
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 selejtezett akkumulátorok állapotának (SOH) gyors és pontos becslése kulcsfontosságú előkezelés az újrahasználathoz és újrahasznosításhoz. Az adatalapú módszerek azonban kimerítő adatkezelést igényelnek véletlenszerű SOH és töltöttségi állapot (SOC) visszanyerési feltételek mellett. Itt megmutatjuk, hogy a generatív tanulás által segített SOH becslés ígéretes a dataszigorítás és a heterogenitási kihívások enyhítésében, amit 2700 selejtezett lítium-ion akkumulátormintán végzett impulzusinjekciós adatkészlet igazol, amely 3 katódanyag típust, 3 fizikai formátumot, 4 kapacitástervezést és 4 történelmi használati mintát fed le 10 SOC szinten. A generált adatok felhasználásával egy regresszor pontos SOH becsléseket valósít meg, átlagos abszolút százalékos hibával (MAPE) 6% alatt ismeretlen SOC mellett. Arra számítunk, hogy a javasolt technika egységes bevezetésével ez 4,9 milliárd USD megtakarítást eredményezne az áramköltségekben és 35,8 milliárd kg CO2-kibocsátást csökkentene az adatkezelési költségek csökkentésével egy 2030-as globális akkumulátor-visszanyerési forgatókönyv esetén. Ez a cikk kiemeli a korlátozott adatok kihasználását a kiterjesztett adatér kiterjesztésére generatív módszerekkel, mivel az adatok időigényesek, drágák és szennyezőek lehetnek sok becslési és prediktív feladat esetén. Bevezetés A szállítások villamosítása, amely az alacsony szén-dioxid-kibocsátású energiaátmenet kritikus ágazata , példátlanul átalakította a fosszilis tüzelőanyagokon alapuló közlekedési paradigmát. A lítium-ion akkumulátorok létfontosságúak ebben az átmenetben azáltal, hogy megfizethető, tartós és biztonságos energiaellátást biztosítanak az elektromos járművek (EV) számára , . A használatban lévő és élettartamuk végén lévő EV akkumulátorok teljes kapacitása meghaladja a 32–62 terrawattot 2050-re, ami jelentősen magasabb, mint a Nemzetközi Megújuló Energia Ügynökség és a Storage Lab forgatókönyveiben . Azonban a selejtezett EV akkumulátorokat szigorúan szabályozzák, és hatalmas, kihasználatlan maradék kapacitásuk van, általában a névleges kapacitás több mint 80%-a , . Ha nem kezelik megfelelően, gazdasági terheket  okoz a gyártóknak és a felhasználóknak, valamint utólagos környezeti és társadalmi problémákat , beleértve az erőforrás-pazarlást, az ellátási lánc kockázatait és a szén-dioxid-kibocsátást , , . 1 2 3 4 5 6 7 8 9 10 11 A rohamosan növekvő akkumulátor-kivonás problémájának kezelésére ígéretes stratégiák az újrahasználat , ,  és az újrahasznosítás . Az újrahasználat során a selejtezett akkumulátorokat olyan alkalmazásokra hasznosítják újra, mint a hálózatra kapcsolt energiatároló rendszerek , lakossági áramellátás , és alacsony sebességű járművek. Az újrahasználat azonban előzetes előkezelést igényel, beleértve az egységesség szűrését , a kapacitás szerinti válogatást , és az újracsoportosítást ,  az alkalmazási követelményeknek való megfelelés érdekében . Annak ellenére, hogy elindultak pilotprogramok , , , a használati forgatókönyvek és a kivonási útvonalak szigorú szabványainak hiánya akadályozza a maradék kapacitás ésszerű használatát . Az újrahasznosítás alternatívaként a selejtezett akkumulátorok maradékértékeit használja fel anyagkitermelés vagy szerkezeti javítás révén , , amely az irreverzibilisen degradálódott selejtezett akkumulátorokhoz alkalmas. A pirometallurgiához és hidrometallurgiához képest , , a közvetlen újrahasznosítás kiemelkedik a jobb jövedelmezőség, az alacsonyabb energiafogyasztás és a csökkentett szén-dioxid-kibocsátás terén , , . A lítium-utánpótlás és a katódanyagok utókezelésének kihasználásával a közvetlen újrahasznosítás hatékony anyagszerkezet-javítást és teljesítményhelyreállítást eredményez . Azonban az egészségi állapot (SOH) meghatározza a szükséges vegyi reagens és a becsült lítium-pótlási adagok mennyiségét a közvetlen újrahasznosítási stratégia megfogalmazásában , , . A nem megfelelő adagolás hiányos javításhoz vezethet, míg a túlzott adagolás maradvány-alkáli képződéséhez vezethet a katód felületén, rontva a helyreállítási teljesítményt , . Sajnos az SOH visszanyerése invazív anyagkarakterizálást ,  és hosszadalmas kapacitáskalibrálási teszteket igényel, a non-invazív, gyors és fenntartható SOH megszerzés továbbra is kiemelkedő kihívás. 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 Az egységes SOH információ biztosítása érdekében az EV akkumulátorokat figyelik, és a működési adatokat felhőplatformok  és akkumulátor-útlevelek  rögzítik. Az Európai Parlament 2023. június 14-én elfogadta az akkumulátorokról szóló irányelvet, amely biztosítja, hogy a selejtezett akkumulátorok élettartamuk végén újrahasználhatók, felújíthatók vagy újrahasznosíthatók legyenek . Azonban a szükséges monitorozási és rögzítési eljárás csak az EV szervizfázisában érhető el, a selejtezett akkumulátorok már nincsenek csatlakoztatva a fedélzeti monitorozó egységhez. Ezért kihívást jelent a terepen elérhető SOH-adatok visszanyerése. Az élettartamadatok integritása továbbra is komoly kihívás, ami csak terepi adatok felhasználásával történő SOH becslést igényel, ellentétben a történelmi adatokkal vagy szabályozott körülményekkel , , . Az egyik megoldás a kapacitáskalibrálási teszt elvégzése a selejtezett akkumulátorgyűjtő területen, azaz az állapot (SOC) kondicionálása, ami egyértelmű, de megfizethetetlen tesztidőt és extra áramköltségeket igényel. A hibrid impulzus teljesítménykarakterizálási teszt alternatíva az SOH becslésére dinamikus impulzusinjekcióval, de a teljes tesztszekvencia több mint 12 órát vesz igénybe. Tao és mtsai. rövid impulzusokat használtak a selejtezett akkumulátorok SOH becslésére, feltételezve, hogy 5%-os SOC-ra történő SOC kondicionálás történik, ami alig volt összeegyeztethető a véletlenszerű kivonási SOC feltételekkel . Az érzékelő alapú mérések legújabb fejlesztései közé tartozik a röntgenképalkotás , az elektrokémiai impedancia , , az optikai szálas érzékelés , , az akusztikus érzékelés , , a részleges töltés , , és az impulzusinjekció , . Az érzékelő alapú technikák invazivitásuk miatt laboratóriumi fázisban vannak, míg az impulzusinjekció az akkumulátor degradációjának fizikai károsodás nélküli feltárását teszi lehetővé, egyidejűleg gyorsabb, mint a részleges töltés és az elektrokémiai impedancia alapú módszerek , , , , , . Azonban az impulzusinjekció egy adatközpontú módszer, amely csak akkor lehetséges, ha ideális feltételezzük, hogy a fizikailag mért adatok lefedik a modell telepítési fázisának kivonási feltételeit, ami a gépi tanulási közösségben a tartományeltolódás gyakori kihívása. Az átviteli tanulás és a tartományadaptációs módszerek , ,  fejlődése ellenére továbbra is kihívások merülnek fel, mivel a célterülethez való illesztéshez a telepítéskor továbbra is előzetes információra van szükség, és a meglévő tanulási módszerek nehezen frissíthetők véletlenszerű kivonási feltételekhez . Alternatíva az adattesztelési skála kiterjesztése a felderítetlen kivonási feltételek mellett a dataszigorítás és a heterogenitás enyhítése érdekében, bár ez megnövekedett költségekkel járhat. Wang és mtsai. hőmérséklet-kitermelési módszert javasolt a reakciókinetikai preferenciák interpolálására különböző köztes állapotokban egy termokémiai folyamat során, ami lehetővé teszi kiterjedt képzési adatbázisok felépítését minimális termokémiai kísérleti skálával és költséggel az adatkiegészítésként a gépi tanulási modell képzéséhez . Ezenkívül a generatív tanulás is demonstrálja a lehetőséget az SOH becslésére kiegészített adatokkal, amelyek részlegesen ciklusozott profilokból származnak, megtakarítva a szükséges fizikailag tesztelt adatokat , . Azonban az akkumulátor újrahasználat és újrahasznosítás kontextusában a dataszigorítás és a heterogenitás még összetettebb a katódanyag-típusok, fizikai formátumok, kapacitástervezések és történelmi használati minták keveredése miatt, ami korlátozza a feltételspecifikus degradációs ismeretek gépi tanulási modellekbe való integrálásának lehetőségét. Ezért ésszerűnek tűnik a kivonási feltételek és az impulzusfeszültség-válaszok közötti függőségi kapcsolat figyelembevétele az adatgeneráláshoz, anélkül, hogy hosszú idősoros kapacitáskalibrálást és extra fizikai kísérleteket végeznénk egyidejűleg, az SOH becslési teljesítmény javítása 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 a selejtezett akkumulátor előkezelését, azaz az SOH becslését végezzük egy figyelmi variációs autoencoder által generált impulzusfeszültség-válasz adatok felhasználásával, megtakarítva a fizikai mérés idejét és költségét. Az általános előkezelési lépések, a generatív modell képzése és a gyakorlati modell telepítési lépéseinek magas szintű folyamata az 1. ábrán . A kutatási ötlet az, hogy generatív tanulást használjunk a már mért adatok kiaknázására az impulzusfeszültség-válaszok kiterjesztéséhez folytonos kivonási feltételek mellett, azaz a SOC eloszlásban a selejtezett akkumulátorgyűjtési szakaszban. Az utána következő SOH becslést fizikai méréssel nyert impulzusválasz adatok nélkül végezzük el, megtakarítva az előkezelési áramköltségeket és a szén-dioxid-kibocsátást, amelyek egyébként a SOC előre jelzett szintre kondicionálásából származnának. Az amperóra-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 hozzáférhetetlen SOC kivonási feltételek mellett az adatbázisban, ami egy kihívást jelentő out-of-distribution (OOD) probléma. Az OOD problémát az SOC feltétel és a gyors impulzus által kiváltott feszültségválasz közötti örökölt fizikai minta tanulásával oldjuk meg. Bemutatjuk módszerünk általánosságát 2700 fizikailag mért mintán keresztül, 3 katódanyag típust, 3 fizikai formátumot, 4 kapacitástervezést és 4 történelmi használati mintát (1 laboratóriumi gyorsított öregedés, 3 EV használat, beleértve 1 tisztán elektromos hajtáslánc üzemmódot és 2 hibrid hajtáslánc üzemmódot) vizsgálva. A generatív tanulás alkalmas interpolációra és extrapolációra azáltal, hogy integrálja a kivonási feltételekre vonatkozó előzetes ismereteket a modellparaméterek latens terének skálázásába, megtakarítva a mérési időt, az áramköltségeket és a következményes szén-dioxid-kibocsátást anélkül, hogy az SOH becslési pontosságát veszélyeztetné. Egy konzervatív globális esettanulmány az akkumulátorok 2030-as kivonásáról kiemeli a gyors és fenntartható SOH becslés fontosságát pirometallurgiai, hidrometallurgiai és közvetlen újrahasznosítási körülmények között. Technikai-gazdasági elemzésen keresztül a generatív tanulás által segített SOH becslés 4,9 milliárd dollárt takaríthat meg áramköltségekben és 35,8 milliárd kg CO2-kibocsátást csökkenthet 2030-ra globálisan. Megvitatjuk a modell értelmezhetőségét, az újrahasznosítás előkezelésének következményeit, és a jövő intelligens újrahasznosítási előkezelési irányait, amelyek gépi tanulással integrálódnak.  látható    A selejtezett akkumulátor előkezelési lépései közé tartozik a SOC kondicionálás, a fizikai mérések, a gépi tanulás az SOH diagnosztikához, valamint a másodlagos élet döntéshozatali folyamata az újrahasználat vagy újrahasznosítás előtt. A SOC kondicionálás azt jelenti, hogy a selejtezett akkumulátorok SOC értékeit a hagyományos állandó áramú, állandó feszültségű (CCCV) módszerrel a kívánt szintre állítják.    Az impulzusfeszültség-válasz adatok generálásához használt figyelmi variációs autoencoder sematikus ábrája.   Az adatgeneráló modell gyakorlati felhasználása az SOH becsléséhez nem igényel további SOC kondicionálást. A képzett gépi tanulási modellt a generált adatok felügyelik, és azonnali impulzusfeszültség-válaszokat fogadnak a telepítési fázisban.   Generatív tanulási módszertanunk gazdasági és környezeti előnyei, valamint a gyors generálási sebesség a SOC kondicionálási költségek megtakarításával a 2030-as globális akkumulátor-kivonási forgatókönyvben. a b c d Eredmények Adatkészlet megszerzése Az adatínség és a heterogenitás jelentős kihívást jelentenek az adatalapú akkumulátordiagnosztikában és -prognosztikában, különösen a selejtezett akkumulátorok esetében. 2700 mintát gyűjtöttünk be 270 fizikailag selejtezett akkumulátorból széles SOC-szinteken, azaz 5% és 50% között, 5%-os lépésközzel. A 2. ábra a)  az adatkészlet 3 elterjedt katódanyag típust fed le, beleértve 119 fizikailag gyűjtött NMC (nikkel-mangán-kobalt-oxid), 56 LFP (lítium-vas-foszfát) és 95 LMO (lítium-mangán-oxid) selejtezett akkumulátort, 3 fizikai formátummal (hengeres, tasakos, prizmás) és 4 történelmi használati mintával (1 laboratóriumi gyorsított teszt, 3 EV használat, beleértve 1 tisztán elektromos hajtáslánc üzemmódot és 2 hibrid hajtáslánc üzemmódot). Hangsúlyozzuk, hogy a rendkívül heterogén tesztminták beépítése teszi adatkészletünket a legnagyobb gyors impulzus alapú adatkészletté a selejtezett akkumulátorok SOH becsléséhez napjainkig, ami elősegíti a modell általánosságát a fizikailag mért adatkészleteken túl.  pontjában    A selejtezett akkumulátor eloszlásának Sankey-diagramja, amely katódanyag-típusokat, fizikai formátumokat, kapacitástervezéseket és történelmi használati mintákat tartalmaz.   Az impulzusáram és az azt követő feszültségválasz a selejtezett akkumulátoroknál, ahol a jellemzőket a fordulópontokból, azaz a feszültségválasz görbe nulla második deriváltjának pontjaiból nyerik. A 21 jellemző pont, az U1-től az U21-ig, kerül kinyerésre. A nyers adatok rögzítési gyakorisága 100 Hz. Az impulzusok közötti pihenőidő C-sebességnél 25 másodperc. Megjegyzendő, hogy a C-sebesség kifejezés töltési (kisütési) sebességet jelent, ha 1 órás töltést (kisütést) végeznek. A környezeti hőmérsékletet 25 °C-on szabályozzák.   Az SOH eloszlás (Gauss-illesztés) a 2,1 Ah és 21 Ah-s a b c

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 nyugdíjazott lítium-ion akkumulátorok fenntartható újrahasznosításáért

About Author

HOZZÁSZÓLÁSOK

HANG TAGOK

EZT A CIKKET BEMUTATTA

Related Stories

Of The First and Last Things: Part 1

HackerNoon Social Media Presence: A Complete Guide

A SECOND ENIGMA

Találkozz Hubstaff: HackerNoon a hét társasága

Of The First and Last Things: Part 1

HackerNoon Social Media Presence: A Complete Guide

A SECOND ENIGMA

Találkozz Hubstaff: HackerNoon a hét társasága

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps