
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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, szortírozatlan, selejtezett akkumulátorok katódspecifikus jellegük miatt akadályozzák a közvetlen újrahasznosítás elterjedését. A selejtezett akkumulátorok növekvő száma precíz szortírozást igényel a hatékony közvetlen újrahasznosításhoz, de kihívásokat jelentenek a változó működési előzmények, a különböző gyártók és az újrahasznosítási partnerek (adatkezelők) 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 ezeket a selejtezett akkumulátorokat besorolni a múltbeli működési adatokra való támaszkodás nélkül, biztosítva az újrahasznosítási partnerek adatvédelmét. Az életciklus végén keletkező töltés-kisütés ciklusból kinyert jellemzők felhasználásával modellünk 1%-os és 3%-os katód szortírozási hibát mutat homogén és heterogén akkumulátor újrahasznosítási beállítások mellett, amit innovatív Wasserstein-távolság szavazási stratégiánknak köszönhetünk. Gazdaságilag az általunk javasolt módszer aláhúzza a precíz akkumulátor szortírozás értékét egy virágzó és fenntartható újrahasznosítási iparág számára. Ez a tanulmány egy új paradigma hajnalát jelzi, amelyben a különböző forrásokból származó, adatvédelmet érzékeny adatok felhasználhatók, elősegítve a decentralizált rendszerek együttműködésen alapuló és adatvédelmet tiszteletben tartó döntéshozatalát. Bevezetés A lítium-ion akkumulátorokat (LIB), mint energiatároló eszközöket, széles körben használják különböző területeken, az ipari termeléstől a mindennapi életig, mint elfogadott technikai út. A becslések szerint a LIB globális termelési mértéke meghaladja az 1,3 TWh-t 2030-ra , amikor is az akkumulátorok növekvő kereslete messze meghaladja majd az olyan létfontosságú fémek, mint a lítium és a kobalt elérhetőségét , . Azonban a LIB termékek jelenlegi átlagos élettartama 5–8 év, ami sok országban a selejtezett akkumulátorok közelgő áradatát eredményezi. Ha nem megfelelően kezelik, a selejtezett akkumulátorok fenntarthatatlan erőforrás-pazarláshoz és környezeti károkhoz vezetnek. Ezekben a körülményekben az akkumulátor újrahasznosítási technológia fejlesztése kiemelten fontossá válik, ahogy szembenézünk a LIB selejtezésének várható áradatával . 1 2 3 4 A közelmúltbeli akkumulátor újrahasznosítási kutatások a pirometallurgiai, hidrometallurgiai és közvetlen újrahasznosítási megközelítésekre összpontosítottak . A pirometallurgiai és hidrometallurgiai módszerekkel ellentétben a közvetlen újrahasznosítás 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 jövedelmezőséget mutat, mivel alacsonyabb energiafogyasztással, csökkentett üvegházhatású gázkibocsátással és kisebb környezeti lábnyommal jár , . A tényleges termelésben azonban az akkumulátor-újrahasznosítók gyakran találkoznak ismeretlen összetevőket tartalmazó LIB-ekkel, vagy különböző katódanyag-típusok keverékét tartalmazó akkumulátor modulokkal. Figyelembe véve, hogy a közvetlen újrahasznosítás erősen katódspecifikus lehet, ilyen komplexitás lehetetlenné teszi a közvetlen újrahasznosítás alkalmazását a selejtezett akkumulátorok értékkonverziójának elérése érdekében . Fontos hangsúlyozni, hogy még akkor is, ha a vegyes katódanyag-típusokból származó létfontosságú fémek a hagyományos újrahasznosítási stratégiák segítségével kinyerhetők, a különböző katódanyagok közötti kölcsönhatás az újrahasznosítási folyamat során negatívan befolyásolhatja a termék minőségét . Ezért az újrahasznosítási oldalon a katódanyag típusának ismerete 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 történő közvetlen újrahasznosítást javasolták a selejtezett akkumulátorok katódanyag típusának azonosítására az előkezelési szakaszban, ami még mindig nem gazdaságos, amikor az újrahasznosítási iparág skálálódik . A selejtezett akkumulátorok 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 jelentős számú akkumulátor került használatba ezen kezdeményezések előtt, egyre nagyobb az egyetértés abban, hogy az akkumulátor információknak elérhetőknek kell lenniük az élettartam során a második élettartamra 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 az akkumulátor útleveleket olyan elektronikus eszközök, mint vonalkódok és közelkörzeti kommunikációk teszik lehetővé, amelyek intenzív beruházásokat igényelhetnek, és széles körben nem kompatibilisek lehetnek a különböző akkumulátor tervezőkkel. Ezenkívül az elektronikus eszközök továbbra is kihívást jelentenek az élettartamuk során történő következetes kezelés szempontjából, ami elhasználódott eszközökhöz és az újrahasznosítási szakaszban való elérhetetlenséghez vezethet, mivel a modern LIB-ek gyártási folyamata még mindig nem integrált a gyártástól az újrahasznosításig . Ezért sürgősen több áttörésre van szükség az akkumulátor katód típusának hatékony szortírozásának eléréséhez, csak könnyen hozzáférhető terepi információk felhasználásával , , szemben a rögzített történelmi adatokkal vagy az emberi segítséggel történő módszerrel, elősegítve a közvetlen újrahasznosítás elfogadását a visszanyert termékek minőségének és jövedelmezőségének javítása érdekében. 1 10 11 12 13 14 15 16 Az elmúlt években a gépi tanulás életképes eszközként jelent meg a teljes akkumulátor területen felmerülő nyitott kérdések megoldásában. Más akkumulátor-vonatkozású témákban a gépi tanulás lehetővé tette komplex akkumulátor mechanizmusok automatikus felfedezését , , , a hátralévő élettartam előrejelzését , , , , , az egészségi állapot értékelését , , , a ciklusprofil optimalizálását , , a meghibásodási eloszlás közelítését , sőt, az akkumulátor tervezésének irányítását , , és azonnali élettartam teljesítmény előrejelzését a gyártás után . Az akkumulátor újrahasznosítás esetében kevés munka foglalkozott gépi tanulással a katódanyagok tekintetében , , ami az akkumulátor adatok hiányának tudható be, különösen az életciklus végéig használt akkumulátorok esetében. A publikált tanulmányok túlnyomó többsége nagyon korlátozott mintaszámot mutat , és még ennél is korlátozottabb az akkumulátor katódok sokfélesége . A hiányosságot intenzív költségek, hosszú tesztelési idő  és legfontosabban az adatvédelem, kereskedelmi vagy érdeki okokból származó aggályok okozzák. Következésképpen az adatvédelmi probléma megmerevíti azt a dilemmát, ahol a létező akkumulátor adatok, bár terjedelmükben és sokféleségükben jelentős, több féltől, mint például akkumulátor gyártók, gyakorlati alkalmazók, tudományos intézmények és harmadik fél platformok, nem oszthatók meg. Ilyen dilemmát igényel a katódanyag szortírozás tanulmányozása az akkumulátor újrahasznosítási útvonalának optimalizálása érdekében, együttműködő, de 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 egy elosztott és adatvédelmet megőrző paradigma, potenciállal rendelkezik mind a több féltől származó együttműködés (egyenértékűen az akkumulátor adatok mennyisége és sokfélesége), mind az adatvédelmi problémák megoldására, az együttműködő gépi tanulás révén , , . Minden képzési iterációban az elosztott adatszolgáltatók helyi képzést végeznek helyi számítási kapacitásukkal, titkosítják a betanított modell paramétereit/eredményeit, és feltöltik azokat egy központi koordinátorhoz aggregálás céljából. A tény az, hogy a nyers adatkészletek soha nem hagyják el a megfelelő adatszolgáltatókat, és a továbbított paraméterek 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 intelligens hálózatot , , . Ez a megközelítés forradalmasíthatja az adatvezérelt kutatási paradigmát a széles energia szektorokban az adatvédelmet megőrző együttműködés lehetővé tételével, különösen azok számára, akik korlátozott adathozzáféréssel rendelkeznek. Az akkumulátor újrahasznosítási ágazatot illetően a szövetségi gépi tanulás ígéretes lehetőségeket kínál a már létező, de adatvédelmi okokból nem megosztható hatalmas mennyiségű akkumulátor adat felhasználására. Egy ilyen együttműködő, ugyanakkor adatvédelmet megőrző paradigmával a selejtezett akkumulátor szortírozás nagy pontossággal, hatékonysággal, skálázhatósággal és általánosíthatósággal valósítható meg, optimalizálva a visszanyert termékek minőségét és jövedelmezőségét. Tudomásunk szerint az akkumulátor újrahasznosításra összpontosító szövetségi gépi tanulási tanulmányokat még nem jelentettek. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 Ebben a tanulmányban a selejtezett akkumulátorok katódanyag szortírozását végezzük el, több együttműködő, mint például akkumulátor gyártók, gyakorlati alkalmazók, tudományos kutatóintézetek és harmadik fél platformok meglévő akkumulátor adatainak felhasználásával, egy együttműködő, ugyanakkor adatvédelmet megőrző gépi tanulási módon, amint az az 1. ábrán látható. Szövetségi gépi tanulási modellünket mindössze egy ciklus terepi tesztadatból tanítottuk meg egy szabványosított jellemzők kinyerési folyamaton keresztül, előzetes ismeretek nélkül a múltbeli működési körülményekről. Összehasonlítjuk szövetségi gépi tanulási modellünk előrejelző erejét a helyi adatokon alapuló, függetlenül tanult helyi modellekkel, mind homogén, mind heterogén akkumulátor újrahasznosítási körülmények között. A heterogenitás problémáját a javasolt Wasserstein-távolság szavazási stratégia oldja meg. Elvégezzük a selejtezett akkumulátor újrahasznosításának gazdasági értékelését a javasolt szövetségi gépi tanulási keretrendszer felhasználásával, kiemelve a selejtezett akkumulátorok pontos szortírozásának relevanciáját és szükségességét. Átfogóan megvitatjuk a modell értelmezhetőségét, az akkumulátor újrahasznosítási következményeket és a jövőbeni akkumulátor újrahasznosítási gyakorlat szélesebb kilátásait, integrálva a szövetségi gépi tanulással.    Több adatforrás, mint például akkumulátor gyártók (Kép forrása: Addionics), gyakorlati alkalmazók (akkumulátor csomag egy Tesla padlólemezén. Kép forrása: Tesla), tudományos kutatóintézetek és harmadik fél platformok, lehetnek adatszolgáltatók. Az akkumulátor adatok sem a szolgáltatók között nem cserélnek gazdát, sem az akkumulátor újrahasznosítónak nem töltik fel. Ehelyett az adatszolgáltatók helyi modelleket tanítanak, és megosztják a modell paramétereit az akkumulátor újrahasznosítóval egy globális modell felépítése érdekében. A javasolt Wasserstein-távolság szavazási technika összeolvasztja a helyi modelleket a globális modellbe, amely ellenálló az adatok egyenlőtlenségével és a zajjal szemben. Az akkumulátor újrahasznosítók használhatják az együtt felépített modellt az akkumulátorok szortírozásához, a könnyen hozzáférhető terepi tesztadatokkal kombinálva.   A szövetségi gépi tanulási keretrendszerünk ösztönzi a partnerek adatmegosztását az adatvédelem megőrzése mellett, szemben a hagyományos adat-szigetesedési paradigmával. a b Eredmények Adatgyűjtés és standardizálás A különböző akkumulátortípusok egyedi kinetikája gyakran magas dimenziós és nehezen jellemezhető a eltérő működési esetek, a gyártási variabilitás és a múltbeli felhasználások miatt . Ennek a dilemmának a megoldására 130 selejtezett akkumulátort gyűjtöttünk és standardizáltunk 5 katódanyag típusból és 7 gyártótól, hogy egy elosztott, egyenértékűen heterogén adatkészletet hozzunk létre. A különböző múltbeli felhasználások miatt a gyűjtött akkumulátorok kapacitása a névleges kapacitás 90%-a alatt van. A katód anyagok lítium-kobalt-oxid (LCO), nikkel-mangán-kobalt (NMC), lítium-vas-foszfát (LFP), nikkel-kobalt-alumínium-oxid (NCA) és NMC-LCO kevert típusok, amelyeket tovább csoportosítunk 9 osztályba a gyártók alapján (Kiegészítő táblázat  ). Szándékosan szerepeltettünk különböző múltbeli felhasználású akkumulátorokat, laboratóriumi tesztektől az elektromos járművek vezetési profiljaiig, hogy egy általános modellt tanítsunk az akkumulátor újrahasznosító számára, a múltbeli felhasználásoktól és az akkumulátortípusoktól függetlenül. 52 1 A standardizálás érdekében az újrahasznosító által igényelt összes adat az aktuálisan vizsgált (terepi tesztelésű) ciklus egy töltési és kisütési tesztjével történik, ami a gyakorlati esetekben könnyen megvalósítható. A vizsgált adatok először megtisztulnak a hiányzó értékek kitöltésével, a kiugró értékek helyettesítésével és a medián szűrés végrehajtásával. Az emberi behatások és a katód-heterogenitás okozta zajok szándékosan megmaradnak, hogy a modell ellenálló legyen a tökéletlen bemenetekkel szemben. Az adatok ezután lineárisan interpolálódnak a görbe kitöltéséhez (Kiegészítő ábra  ) és jellemzőkkel bírnak a dimenzió csökkentése érdekében, szabványosított jellemzőkkel (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 különböző múltbeli felhasználásokból származó heterogén akkumulátor adatokat használnak fel az akkumulátor újrahasznosítási stratégia tervezésének segítésére. 1 1 A 2. ábra a-b bemutatja a jellemzők kinyerési folyamatát. Az utolsó ciklusban a selejtezett akkumulátorok töltési és kisütési görbéjére összpontosítunk, azaz egy töltési és egy kisütési ciklusra (Kiegészítő ábra  – ). A töltési ciklusban 15 jellemző kerül kinyerésre a feszültség-kapacitás és a dQ/dV görbékből, ahol V és Q a feszültség és kapacitás értékeket jelöli. Ugyanazokat a jellemzőket nyerjük ki a kisütési ciklusra is. Ennek eredményeként összesen 30 jellemző kerül kinyerésre, amint azt az F1-től F30-ig jelöltük. A jellemzők részletes magyarázatát a Kiegészítő táblázat   és a Kiegészítő megjegyzés   tartalmazza. A 2. ábra c-n a kiválasztott akkumulátorok abszolút és relatív jellemzői láthatók az egyes osztályokból. A legtöbb relatív jellemző érték a különböző osztályokban a -1 és 0 közötti régióban (világos zöld színnel) átfedik egymást, és megkülönböztethetetlenek, ami illusztrálja az akkumulátor típusának klasszifikálásának nehézségét egyetlen akkumulátor adatciklus felhasználásával. 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 (Kiegészítő ábra  ). Ahelyett, hogy a kinyert jellemzőket közvetlenül szakértői tudással értelmeznénk, egy alternatív adatvezérelt megközelítést alkalmazunk, amely automatikusan kihasználja a különböző akkumulátortípusok közötti rejtett mintákat. 2 5 2 2 6    A töltési folyamathoz 15 jellemzőt nyerünk ki a feszültség-kapacitás (balra) és a dQ/dV görbéből (jobbra).   Ugyanazok a jellemzők vonatkoznak a kisütési folyamatra is, mint F16-tól F30-ig.   A jellemzők osztályok szerint vizualizálva, a CxBn formátumot követve, ami az x. osztály n. akkumulátorát jelöli. A kör mérete az abszolút jellemző értékét mutatja. A forrásadatok egy Forrásadat fájlként állnak rendelkezésre. a b c Selejtezett akkumulátor szortírozása homogén adathozzáféréssel Először egy olyan beállítást vizsgálunk, ahol az akkumulátor adatok homogén módon oszlanak el a partnerek (azaz az ügyfelek) között. A homogenitás azt jelenti, hogy minden ügyfél az összes 9 osztályra kiterjedő akkumulátor adatok megosztását kínálja, bár az akkumulátorok konkrét

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 nagy nyereséget hozhat az akkumulátorhulladékból

About Author

HOZZÁSZÓLÁSOK

HANG TAGOK

EZT A CIKKET BEMUTATTA

Related Stories

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

THE HABITS OF INSECTS IN RELATION TO THE FERTILISATION OF FLOWERS

HackerNoon Social Media Presence: A Complete Guide

Of The First and Last Things: Part 4

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

THE HABITS OF INSECTS IN RELATION TO THE FERTILISATION OF FLOWERS

HackerNoon Social Media Presence: A Complete Guide

Of The First and Last Things: Part 4

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps