
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 nyugdíjazott akkumulátorok állapotának (SOH) gyors és pontos becslése kulcsfontosságú előkészítő lépés az újrafelhasználás és az újrahasznosítás szempontjából. Az adatközpontú módszerek azonban kimerítő adatkezelést igényelnek véletlenszerű SOH és töltöttségi állapot (SOC) nyugdíjazási feltételek mellett. Itt bemutatjuk, hogy a generatív tanulással segített SOH becslés ígéretesnek tűnik az adatszegénység és a heterogenitási kihívások enyhítésében, amit 2700 nyugdíjazott lítium-ion akkumulátor mintán végzett impulzusinjekciós adatkészlet igazol, amely 3 katódanyag típust, 3 fizikai formátumot, 4 kapacitástípust és 4 történelmi használati mintát fed le 10 SOC szinten. A generált adatok felhasználásával egy regresszor pontos SOH becsléseket valósít meg, átlagos abszolút százalékos hibája (MAPE) 6% alatt van ismeretlen SOC mellett. Előrejelzzük, hogy a javasolt technika egységes bevezetése esetén ez 4,9 milliárd dollárt takarítana meg az áramköltségeken és 35,8 milliárd kg CO2-kibocsátást csökkentene az adatkezelési költségek mérséklésével a 2030-as globális akkumulátor-nyugdíjazási forgatókönyv esetén. Ez a cikk kiemeli a korlátozott adatok felhasználását a kiterjesztett adat tér feltárására generatív módszerekkel, tekintettel arra, hogy az adatok időigényesek, költségesek és szennyezőek lehetnek sok becslési és prediktív feladat esetén. Bevezetés A közlekedés villamosítása, amely az alacsony szén-dioxid-kibocsátású energiaátállás kritikus ágazata , példátlanul átalakította a fosszilis tüzelőanyagokon alapuló közlekedési paradigmát. A lítium-ion akkumulátorok létfontosságúak ebben az átállásban, mivel megfizethető, tartós és biztonságos energiaellátást biztosítanak az elektromos járművek (EV-k) számára , . A használatban lévő és a leselejtezett EV akkumulátorok teljes kapacitása 2050-re meghaladja a 32–62 terra-wattot, ami jelentősen magasabb, mint a Nemzetközi Megújuló Energia Ügynökség és a Storage Lab forgatókönyveiben szereplő becslés . A leselejtezett EV akkumulátorok azonban erősen szabályozottak, jelentős maradó kapacitással, amelyet általában nem használnak ki megfelelően, tipikusan a névleges kapacitás több mint 80%-a , . Ha nem kezelik megfelelően, gazdasági terheket okoz  a gyártók és a felhasználók számára, valamint további környezeti és társadalmi problémákat , beleértve az erőforrások pazarlását, az ellátási lánc kockázatait és a szén-dioxid-kibocsátást , , . 1 2 3 4 5 6 7 8 9 10 11 Az akkumulátor-leselejtezés időszakos növekedésével kapcsolatos aggályok kezelésére ígéretes stratégiák az újrafelhasználás , ,  és az újrahasznosítás . Az újrafelhasználás során a leselejtezett akkumulátorokat olyan alkalmazásokra hasznosítják újra, mint a hálózatra kapcsolt energiatároló rendszerek , lakossági áramellátás és lassú járművek. Az újrafelhasználás azonban előzetes előkezeléseket igényel, beleértve az egységesség szűrését , a kapacitás szerinti válogatást és az újra összeállítást ,  az alkalmazási követelményeknek való megfelelés érdekében . Bár elindultak kísérleti programok , , , a felhasználási forgatókönyvek és a leselejtezési utak szigorú szabványainak hiánya akadályozza a maradék kapacitás ésszerű felhasználását . Az újrahasznosítás alternatívaként a leselejtezett akkumulátorok maradék értékeit hasznosítja anyagkinyerés vagy szerkezeti javítás révén , , alkalmas az irreverzibilisen lebomlott leselejtezett akkumulátorok számára. A pirometallurgiához és hidrometallurgiához képest , , a közvetlen újrahasznosítás kiemelkedik a jobb jövedelmezőség, az alacsonyabb energiafogyasztás és a csökkentett szén-dioxid-kibocsátás terén , , . A lítium pótlás és a katódanyagok utókezelésének kihasználásával a közvetlen újrahasznosítás hatékony anyag szerkezetjavítást és teljesítmény-helyreállítást tesz lehetővé . Azonban az egészségi állapot (SOH) határozza meg a szükséges kémiai reagens és a várható lítium-pótlási dózisokat a közvetlen újrahasznosítási stratégia megfogalmazásában , , . Az elégtelen dózis hiányos javításhoz vezethet, míg a túlzott dózis a katód felületén maradó lúg keletkezéséhez vezethet, rontva a helyreállítási teljesítményt , . Sajnos, az SOH visszakeresése invazív anyagkarakterizálást igényel ,  és hosszú kapacitás kalibrációs teszteket, a nem invazív, gyors és fenntartható SOH megszerzés 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 információ biztosítása érdekében az EV akkumulátorokat figyelik, és működési adatokat rögzítenek a felhőplatformok és az akkumulátor útlevelek által. Az Európai Parlament 2023. június 14-én elfogadta az Akkumulátorokról szóló irányelvet, amely biztosítja, hogy a leselejtezett akkumulátorok élettartamuk végén újrafelhasználhatók, felújíthatók vagy újrahasznosíthatók legyenek . Azonban a szükséges felügyeleti és rögzítési eljárás csak az EV szervizfázisában érhető el, a leselejtezett akkumulátorok már nincsenek csatlakoztatva a fedélzeti felügyeleti egységhez. Ezért kihívást jelent a terepen elérhető SOH adatok visszakeresése. Az élettartam adatok integritása továbbra is nagy kihívást jelent, ami az SOH becslését csak terepi adatok felhasználásával teszi szükségessé, szemben a történelmi adatokkal vagy ellenőrzött körülményekkel , , . Az egyik megoldás a kapacitáskalibrációs teszt elvégzése a leselejtezett akkumulátorgyűjtő telephelyen, azaz a töltöttségi állapot (SOC) kondicionálása, ami egyenes, azonban megfizethetetlen tesztidőt és extra villamosenergia-költségeket igényel. A hibrid impulzus teljesítmény karakterizálási teszt alternatíva az SOH becslésére dinamikus impulzusinjekcióval, de a teljes tesztsorozat több mint 12 órát vesz igénybe. Tao et al. rövid impulzusokat használtak a leselejtezett akkumulátorok SOH becslésére, feltételezve, hogy 5% SOC-ra történő SOC kondicionálás történt, ami alig volt összeegyeztethető a véletlenszerű nyugdíjazási SOC körülményekkel . Az érzékelő alapú mérések legújabb fejleményei közé tartozik a röntgenképalkotás , az elektrokémiai impedancia , , az optikai szálas érzékelés , , az akusztikus érzékelés , , a részleges töltés , és az impulzusinjekció , . Az érzékelő alapú technikák laboratóriumi stádiumban vannak az invazív jellegük miatt, míg az impulzusinjekció az akkumulátor degradációjának bontása fizikai károsodás nélkül, egyidejűleg gyorsabb, mint a részleges töltés és az elektrokémiai impedancia alapú módszerek , , , , , . Azonban az impulzusinjekció egy adatközpontú módszer, amely csak akkor megvalósítható, ha ideális feltételezés, hogy a fizikailag mért adatok magukban foglalják a modell bevezetési szakaszának nyugdíjazási feltételeit, amit a gépi tanulási közösségben a domain shift elterjedt kihívása ismer. Az átviteli tanulás és a domain adaptációs módszerekben elért előrelépések ellenére , , , a kihívások továbbra is fennállnak, mivel a cél domainhoz való igazítás még mindig előzetes információt igényel a bevezetéskor, és a meglévő tanulási módszerek nehezen frissíthetők a véletlenszerű nyugdíjazási feltételekhez . Alternatív megoldás az adatvizsgálati skála kiterjesztése a feltáratlan nyugdíjazási feltételek mellett az adatszegénység és a heterogenitás enyhítésére, ami növekvő költségekkel járhat. Wang et al. egy hőmérséklet-feltárási módszert javasolt a reakciókinetikai preferenciák interpolálására különböző köztes állapotokban egy termokémiai folyamat során, lehetővé téve kiterjedt képzési adatbázisok felépítését minimális termokémiai kísérleti skálán és költséggel, mint adatbővítés a gépi tanulási modell képzéséhez . Ezenkívül a generatív tanulás is megmutatja a lehetőséget az SOH becslésére augmentált adatokkal, részlegesen 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, kapacitástervezések és történelmi használati minták keveredése miatt, korlátozva a feltétel-specifikus degradációs ismeretek gépi tanulási modellekbe való potenciális integrálását. Ezért ésszerű megfontolni a nyugdíjazási feltételek és az impulzus feszültségválaszok közötti függőségi kapcsolatot az adatgeneráláshoz, nem okozva hosszú idősoros kapacitáskalibrálást és extra fizikai kísérleteket 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 a leselejtezett akkumulátorok előkezelését, azaz az SOH becslését végezzük el, egy figyelmi variációs autoenkóder által generált impulzus feszültségválasz adatok felhasználásával, megtakarítva a fizikai mérés idejét és költségeit. Az általános előkezelési lépések, a generatív modellképzés és a gyakorlati modellbevezetési lépések magas szintű folyamata az 1. ábrán látható . A kutatási ötlet a generatív tanulás felhasználása a már mért adatok kiaknázására az impulzus feszültségválaszok feltárásához folyamatos nyugdíjazási feltételek mellett, azaz a SOC eloszlás a leselejtezett akkumulátorgyűjtő szakaszban. A downstream SOH becslést fizikai méréssel nyert impulzusválasz adatok nélkül valósítjuk meg, megtakarítva az előkezelési villamosenergia-költségeket és a szén-dioxid-kibocsátást, amelyek egyébként a SOC előírt szintre való kondicionálásához szükségesek lennének. Az ampera-óra integrálási módszerhez és a gépi tanulási impulzusinjekcióhoz képest a generatív tanulás gyorsabb generálási sebességet és pontos becslést hangsúlyoz. A generált adatok felhasználásával egy egyszerű regresszor sikeresen becsüli meg az SOH-t alacsony hibával ismeretlen vagy hozzáférhetetlen SOC nyugdíjazási feltételek mellett az adatbázisban, ami egy kihívást jelentő elosztási (OOD) probléma. Az OOD problémát a SOC feltétel és az impulzus által kiváltott feszültségválasz közötti örökölt fizikai minta tanulásával oldjuk meg. Bemutatjuk módszerünk általánosíthatóságát 2700 fizikailag mért mintával, 3 katódanyag típussal, 3 fizikai formátummal, 4 kapacitástípussal és 4 történelmi használati mintával (1 laboratóriumi gyorsított öregedés, 1 tiszta akkumulátoros EV vezetés és 2 hibrid EV vezetés). A generatív tanulás alkalmas interpolációra és extrapolációra azáltal, hogy integrálja a nyugdíjazási feltételekre vonatkozó előzetes ismereteket a modell paramétereinek latens terében történő skálázásába, megtakarítva a mérési időt, a villamosenergia-költségeket és a következményes szén-dioxid-kibocsátást anélkül, hogy kompromisszumot kötnénk az SOH becslés pontosságával kapcsolatban. Egy konzervatív globális esettanulmány az akkumulátor-nyugdíjazásról 2030-ban kiemeli a gyors és fenntartható SOH becslés jelentőségét pirometallurgiai, hidrometallurgiai és közvetlen újrahasznosítási körülmények között. Műszaki-gazdasági elemzésen keresztül a generatív tanulással segített SOH becslés 4,9 milliárd dollárt takaríthat meg villamosenergia-költségeken és 35,8 milliárd kg CO2-kibocsátást csökkenthet 2030-ra globálisan. Megvitatjuk a modell értelmezhetőségét, az akkumulátor-újrahasznosítás előkezelési következményeit, és a jövő intelligens újrahasznosítási előkezelési irányainak szélesebb aspektusait, gépi tanulással integrálva.    A leselejtezett akkumulátor előkezelési lépései magukban foglalják a SOC kondicionálást, a fizikai méréseket, a gépi tanulást az SOH diagnosztizálásához, és a második életre vonatkozó döntéshozatali folyamatot az újrafelhasználás vagy újrahasznosítás előtt. A SOC kondicionálás az akkumulátorok SOC-szintjének kívánt szintre állítását jelenti a hagyományos állandó áramú állandó feszültségű (CCCV) módszerrel.   Az impulzusfeszültség-válasz adatok generálásához használt figyelmi variációs autoenkóder sémája.   Az adatgeneráló modell gyakorlati felhasználása az SOH becsléséhez nem igényel további SOC kondicionálást. A betanított gépi tanulási modellt a generált adatok felügyelik, és közvetlen impulzusfeszültség-válaszokat fogadnak a bevezetési szakaszban.   Generatív tanulási módszertanunk gazdasági és környezeti előnyei, valamint gyors generálási sebessége a SOC kondicionálási költségek megtakarításával a 2030-as globális akkumulátor-nyugdíjazási forgatókönyvben. a b c d Eredmények Adatkészlet beszerzése Az adatszegénység és a heterogenitás jelentős kihívást jelentenek az adatközpontú akkumulátordiagnosztika és -prognosztika terén, különösen a leselejtezett akkumulátorok esetében. 270 fizikailag leselejtezett akkumulátorból 2700 mintát gyűjtöttünk széles SOC-szinteken, azaz 5%-ról 50%-ra 5%-os lépésközökkel. A 2. ábra (a) pontjában az adatkészlet 3 elterjedt katódanyag típust fed le, beleértve 119 fizikailag beszerzett NMC (nikkel mangán kobalt oxid), 56 LFP (lítium-vas-foszfát) és 95 LMO (lítium mangán oxid) leselejtezett akkumulátort, 3 fizikai formátumot (hengeres, tasakos, prizmás) és 4 történelmi használati mintát (1 laboratóriumi gyorsított teszt, 3 EV használat, beleértve 1 tisztán villamosított hajtáslánc üzemmódot és 2 hibrid hajtáslánc üzemmódot). Hangsúlyozzuk, hogy a rendkívül heterogén tesztminták beépítése teszi adatkészletünket a legnagyobbnak a gyors impulzusokon alapuló adatkészletek közül a leselejtezett akkumulátorok SOH becslésére a mai napig, ami elősegíti a modell általánosíthatóságát a fizikailag mért adatkészleteken túl.    A leselejtezett akkumulátorok eloszlását bemutató Sankey-diagram, amely magában foglalja a katódanyag-típusokat, a fizikai formátumokat, a kapacitástípusokat és a történelmi használati mintákat.   Impulzusáram és az azt követő feszültségválasz a leselejtezett akkumulátoroknál, ahol a jellemzőket a fordulópontokból, azaz a feszültségválasz görbe nulla másodrendű deriváltjának pontjaiból nyerjük ki. A 21 jellemző pont, az U1-től az U21-ig, kerül kivonásra. A nyers adatok rögzítési frekvenciája 100 Hz. Az impulzusok közötti pihenőidő 25 másodperc C-sebességgel. Megjegyzendő, hogy a C-sebesség a töltési (kisütési) sebességet jelenti, amikor 1 órás töltést (kisütést) végeznek. A környezeti hőmérsékletet 25 ℃-on szabályozzák.   Az SOH eloszlás (Gauss-illesztés) a 2,1 Ah és 21 Ah leselejtezett akkumulátorok esetében illusztrációként. Más 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 MI teszi lehetővé a nyugdíjazott lítium-ion akkumulátorok fenntartható újrahasznosítását

About Author

HOZZÁSZÓLÁSOK

HANG TAGOK

EZT A CIKKET BEMUTATTA

Related Stories

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

INTRODUCTION

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

Of The First and Last Things: Part 1

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

INTRODUCTION

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

Of The First and Last Things: Part 1

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps