AI Aman Privasi Ini Dapat Mengubah Limbah Baterai Menjadi Keuntungan Besar

```html Penulis: 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 Abstrak Baterai bekas yang tidak terurut dengan berbagai bahan katoda menghambat adopsi daur ulang langsung karena sifatnya yang spesifik pada katoda. Lonjakan baterai bekas memerlukan penyortiran yang tepat untuk daur ulang langsung yang efektif, tetapi tantangan muncul dari riwayat operasional yang bervariasi, produsen yang beragam, dan masalah privasi data kolaborator daur ulang (pemilik data). Di sini kami menunjukkan, dari kumpulan data unik yang terdiri dari 130 baterai lithium-ion yang mencakup 5 material katoda dan 7 produsen, pendekatan pembelajaran mesin terfederasi dapat mengklasifikasikan baterai bekas ini tanpa mengandalkan data operasional sebelumnya, sehingga menjaga privasi data kolaborator. Dengan memanfaatkan fitur-fitur yang diekstraksi dari siklus pengisian-pengosongan akhir masa pakai, model kami menunjukkan tingkat kesalahan penyortiran katoda sebesar 1% dan 3% dalam pengaturan daur ulang baterai homogen dan heterogen, masing-masing, yang diatribusikan pada strategi pemungutan suara jarak Wasserstein kami yang inovatif. Secara ekonomi, metode yang diusulkan menggarisbawahi nilai penyortiran baterai yang tepat untuk industri daur ulang yang sejahtera dan berkelanjutan. Studi ini mengawali paradigma baru penggunaan data yang sensitif terhadap privasi dari berbagai sumber, memfasilitasi pengambilan keputusan kolaboratif dan menghormati privasi untuk sistem terdistribusi. Pendahuluan Baterai ion lithium (LIB), yang berfungsi sebagai perangkat penyimpanan energi, telah banyak dimanfaatkan di berbagai domain, mulai dari produksi industri hingga kehidupan sehari-hari sebagai rute teknis yang diterima. Proyeksi menunjukkan bahwa skala produksi global LIB akan melampaui 1,3 TWh pada tahun 2030 ketika meningkatnya permintaan baterai akan jauh melampaui ketersediaan sumber daya logam vital seperti lithium dan kobalt , . Namun, masa pakai rata-rata produk LIB saat ini berkisar antara 5–8 tahun, yang menyebabkan lonjakan baterai bekas yang akan datang di banyak negara. Jika tidak dikelola dengan baik, baterai bekas akan mengakibatkan pemborosan sumber daya yang tidak berkelanjutan dan kerusakan lingkungan. Mengingat keadaan ini, pengembangan teknologi daur ulang baterai menjadi sangat penting saat kita menghadapi gelombang pensiun LIB yang akan datang . 1 2 3 4 Kemajuan terbaru dalam penelitian daur ulang baterai berfokus pada pendekatan pirometalurgi, hidrometalurgi, dan daur ulang langsung . Berbeda dengan metode pirometalurgi dan hidrometalurgi, daur ulang langsung berdiri sebagai pendekatan yang berbeda. Proses ini tidak menimbulkan kerusakan sekunder pada struktur material, memungkinkan perbaikan struktural dan pemulihan kinerja yang lebih efisien. Selain itu, daur ulang langsung menunjukkan profitabilitas yang lebih tinggi, karena melibatkan konsumsi energi yang lebih rendah, emisi gas rumah kaca yang berkurang, dan jejak lingkungan yang lebih ringan , . Dalam produksi aktual, bagaimanapun, pendaur ulang baterai sering menghadapi LIB yang terdiri dari komponen yang tidak diketahui atau modul baterai yang terdiri dari campuran berbagai jenis material katoda. Mengingat bahwa daur ulang langsung dapat sangat spesifik pada katoda, kompleksitas semacam itu membuat penerapan daur ulang langsung tidak layak untuk mencapai konversi nilai baterai bekas . Penting untuk ditekankan bahwa bahkan jika logam vital dari berbagai jenis material katoda dapat diekstraksi menggunakan strategi daur ulang konvensional, interaksi antara berbagai material katoda selama proses daur ulang dapat berdampak buruk pada kualitas produk . Oleh karena itu, pemahaman informasi jenis material katoda di sisi daur ulang sangat memengaruhi pilihan rute daur ulang langsung dan pada akhirnya meningkatkan kualitas produk, profitabilitas, dan keberlanjutan. 5 6 7 8 9 Daur ulang langsung yang dibantu manusia telah diusulkan untuk mengidentifikasi informasi jenis material katoda baterai bekas di tautan pra-perawatan, yang masih belum layak secara finansial ketika industri daur ulang berkembang . Untuk mengambil informasi jenis katoda baterai bekas secara efektif, komunitas ilmiah dan industri baru-baru ini telah memulai sistem pelacakan masa pakai baterai dan konsep yang muncul seperti paspor baterai dan genom data baterai . Meskipun sejumlah besar baterai telah digunakan sebelum inisiatif tersebut, ada konsensus yang berkembang bahwa informasi baterai harus dapat diakses di seluruh rantai kehidupan untuk memfasilitasi pengambilan keputusan kehidupan kedua . Hal ini terutama berlaku untuk sektor daur ulang baterai, stasiun terakhir kehidupan kedua baterai, karena rute daur ulang dapat sangat spesifik pada katoda. Namun, sistem pelacakan masa pakai baterai atau paspor baterai diaktifkan oleh gadget elektronik seperti kode batang dan komunikasi jarak dekat, yang dapat menimbulkan investasi intensif dan dapat sangat tidak kompatibel dengan desainer baterai yang berbeda. Selain itu, gadget elektronik tetap menantang untuk dikelola secara konsisten sepanjang masa pakainya, yang mengarah pada perangkat yang aus dan tidak dapat diakses pada tahap daur ulang karena proses manufaktur modern LIB masih belum terintegrasi dari produksi ke daur ulang . Oleh karena itu, terobosan lebih lanjut sangat dibutuhkan untuk mencapai penyortiran tipe katoda baterai yang efisien hanya menggunakan informasi lapangan yang mudah diakses , , bertentangan dengan data historis yang direkam atau cara yang dibantu manusia, memfasilitasi adopsi daur ulang langsung untuk meningkatkan kualitas dan profitabilitas produk daur ulang. 1 10 11 12 13 14 15 16 Dalam beberapa tahun terakhir, pembelajaran mesin telah muncul sebagai alat yang layak untuk mengatasi pertanyaan terbuka di semua bidang baterai. Dalam topik terkait baterai lainnya, pembelajaran mesin baru-baru ini memungkinkan kami untuk secara otomatis menemukan mekanisme baterai yang kompleks , , , memprediksi sisa masa pakai , , , , , mengevaluasi status kesehatan , , , mengoptimalkan profil siklus , , memperkirakan distribusi kegagalan , bahkan untuk memandu desain baterai , , dan memprediksi kinerja seumur hidup segera setelah manufaktur . Dalam kasus daur ulang baterai, sedikit karya yang telah menyelidiki pembelajaran mesin terkait material katoda , , yang menyalahkan kelangkaan data baterai, terutama bagi mereka yang telah melalui siklus hingga tahap akhir masa pakai. Sebagian besar studi yang diterbitkan menunjukkan ukuran sampel yang sangat terbatas dan bahkan lebih terbatas dalam keragaman katoda baterai . Kelangkaan tersebut diatribusikan pada biaya yang intensif, waktu pengujian yang lama , dan yang terpenting, privasi data karena masalah komersial atau kepentingan. Akibatnya, masalah privasi memperkuat dilema di mana data baterai yang ada, meskipun substansial dalam volume dan keragaman dari berbagai pihak seperti produsen baterai, aplikasi praktis, institusi akademik, dan platform pihak ketiga, tidak dapat dibagikan. Dilema semacam itu menuntut studi tentang penyortiran material katoda untuk mengoptimalkan pilihan rute daur ulang baterai secara kolaboratif sambil menjaga privasi. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Pembelajaran mesin terfederasi, sebagai paradigma terdistribusi dan menjaga privasi, memiliki potensi untuk menyelesaikan kolaborasi multi-pihak (secara setara, volume dan keragaman data baterai) dan masalah privasi melalui pembelajaran mesin kolaboratif , , . Dalam setiap iterasi pelatihan, pemilik data terdistribusi melakukan pelatihan lokal dengan kekuatan komputasi lokal mereka, mengenkripsi parameter/hasil model yang telah dilatih, dan mengunggahnya ke koordinator pusat untuk agregasi. Fakta bahwa kumpulan data mentah tidak pernah meninggalkan pemilik data masing-masing dan bahwa parameter/hasil yang ditransfer dienkripsi dengan benar untuk melindungi privasi data. Pembelajaran mesin terfederasi telah diselidiki secara ekstensif di banyak bidang aplikatif, termasuk kesehatan masyarakat , , diagnosis klinis , , , e-commerce , Internet of Things , komputasi seluler , dan jaringan pintar , , . Pendekatan ini dapat merevolusi paradigma penelitian berbasis data di sektor energi yang luas dengan memungkinkan kolaborasi yang menjaga privasi, terutama bagi mereka yang memiliki akses data terbatas. Mengenai sektor daur ulang baterai, pembelajaran mesin terfederasi memiliki kemungkinan yang menjanjikan untuk memanfaatkan sejumlah besar data baterai yang sudah ada tetapi tidak dapat dibagikan karena masalah privasi. Dengan paradigma kolaboratif sambil menjaga privasi, penyortiran baterai bekas dapat diimplementasikan dengan akurasi, efisiensi, skalabilitas, dan generalisasi yang tinggi, mengoptimalkan kualitas dan profitabilitas produk daur ulang. Sepengetahuan kami, studi pembelajaran mesin terfederasi yang berfokus pada daur ulang baterai belum pernah dilaporkan. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 Dalam studi ini, kami melakukan penyortiran material katoda baterai bekas, memanfaatkan data baterai yang ada dari berbagai kolaborator, seperti produsen baterai, operator aplikasi praktis, institusi penelitian akademik, dan platform pihak ketiga, dalam mode pembelajaran mesin kolaboratif sambil menjaga privasi seperti yang diilustrasikan pada Gambar . Model pembelajaran mesin terfederasi kami dilatih hanya menggunakan satu siklus data pengujian lapangan melalui proses ekstraksi fitur standar, tanpa pengetahuan sebelumnya tentang kondisi operasi historis. Kami membandingkan kekuatan prediktif model pembelajaran mesin terfederasi kami dengan model lokal yang dipelajari secara independen berdasarkan data lokal di bawah kondisi daur ulang baterai homogen dan heterogen. Masalah heterogenitas diselesaikan oleh strategi pemungutan suara jarak Wasserstein kami yang diusulkan. Evaluasi ekonomi daur ulang baterai bekas menggunakan kerangka kerja pembelajaran mesin terfederasi yang kami usulkan dilakukan, menyoroti relevansi dan perlunya penyortiran baterai bekas yang akurat. Kami secara komprehensif membahas interpretasi model, implikasi daur ulang baterai, dan prospek yang lebih luas dari praktik daur ulang baterai di masa depan yang terintegrasi dengan pembelajaran mesin terfederasi. 1 Berbagai sumber data, seperti produsen baterai (Gambar courtesy Addionics), operator aplikasi praktis (paket baterai di bagian bawah Tesla. Gambar courtesy Tesla), institusi penelitian akademik, dan platform pihak ketiga, dapat menjadi kontributor data. Data baterai tidak dipertukarkan antar kontributor maupun diunggah ke pendaur ulang baterai. Sebaliknya, kontributor data melatih model lokal dan berbagi parameter model dengan pendaur ulang baterai untuk membangun model global. Teknik pemungutan suara jarak Wasserstein yang diusulkan menggabungkan model lokal menjadi model global, yang kuat terhadap ketidakseimbangan data dan kebisingan. Pendaur ulang baterai dapat menggunakan model yang dibangun bersama untuk penyortiran baterai, dikombinasikan dengan data pengujian lapangan yang mudah diakses. Kerangka kerja pembelajaran mesin terfederasi kami mendorong kolaborator untuk berbagi data sambil menjaga privasi data sebagaimana berlaku pada paradigma pulau data tradisional. a b Hasil Pengumpulan dan standardisasi data Kinetika baterai yang unik pada berbagai jenis baterai seringkali berdimensi tinggi dan sulit dikarakterisasi karena kasus operasi yang berbeda, variabilitas manufaktur, dan penggunaan historis . Untuk menemukan solusi atas dilema ini, kami mengumpulkan dan menstandarkan 130 baterai bekas dengan 5 jenis material katoda dari 7 produsen untuk membangun kumpulan data di luar distribusi, yang setara dengan heterogen. Mengingat penggunaan historis yang berbeda, kapasitas baterai yang dikumpulkan di bawah 90% dari kapasitas nominal. Bahan katoda baterai adalah lithium cobalt oxide (LCO), nickel manganese cobalt (NMC), lithium ferrophosphate (LFP), nickel-cobalt-aluminum oxide (NCA), dan jenis campuran NMC-LCO, yang selanjutnya dikelompokkan menjadi 9 kelas berdasarkan produsen (Tabel Tambahan ). Kami sengaja menyertakan baterai dengan penggunaan historis yang berbeda, mulai dari pengujian laboratorium hingga profil mengemudi kendaraan listrik, untuk melatih model yang digeneralisasi untuk pendaur ulang baterai yang independen dari penggunaan historis dan jenis baterai. 52 1 Untuk standardisasi, semua data yang diperlukan dari pendaur ulang adalah siklus yang saat ini diuji (pengujian lapangan) dengan satu tes pengisian dan pengosongan, yang mudah diterapkan dalam kasus praktis. Data yang diuji pertama-tama dihilangkan kebisingannya dengan mengisi nilai yang hilang, mengganti outlier, dan melakukan pemfilteran median. Namun, kebisingan yang disebabkan oleh manusia dan yang disebabkan oleh heterogenitas katoda sengaja dipertahankan, agar model kuat terhadap masukan yang tidak sempurna. Data kemudian diinterpolasi secara linier untuk pengisian kurva (Gambar Tambahan ) dan direkayasa fiturnya untuk pengurangan dimensi, dengan sekumpulan parameter standardisasi yang sama (Catatan Tambahan ). Fitur yang diekstraksi dari alur kerja standardisasi mudah ditafsirkan, sebuah perhatian yang memiliki kepentingan komersial yang signifikan. Sejauh pengetahuan kami, ini adalah pertama kalinya data baterai heterogen dari berbagai sumber dan penggunaan historis digunakan untuk membantu desain strategi daur ulang baterai. 1 1 Gambar a, menunjukkan proses rekayasa fitur. Kami berfokus pada kurva pengisian dan pengosongan baterai bekas pada siklus terakhir, yaitu, satu siklus pengisian dan satu siklus pengosongan (Gambar Tambahan – ). Dalam siklus pengisian, 15 fitur diekstraksi dari kurva tegangan-kapasitas dan dQ/dV, di mana V dan Q merujuk pada nilai tegangan dan kapasitas. Set fitur yang sama diekstraksi untuk siklus pengosongan. Sebagai hasilnya, total 30 fitur diekstraksi, seperti yang ditunjukkan dari F1 hingga F30. Lihat Tabel Tambahan dan Catatan Tambahan untuk penjelasan rinci tentang fitur-fitur tersebut. Gambar c menampilkan nilai fitur absolut dan relatif dari baterai yang dipilih dari setiap kelas. Sebagian besar nilai fitur relatif di kelas yang berbeda tumpang tindih di wilayah -1 hingga 0 (dengan warna hijau muda) dan tidak dapat dibedakan, mengilustrasikan kesulitan dalam mengklasifikasikan jenis baterai menggunakan satu siklus data baterai. Kesulitan ini diharapkan karena kondisi operasi historis yang berbeda dapat memengaruhi kinetika pengisian-pengosongan baterai sehingga fitur yang diekstraksi dapat sangat berkorelasi meskipun jenis baterai berbeda (Gambar Tambahan ). Alih-alih menafsirkan langsung fitur yang diekstraksi menggunakan pengetahuan ahli, kami menggunakan pendekatan alternatif berbasis data yang secara otomatis memanfaatkan pola laten di berbagai jenis baterai. 2 b 2 5 2 2 2 6 Untuk proses pengisian, 15 fitur diekstraksi dari kurva tegangan-kapasitas (kiri) dan dQ/dV (kanan). Set fitur yang sama berlaku untuk proses pengosongan sebagai F16 hingga F30. Fitur divisualisasikan berdasarkan kelas, mengikuti format CxBn, yang menunjukkan baterai ke-n dari kelas x. Ukuran lingkaran memetakan nilai fitur absolut. Data sumber disediakan sebagai file Data Sumber. a b c Penyortiran baterai bekas dengan akses data homogen Kami pertama-tama mempertimbangkan pengaturan di mana data baterai terdistribusi secara homogen di antara kolaborator (yaitu, klien). Homogenitas berarti bahwa setiap klien menawarkan untuk berbagi data baterai di semua 9 kelas, meskipun jumlah baterai tertentu tidak dibatasi (Tabel Tambahan ). Kami melatih model pembelajaran mesin terfederasi kami tanpa memerlukan informasi tentang penggunaan historis baterai bekas. Dalam karya kami, pendaur ulang dan klien hanya perlu menguji baterai bekas pada siklus saat ini (pengujian lapangan), khususnya, dengan siklus pengisian-pengosongan lengkap untuk proses rekayasa fitur standar yang dimulai oleh pendaur ulang. Model lokal dilatih berdasarkan fitur yang diekstraksi dari data baterai pribadi mereka. Kerangka kerja pembelajaran mesin terfederasi mengagregasi parameter model lokal, daripada data baterai pribadi, agar pendaur ulang dapat mengklasifikasikan baterai bekas. 3 Gambar menunjukkan hasil penyortiran ketika klien menyumbangkan data baterai homogen. Gambar a membandingkan dua metode pembelajaran mesin terfederasi, yaitu, pemungutan suara mayoritas (MV) dan pemungutan suara jarak Wasserstein kami yang diusulkan (WDV), dengan paradigma pembelajaran independen (IL). Perlu dicatat bahwa akurasi untuk IL dirata-ratakan di semua klien secara non-federasi. Dibandingkan dengan IL, MV tidak mengorbankan kinerja penyortiran, dengan akurasi rata-rata 95%, sambil mampu melindungi privasi data dan mengurangi beban komputasi. Namun, 3 kelas salah disortir menggunakan MV. Misalnya, 3 baterai dalam NMC (SNL, kelas 8, total 15) salah disortir ke NCA (SNL, kelas 7), menghasilkan akurasi penyortiran 80%. Akurasi penyortiran untuk NCA (UL-PUR, kelas 9) adalah 81%, dengan 2 baterai salah disortir ke NMC (MICH_Form, kelas 4) dan 1 baterai salah disortir ke tipe campuran NMC/LCO (HNEI, kelas 2), masing-masing. Sebaliknya, WDV mengungguli MV karena hanya salah menyortir satu baterai, menghasilkan akurasi penyortiran 99%. Kami juga mengevaluasi probabilitas prediksi setiap kelas untuk MV dan WDV, masing-masing. Ternyata WDV membuat penyortiran lebih percaya diri daripada MV karena probabilitas prediksi WDV umumnya condong ke kanan ke nilai probabilitas yang lebih tinggi. Oleh karena itu, WDV kami menghasilkan akurasi penyortiran yang lebih tinggi di semua kelas, dan penyortiran memiliki margin kepercayaan probabilitas yang lebih kaya. 3 3 Matriks kebingungan untuk metode pemungutan suara mayoritas (MV) dan pemungutan suara jarak Wasserstein (WDV), masing-masing. Kami mempertimbangkan distribusi probabilitas prediksi untuk setiap kelas. Penyortiran pembelajaran independen (IL) dianotasi. Distribusi akurasi penyortiran dan anggaran privasi (PB) dari IL, MV, dan WDV dengan adanya kebisingan acak. Nilai PB dirujuk pada tingkat akurasi 90%. Rata-rata skor F1 dari hasil penyortiran dan PB di setiap kelas menggunakan IL, MV, dan WDV. Nilai PB semuanya dirujuk pada tingkat skor F1 0,9. Pentingnya fitur, dalam urutan menurun. Subplot menunjukkan ruang fitur yang dibentangkan oleh dua fitur paling menonjol pertama. Data disajikan sebagai nilai rata-rata ±1 standar deviasi. Data sumber disediakan sebagai file Data Sumber. a b c d Kami juga mengevaluasi anggaran privasi (PB, bagian "Metode"), dengan mempertimbangkan bahwa data klien mungkin rentan terhadap rekayasa balik dengan menguping data pribadi . Dalam hal ini, kami menambahkan kebisingan Gaussian acak ke data klien dengan intensitas yang berbeda. Intensitas keacakan dikontrol oleh rasio noise-to-signal (NSR), mulai dari 1% hingga 10%. Gambar b menunjukkan perbandingan akurasi dan anggaran privasi saat menggunakan IL, MV, dan WDV, masing-masing. Akurasi penyortiran MV menurun dari 95% menjadi 82%, mirip dengan IL ketika intensitas kebisingan meningkat dari 1% menjadi 10%. Dalam rentang kebisingan ini, akurasi penyortiran median MV dan IL masing-masing adalah 92% dan 86%. Sebaliknya, akurasi penyortiran WDV masih di atas 90% dengan adanya kebisingan 10%, yang merupakan tingkat kebisingan yang ketat dalam kasus praktis. WDV memiliki akurasi penyortiran median lebih dari 95% dalam rentang kebisingan yang sama. Dengan mengambil akurasi penyortiran rata-rata 90% sebagai tingkat referensi yang dapat diterima, nilai PB dari IL, MV, dan WDV masing-masing adalah 4, 6, dan 10. Oleh karena itu, penerapan pembelajaran mesin terfederasi menghasilkan penyortiran yang lebih aman privasi daripada IL, sehingga mampu mencegah pengupingan data. Selain itu, WDV kami yang diusulkan lebih akurat dan berkinerja jauh lebih baik (dengan nilai PB hampir dua kali lipat) dalam trade-off privasi-akurasi daripada MV. Selain itu, ketahanan terhadap kebisingan yang ketat saat menggunakan WDV juga menyiratkan toleransi yang baik terhadap persyaratan pengukuran baterai, mengurangi pengeluaran pengujian baterai yang mahal. 53 3 Memperhatikan bahwa akurasi penyortiran yang tinggi tidak selalu menyiratkan penyortiran yang dapat diterima untuk kelas tertentu, kami juga mempertimbangkan kinerja penyortiran dalam kelas. Gambar c menunjukkan F1-score dan anggaran privasi dari IL, MV, dan WDV di setiap kelas yang diprediksi; perhatikan bahwa pengaturan privasi identik dengan Gambar 3