
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Szerzők: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Shengyu Tao Ruifei Ma Zixi Zhao Guangyuan Ma Lin Su Heng Chang Yuou Chen Haizhou Liu Zheng Liang Tingwei Cao Haocheng Ji Zhiyuan Han Minyan Lu Huixiong Yang Zongguo Wen Jianhua Yao Rong Yu Guodan Wei Yang Li Xuan Zhang Tingyang Xu Guangmin Zhou Összefoglalás A használt akkumulátorok állapotának (SOH) gyors és pontos becslése kulcsfontosságú előkezelés az újrafelhasználás és újrahasznosítás szempontjából. Az adatközpontú módszerek azonban kimerítő adatkezelést igényelnek véletlenszerű SOH és töltöttségi állapot (SOC) mellett. Itt megmutatjuk, hogy a generatív tanulás által segített SOH becslés ígéretes aデータのhiány és a heterogenitás problémáinak enyhítésében, amit 2700 használt lítiumion-akkumulátor-minta impulzusinjekciós adatkészlete támaszt alá, amely 3 katódanyag-típust, 3 fizikai formátumot, 4 kapacitási kialakítást és 4 történelmi felhasználást foglal magában, 10 SOC-szinttel. A generált adatok felhasználásával egy regresszor pontos SOH-becsléseket valósít meg, átlagos abszolút százalékos hibával (MAPE) 6% alatt, ismeretlen SOC-nál. Arra számítunk, hogy a javasolt technika egységes bevezetése esetén ez 4,9 milliárd USD megtakarítást jelent az villamosenergia-költségekben és 35,8 milliárd kg CO2-kibocsátást az adatkezelési költségek csökkentésével egy 2030-as globális akkumulátor-újrahasznosítási forgatókönyv esetében. Ez a cikk kiemeli, hogy a korlátozott adatok felhasználhatók a kiterjesztett adatterek feltárására generatív módszerekkel, mivel az adatok időigényesek, drágák és környezetszennyezőek lehetnek sok becslési és prediktív feladat esetében. Bevezetés A közlekedés villamosítása, amely az alacsony szén-dioxid-kibocsátású energiaátállás kritikus ágazata , példátlanul átalakította a fosszilis tüzelőanyagokon alapuló közlekedési paradigmát. A lítiumion-akkumulátorok létfontosságúak ebben az átállásban, mivel megfizethető, tartós és biztonságos energiaellátást biztosítanak az elektromos járművek (EV-k) számára , . A használatban lévő és élettartamuk végén járó EV-akkumulátorok teljes kapacitása meghaladhatja a 32–62 terrawattot 2050-re, jóval magasabb, mint a Nemzetközi Megújuló Energia Ügynökség és a Storage Lab forgatókönyveiben becsült . Azonban az élettartamuk végén járó EV-akkumulátorokat szigorúan szabályozzák, és hatalmas maradék kapacitásuk értékét kevéssé hasznosítják, tipikusan a névleges kapacitás több mint 80%-át , . Ha nem kezelik megfelelően, ez gazdasági terheket ró a gyártókra és a felhasználókra , valamint további környezeti és társadalmi problémákat okoz , beleértve az erőforrás-pazarlást, az ellátási lánc kockázatait és a szén-dioxid-kibocsátást , , . 1 2 3 4 5 6 7 8 9 10 11 Az akkumulátor-újrahasznosítások időszakos növekedésével kapcsolatos aggályok kezelésére ígéretes stratégiák az újrafelhasználás , , és az újrahasznosítás . Az újrafelhasználás során az élettartamuk végén járó akkumulátorokat olyan alkalmazásokra hasznosítják újra, mint a hálózatra kapcsolt energiatároló rendszerek , lakossági áramellátás és alacsony sebességű járművek. Az újrafelhasználás azonban előzetes előkezelést igényel, beleértve a következetességi szűrést , a kapacitás szerinti válogatást és az újragruppálást , a követelményeknek való megfelelés érdekében . Annak ellenére, hogy elindultak a kísérleti programok , , , a felhasználási forgatókönyvek és az élettartam végi útvonalak szigorú szabványainak hiánya akadályozza a maradék kapacitás ésszerű felhasználását . Az újrahasznosítás ezzel szemben a fel nem használt értékeket használja fel az élettartamuk végén járó akkumulátorokból az anyagkinyerés vagy a szerkezeti javítás révén , , alkalmas az irreverzibilisen leépült élettartam végén járó akkumulátorok számára. A pirometallurgiához és hidrometallurgiához képest , , a közvetlen újrahasznosítás kiemelkedik a jobb jövedelmezőség, az alacsonyabb energiafogyasztás és a csökkentett szén-dioxid-kibocsátás révén , , . A lítiumutánpótlás és a katódanyagok utófeldolgozásának kihasználásával a közvetlen újrahasznosítás hatékony anyagstruktúra-javítást és teljesítmény-helyreállítást tesz lehetővé . Azonban az egészségi állapot (SOH) meghatározza a szükséges kémiai reagenst és a becsült lítium-utánpótlási dózisokat a közvetlen újrahasznosítási stratégiák megfogalmazásában , , . A nem elegendő dózis nem megfelelő javítást eredményezhet, míg a túlzott dózis maradvány-alkáli képződését okozhatja a katód felületén, rontva a helyreállítási teljesítményt , . Sajnos az SOH visszanyerése invazív anyagkarakterizálást , és hosszadalmas kapacitáskalibrációs teszteket igényel, a nem invazív, gyors és fenntartható SOH-szerzés továbbra is kiemelkedő kihívást jelent. 6 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 26 27 30 31 32 33 34 27 35 36 37 A következetes SOH információk biztosítása érdekében az EV akkumulátorokat monitorozzák, és a működési adatokat felhőplatformokon és akkumulátorútlevelekben rögzítik. Az Európai Parlament 2023. június 14-én elfogadta az Akkumulátorokról szóló irányelvet, amely biztosítja, hogy az élettartamuk végén járó akkumulátorok élettartamuk végén újrahasznosíthatók, felújíthatók vagy újrahasznosíthatók legyenek . Azonban a szükséges monitorozási és rögzítési eljárás csak az EV szervizfázisában érhető el, az élettartam végén járó akkumulátorok már nincsenek csatlakoztatva a fedélzeti monitorozó egységhez. Ezért kihívást jelent a terepen elérhető SOH adatok visszanyerése. Az élettartam-adatok integritása továbbra is nagy kihívást jelent, ami az SOH becslésének szükségességét vet fel kizárólag terepi adatok felhasználásával, szemben a történelmi adatokkal vagy ellenőrizhető körülmények között , , . Az egyik megoldás egy kapacitáskalibrációs teszt elvégzése az élettartam végén járó akkumulátorok gyűjtőhelyén, azaz a töltöttségi állapot (SOC) kondicionálása, ami egyenes, de megfizethetetlen tesztidőt és többlet villamosenergia-költséget igényel. A hibrid impulzus teljesítmény karakterizálási teszt alternatíva az SOH becslésére a dinamikus impulzusinjekció révén, de a teljes tesztszekvencia több mint 12 órát vesz igénybe. Tao és mtsai. rövid impulzusokat használtak az élettartam végén járó akkumulátorok SOH becslésére, feltételezve, hogy 5% SOC-ra történt SOC-kondicionálás, ami alig volt kompatibilis a véletlenszerű élettartam végi SOC-körülményekkel . Az érzékelőalapú mérések legújabb fejleményei közé tartozik a röntgen képalkotás , az elektrokémiai impedancia , , az optikai szálas érzékelés , , az akusztikus érzékelés , , a részleges töltés , és az impulzusinjekció , . Az érzékelőalapú technikák laboratóriumi stádiumban vannak invazív jellegük miatt, míg az impulzusinjekció bontja az akkumulátor leépülését fizikai sérülés nélkül, egyidejűleg gyorsabb, mint a részleges töltés és az elektrokémiai impedancia alapú módszerek , , , , , . Azonban az impulzusinjekció egy adatközpontú módszer, amely csak az ideális feltételezés mellett alkalmazható, hogy a fizikailag mért adatok lefedik a modell üzembe helyezési szakaszának élettartam végi körülményeit, ami az úgynevezett domain shift gyakori kihívása a gépi tanulás közösségében. Az átviteli tanulás és a domain adaptációs módszerek , , fejleményei ellenére a kihívások továbbra is fennállnak, mivel a céltartományhoz való illesztés még mindig előzetes információt igényel az üzembe helyezéskor, és a meglévő tanulási módszereket alig lehet frissíteni a véletlenszerű élettartam végi körülményekhez . Alternatív megoldás az adatesztelés méretének kiterjesztése feltáratlan élettartam végi körülmények között az adatszegénység és heterogenitás enyhítésére, ami költségnövekedést eredményezhet. Wang és mtsai. hőmérséklet-feltárási módszert javasolt a reakciókinetikai preferenciák interpolálására különböző köztes állapotokban egy termokémiai folyamat során, lehetővé téve a kiterjedt tréning adatbázisok felépítését minimális termokémiai kísérleti skálán és költséggel adatnövelésként a gépi tanulási modell tréningjéhez . Emellett a generatív tanulás is megmutatja a lehetőséget az SOH becslésére kibővített adatokkal, részben ciklusozott profilokból, megtakarítva a szükséges fizikailag tesztelt adatokat , . Azonban az akkumulátor újrafelhasználás és újrahasznosítás kontextusában az adatszegénység és a heterogenitás még összetettebb a katódanyag-típusok, fizikai formátumok, kapacitási kialakítások és történelmi felhasználások keveredése miatt, ami korlátozza a feltételekhez specifikus leépülési ismeretek gépi tanulási modellekbe való integrálásának potenciálját. Ezért ésszerű megfontolni az élettartam végi feltételek és az impulzus feszültségválaszok közötti függőségi kapcsolatot az adatgeneráláshoz, anélkül, hogy hosszú idősoros kapacitáskalibrációt és extra fizikai kísérleteket végeznénk egyidejűleg, az SOH becslési teljesítményének növelése érdekében. 38 24 39 30 40 41 41 42 43 44 45 46 47 48 49 50 17 41 17 51 52 53 54 55 56 57 58 59 60 61 62 Ebben a tanulmányban az élettartam végén járó akkumulátorok előkezelését, azaz az SOH becslését végezzük, egy attentív változatos autoenkóder által generált impulzus feszültségválasz adatok segítségével, megtakarítva a fizikai mérés idejét és költségeit. Az általános előkezelési lépések, a generatív modell tréning és a gyakorlati modell üzembe helyezési lépések magas szintű folyamatát az 1. ábra mutatja be.  . A kutatási ötlet a generatív tanulás használata a már mért adatok felhasználásához az impulzus feszültségválaszok feltárásához a folytonos élettartam végi feltételekben, azaz a SOC eloszlásban az élettartam végén járó akkumulátorok gyűjtőhelyén. Az utána következő SOH becslés fizikai méréssel nem rendelkező impulzusválasz adatok nélkül valósul meg, megtakarítva az előkezelési villamosenergia-költségeket és a szén-dioxid-kibocsátást, amelyek egyébként a SOC kondicionálásához szükségesek lennének a várt szintig. Az ampere-óra integrál módszerhez és a gépi tanulási impulzusinjekcióhoz képest a generatív tanulás gyorsabb generálási sebességet és pontos becslést hangsúlyoz. A generált adatokkal egy egyszerű regresszor sikeresen becsüli meg az SOH-t alacsony hibával ismeretlen vagy elérhetetlen SOC élettartam végi feltételek mellett az adatbázisban, ami egy kihívást jelentő out-of-distribution (OOD) probléma. Az OOD problémát az SOC kondicionálás és az impulzus által okozott feszültségválasz közötti öröklött fizikai minta megismerésével oldjuk meg. Bemutatjuk módszerünk általánosíthatóságát 2700 fizikailag mért minta alapján, 3 katódanyag-típust, 3 fizikai formátumot, 4 kapacitási kialakítást és 4 történelmi felhasználást (1 laboratóriumi gyorsított öregedés, 1 tiszta akkumulátoros EV vezetés, és 2 hibrid EV vezetés) lefedve. A generatív tanulás alkalmas interpolációra és extrapolációra azáltal, hogy integrálja az élettartam végi feltételekkel kapcsolatos előzetes ismereteket a modellparaméterek latens terének skálázásába, megtakarítva a mérési időt, a villamosenergia-költségeket és a következményes szén-dioxid-kibocsátást anélkül, hogy veszélyeztetné az SOH becslési pontosságát. Egy konzervatív globális esettanulmány az akkumulátor-újrahasznosításról 2030-ban kiemeli a gyors és fenntartható SOH becslés jelentőségét pirometallurgiai, hidrometallurgiai és közvetlen újrahasznosítási körülmények között. Technikai-gazdasági elemzés révén a generatív tanulás által segített SOH becslés 4,9 milliárd dollárt takaríthat meg a villamosenergia-költségekben és 35,8 milliárd kg CO2-kibocsátást 2030-ra globálisan. Megvitatjuk a modell értelmezhetőségét, az újrahasznosítási előkezelés következményeit, valamint a jövőbeli intelligens újrahasznosítási előkezelési irányok szélesebb aspektusait, amelyeket a gépi tanulással integrálnak. 1    A használt akkumulátor előkezelési lépései magukban foglalják a SOC kondicionálást, a fizikai méréseket, a gépi tanulást az SOH diagnózisához, és a második életű döntéshozatali folyamatot az újrafelhasználás vagy újrahasznosítás előtt. A SOC kondicionálás azt jelenti, hogy a használt akkumulátorok SOC-szintjét kívánt szintre állítják a hagyományos állandóáramú, állandófeszültségű (CCCV) módszerrel.   Az attentív változatos autoenkóder vázlata az impulzus feszültségválasz adatok generálásához.   Az adatgeneráló modell gyakorlati használata az SOH becsléséhez nem igényel további SOC kondicionálást. A képzett gépi tanulási modellt a generált adatok felügyelik, és azonnali impulzus feszültségválaszokat fogadnak az üzembe helyezés szakaszában.   A gazdasági és környezeti előnyök, valamint a gyors generálási sebesség a generatív tanulási módszertanunk által a 2030-as globális akkumulátor-újrahasznosítási forgatókönyvben a SOC kondicionálási költségek megtakarítása révén. a b c d Eredmények Adatkészlet beszerzése Az adatszegénység és a heterogenitás nagy kihívást jelentenek az adatközpontú akkumulátordiagnosztikában és -prognosztikában, különösen az élettartam végén járó akkumulátorok esetében. 2700 mintát gyűjtöttünk 270 fizikailag élettartam végén járó akkumulátorból széles SOC-tartományban, azaz 5%-tól 50%-ig, 5%-os lépésközzel. A 2. ábra   pontjában az adatkészlet 3 elterjedt katódanyag-típust tartalmaz, köztük 119 fizikailag gyűjtött NMC (nikkel-mangán-kobalt-oxid), 56 LFP (lítium-vas-foszfát) és 95 LMO (lítium-mangán-oxid) élettartam végén járó akkumulátort, 3 fizikai formátumot (hengeres, tasak, prizmás) és 4 történelmi felhasználási mintát (1 laboratóriumi gyorsított teszt, 3 EV használat, beleértve 1 tisztán villanymotoros és 2 hibrid üzemmódú hajtásláncot). Hangsúlyozzuk, hogy a rendkívül heterogén tesztminták bevonása az általunk eddig gyűjtött legnagyobb gyors impulzus alapú adatkészletté teszi az élettartam végén járó akkumulátorok SOH becsléséhez, elősegítve a modell általánosíthatóságát a fizikailag mért adatkészleteken túl. a    A használt akkumulátorok eloszlását bemutató Sankey diagram, amely magában foglalja a katódanyag-típusokat, a fizikai formátumokat, a kapacitási kialakításokat és a történelmi felhasználásokat.   Az impulzusáram és az azt követő feszültségválasz a használt akkumulátoroknál, ahol a jellemzők a fordulópontokból, azaz a feszültségválasz görbe nulla másodrendű deriváltjának pontjaiból kerülnek kinyerésre. A 21 jellemző pont, U1-től U21-ig kerül kinyerésre. A nyers adatok rögzítési frekvenciája 100 Hz. Minden impulzus között 25 másodperc pihenőidő van C-sebességben. Megjegyzendő, hogy a C-sebesség a töltési (kisütési) sebességet jelenti, amikor 1 ó 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!

Generatív mesterséges intelligencia a használt lítium-ion akkumulátorok fenntartható újrahasznosításáért

About Author

HOZZÁSZÓLÁSOK

HANG TAGOK

EZT A CIKKET BEMUTATTA

Related Stories

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

THE LAST DAY OF NEW YORK

Of The First and Last Things: Part 1

From Desk to HackerNoon: Your Ultimate Guide on How to Publish a Story

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

THE LAST DAY OF NEW YORK

Of The First and Last Things: Part 1

From Desk to HackerNoon: Your Ultimate Guide on How to Publish a Story

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps