecifikus lehet, ez a komplexitás lehetetlenné teszi a közvetlen újrahasznosítás alkalmazását a leselejtezett akkumulátorok értékátalakításának elérése érdekében . Kiemelendő, hogy még akkor is, ha a különböző katódanyag-típusok létfontosságú fémjeit a hagyományos újrahasznosítási stratégiák segítségével ki lehet nyerni, a különböző katódanyagok közötti kölcsönhatás az újrahasznosítási folyamat során kedvezőtlenül befolyásolhatja a termék minőségét . Ezért a katódanyag típusának információja az újrahasznosítási oldalon jelentősen befolyásolja a közvetlen újrahasznosítási útvonal választását, és végső soron javítja a termék minőségét, jövedelmezőségét és fenntarthatóságát. 5 6 7 8 9 Az emberi segítséggel végzett közvetlen újrahasznosítást javasolták a leselejtezett akkumulátorok katódanyag-típusának információinak azonosítására az előkezelési láncszemben, ami továbbra sem pénzügyileg életképes az újrahasznosítási iparág növekedésekor . A leselejtezett akkumulátorok katód típusának információinak hatékony visszanyerése érdekében a tudományos és ipari közösség nemrégiben elindított egy akkumulátor-élettartam nyomkövető rendszert , valamint olyan feltörekvő koncepciókat, mint az akkumulátor útlevél  és az akkumulátor adatgenom . Bár jelentős számú akkumulátort használtak fel ezek előtt a kezdeményezések előtt, egyre inkább elterjedt az a nézet, hogy az akkumulátor információknak elérhetőnek kell lenniük a teljes életciklus során a másodlagos felhasználási döntések elősegítése érdekében . Ez különösen igaz az akkumulátor-újrahasznosítási szektorra, az akkumulátor másodlagos élettartamának utolsó állomására, mivel az újrahasznosítási útvonal erősen katódspecifikus lehet. Az akkumulátor-élettartam nyomkövető rendszerek vagy akkumulátor-útlevelek azonban olyan elektronikus eszközökkel működnek, mint a vonalkódok és a közelterű kommunikációk, amelyek intenzív befektetést igényelhetnek, és széles körben össze nem egyeztethetők lehetnek a különböző akkumulátorgyártókkal. Ezenkívül az elektronikus eszközök kezelése élettartamuk során továbbra is kihívást jelent, ami elhasználódott eszközökhöz és az újrahasznosítási szakaszban való elérhetetlenséghez vezethet, mivel a LIB-ok modern gyártási folyamata továbbra sem integrált a termelés-újrahasznosítás között . Ezért sürgősen további áttörésekre van szükség az akkumulátor katód típusának hatékony válogatásának eléréséhez, csak könnyen hozzáférhető terepi információk felhasználásával , , szemben a történelmi adatokkal vagy az emberi asszisztenciával, elősegítve a közvetlen újrahasznosítás elfogadását az újrahasznosított 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 megoldásában. Más akkumulátorokkal kapcsolatos témákban a gépi tanulás nemrégiben lehetővé tette számunkra, hogy automatikusan felfedezzünk komplex akkumulátor mechanizmusokat , , , becsüljük meg a hátralévő hasznos élettartamot , , , , , értékeljük az egészségi állapotot , , , optimalizáljuk a ciklusprofilt , , becsüljük meg a hibaeloszlást , sőt, még az akkumulátor tervezésének irányítására is , , és közvetlenül a gyártás után becsüljük meg az élettartamra vonatkozó teljesítményt . Az akkumulátor-újrahasznosítás esetében kevés munka foglalkozott gépi tanulással a katódanyagokkal kapcsolatban , , ami az akkumulátor adatok hiányát okolja, különösen a leselejtezésig használtak esetében. A publikált tanulmányok túlnyomó többsége nagyon korlátozott mintaméretet mutat , és még jobban korlátozott az akkumulátorok katód sokféleségében . A hiányt a intenzív költségek, a hosszú tesztidő , és ami a legfontosabb, az adatvédelem, kereskedelmi vagy érdekelt felekkel kapcsolatos aggályok miatt magyarázzák. Következésképpen az adatvédelmi probléma merevíti azt a dilemmát, hogy a meglévő akkumulátoradatok, bár jelentős mennyiségűek és sokrétűek több féltől, mint például akkumulátorgyártók, gyakorlati alkalmazások, egyetemi intézmények és harmadik féltől származó platformok, nem oszthatók meg. Ez a dilemma megköveteli a katódanyag válogatásának tanulmányozását az akkumulátor újrahasznosítási útvonal választásának 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 megőrző paradigma, potenciálisan megoldhatja mind a több féltől származó együttműködés (egyenértékűen, az akkumulátor adatok mennyisége és sokfélesége), mind az adatvédelmi problémákat az együttműködő gépi tanulás révén , , . Minden képzési iterációban az elosztott adattulajdonosok helyi képzést végeznek a 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 az adatokat tulajdonosaikat, és az átvitt paraméterek/eredmények megfelelően titkosítottak az adatvédelem biztosítása érdekében. A szövetségi gépi tanulást kiterjedten vizsgálták számos alkalmazási területen, beleértve a közegészségügyet , , a klinikai diagnosztikát , , , az e-kereskedelmet , a dolgok internetét , a mobil számítástechnikát , és az okos hálózatot , , . Ez a megközelítés forradalmasíthatja az adatvezérelt kutatási paradigmát a széles körű energiaszektorokban az adatvédelmet megőrző együttműködés lehetővé tételével, különösen azok számára, akik korlátozott adathozzáféréssel rendelkeznek. Az akkumulátor-újrahasznosítási szektorral kapcsolatban a szövetségi gépi tanulás ígéretes lehetőségeket kínál a már létező, de adatvédelmi aggályok miatt meg nem osztható akkumulátoradatok hatalmas mennyiségének kihasználására. Ilyen együttműködő, miközben adatvédelmet megőrző paradigmával a leselejtezett akkumulátorok válogatása nagy pontossággal, hatékonysággal, skálázhatósággal és általánosíthatósággal valósítható meg, optimalizálva az újrahasznosított termékek minőségét és jövedelmezőségét. Tudomásunk szerint az akkumulátor-újrahasznosításra összpontosító 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 a leselejtezett akkumulátorok katódanyag válogatását végezzük el, kihasználva a több együttműködőtől származó meglévő akkumulátoradatokat, mint például akkumulátorgyártók, gyakorlati alkalmazás üzemeltetők, egyetemi kutatóintézetek és harmadik féltől származó platformok, együttműködő, miközben adatvédelmet megőrző gépi tanulási módon, amint az az 1. ábrán látható. . Szövetségi gépi tanulási modellünket csak egy ciklus terepi tesztelési adaton keresztül, szabványosított jellemzők kinyerési folyamattal képzettük, az előzetes működési feltételek előzetes ismerete nélkül. Összehasonlítjuk a szövetségi gépi tanulási modellünk prediktív erejét a helyi adatokon alapuló, függetlenül tanult helyi modellekkel, mind homogén, mind heterogén akkumulátor-újrahasznosítási körülmények között. A heterogenitási problémát a javasolt vizesztávin távolság szavazási stratégia oldja meg. Gazdasági értékelést végzünk a leselejtezett akkumulátor-újrahasznosításról a javasolt szövetségi gépi tanulási keretrendszer felhasználásával, kiemelve a leselejtezett akkumulátorok pontos válogatásának relevanciáját és szükségességét. Alaposabban megvitatjuk a modell értelmezhetőségét, az akkumulátor-újrahasznosítási következményeket és a jövő akkumulátor-újrahasznosítási gyakorlatának szélesebb kilátásait, integrálva a szövetségi gépi tanulással. 1    Több adatközvetítő, mint például akkumulátorgyártók (Kép forrása: Addionics), gyakorlati alkalmazás üzemeltetők (akkumulátorcsomag egy Tesla padlólemezen. Kép forrása: Tesla), egyetemi kutatóintézetek és harmadik féltől származó platformok, adományozók lehetnek. Az akkumulátoradatok nem cserélnek gazdát az adományozók között, és nem kerülnek feltöltésre az akkumulátor-újrahasznosítóhoz. Ehelyett az adományozók helyi modelleket képeznek, és megosztják a modellparamétereket az akkumulátor-újrahasznosítóval egy globális modell felépítéséhez. A javasolt vizesztávin távolság szavazási technika integrálja a helyi modelleket a globális modellbe, amely robusztus az adatok egyenlőtlenségére és zajára. Az akkumulátor-újrahasznosítók használhatják az együtt felépített modellt az akkumulátorok válogatására, a könnyen hozzáférhető terepi tesztelési adatokkal kombinálva.   Szövetségi gépi tanulási keretrendszerünk arra ösztönzi az együttműködőket, hogy osszák meg az adatokat, miközben megőrzik az adatvédelmet, ellentétben a hagyományos adatzigetelés paradigmájával. a b Eredmények Adatgyűjtés és standardizálás A különböző akkumulátortípusokban rejlő egyedi akkumulátorkinetika gyakran magas dimenziós és nehezen jellemezhető, eltérő működési esetek, gyártási eltérések és korábbi felhasználások miatt . Ennek a dilemmának a megoldására 130 leselejtezett akkumulátort gyűjtöttünk és standardizáltunk 5 katódanyag típussal, 7 gyártótól, hogy egy eloszlásból kivett, egyenértékűen heterogén adatkészletet hozzunk létre. A különböző korábbi felhasználások miatt 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, amelyek további 9 osztályba sorolhatók a gyártók alapján (kiegészítő táblázat ). Szándékosan tartalmazunk eltérő korábbi felhasználású akkumulátorokat, a laboratóriumi tesztektől az elektromos járművek vezetési profiljaiig, hogy egy általános modellt képezzünk az akkumulátor-újrahasznosító számára, függetlenül a korábbi felhasználásoktól és az akkumulátortípusoktól. 52 1 A standardizálás érdekében minden adat a gyűjtőnél a jelenleg vizsgált (terepi tesztelésű) ciklusból származó egy töltési és kisütési tesztet igényel, ami gyakorlati esetekben könnyen megvalósítható. A vizsgált adatokat először zajszűréssel tisztítjuk hiányzó értékek kitöltésével, kiugró értékek cseréjével és medián szűréssel. Az emberi és katód-heterogenitás által okozott zajokat azonban szándékosan megtartjuk, hogy a modell robusztus legyen a nem tökéletes bemenetekkel szemben. Az adatokat ezután lineárisan interpoláljuk a görbe kitöltéséhez (kiegészítő ábra ) és jellemzőkkel látjuk el a dimenziócsökkentés érdekében, szabványosított jellemzőparaméterekkel (kiegészítő megjegyzés ). A standardizálási folyamatból kinyert jellemzők jól értelmezhetők, ami jelentős kereskedelmi érdeklődésre tart számot. Tudomásunk szerint ez az első alkalom, hogy több forrásból és korábbi felhasználásokból származó heterogén akkumulátoradatokat használnak fel az akkumulátor újrahasznosítási stratégia tervezésének segítésére. 1 1 A 2. ábra a  jellemzők kinyerési folyamatát mutatja be. Az akkumulátorok utolsó ciklusában, azaz egy töltési és egy kisütési ciklusában a töltési és kisütési görbére összpontosítunk (kiegészítő ábrák – ). A töltési ciklusban 15 jellemzőt vonunk ki a feszültség-kapacitás és a dQ/dV görbékből, ahol V és Q a feszültség és kapacitás értékeket jelöli. Ugyanazt a jellemzőkészletet vonjuk ki a kisütési ciklusra is. Ennek eredményeként összesen 30 jellemzőt vonunk ki, F1-től F30-ig. A jellemzők részletes magyarázatát lásd a kiegészítő táblázatban  és a kiegészítő megjegyzésben . A 2. ábra c ábrája bemutatja a kiválasztott akkumulátorok abszolút és relatív jellemzőértékeit minden osztályból. A legtöbb relatív jellemzőérték a különböző osztályokban a -1 és 0 közötti régióban (világoszöld színnel) átfed, és megkülönböztethetetlen, ami szemlélteti az akkumulátor típusának osztályozási nehézségét egyetlen akkumulátoradat ciklus alapján. A nehézség várható, mivel az eltérő korábbi működési feltételek befolyásolhatják az akkumulátorok töltés-kisütési kinetikáját, így a kinyert jellemzők nagymértékben korrelálhatnak a különböző akkumulátortípusok ellenére (kiegészítő ábra ). Ahelyett, hogy közvetlenül szakértői tudással értelmeznénk a kinyert jellemzőket, alternatív adatvezérelt megközelítést alkalmazunk, amely automatikusan kihasználja a különböző akkumulátortípusok közötti rejtett mintákat. 2 2 5 2 2 2 6    A töltési folyamathoz 15 jellemzőt vonunk ki a feszültség-kapacitás (balra) és a dQ/dV görbéből (jobbra).   Ugyanaz a jellemzőkészlet van a kisütési folyamath a b

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 hatalmas profitot hozhat az akkumulátorhulladékból

About Author

HOZZÁSZÓLÁSOK

HANG TAGOK

EZT A CIKKET BEMUTATTA

Related Stories

HackerNoon Raises $250k at $50M Valuation From Forward Research

On OpenAI Failed Board Coup of Sam Altman & the Danger of Leaving AI Fate in the Hands of a Few

A SECOND ENIGMA

THE LAST DAY OF NEW YORK

HackerNoon Raises $250k at $50M Valuation From Forward Research

On OpenAI Failed Board Coup of Sam Altman & the Danger of Leaving AI Fate in the Hands of a Few

A SECOND ENIGMA

THE LAST DAY OF NEW YORK

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps