AI yang Aman Privasi Ini Dapat Mengubah Limbah Baterai Menjadi Keuntungan Besar

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 tersortir dengan berbagai material katoda menghambat adopsi daur ulang langsung karena sifatnya yang spesifik katoda. Lonjakan baterai bekas memerlukan penyortiran yang tepat untuk daur ulang langsung yang efektif, namun 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 130 baterai lithium-ion yang mencakup 5 material katoda dan 7 produsen, pendekatan pembelajaran mesin federasi dapat mengklasifikasikan baterai bekas ini tanpa bergantung pada data operasional masa lalu, menjaga privasi data kolaborator. Dengan memanfaatkan fitur yang diekstraksi dari siklus pengisian-pengosongan akhir masa pakai, model kami menunjukkan kesalahan penyortiran katoda 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 mengantarkan paradigma baru penggunaan data yang sensitif terhadap privasi dari berbagai sumber, memfasilitasi pengambilan keputusan kolaboratif dan menghormati privasi untuk sistem terdistribusi. Pendahuluan Baterai lithium-ion (LIB), yang berfungsi sebagai perangkat penyimpanan energi, telah mendapatkan pemanfaatan yang luas 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 litium dan kobalt , . Namun, masa pakai rata-rata produk LIB saat ini adalah 5–8 tahun, yang mengarah pada 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 besar baterai LIB yang pensiun . 1 2 3 4 Kemajuan terbaru dalam penelitian daur ulang baterai difokuskan pada pendekatan pirometalurgi, hidrometalurgi, dan daur ulang langsung . Berbeda dengan metode pirometalurgi dan hidrometalurgi, daur ulang langsung berdiri terpisah 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 , . Namun, dalam produksi aktual, pendaur ulang baterai sering menemui LIB yang terdiri dari komponen yang tidak diketahui atau modul baterai yang terdiri dari campuran berbagai jenis material katoda. Mengingat daur ulang langsung dapat sangat spesifik katoda, kompleksitas seperti itu membuat penerapan daur ulang langsung tidak layak untuk mencapai konversi nilai baterai bekas . Sangat penting untuk menekankan 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 secara nyata 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 dalam tautan pra-perlakuan, yang masih belum layak secara finansial ketika industri daur ulang diskalakan . Untuk mengambil informasi jenis katoda baterai bekas secara efektif, komunitas ilmiah dan industri baru-baru ini telah memulai sistem penelusuran 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 sepanjang rantai kehidupan untuk memfasilitasi pengambilan keputusan penggunaan kedua . Hal ini terutama berlaku untuk sektor daur ulang baterai, stasiun terakhir dari penggunaan kedua baterai, karena rute daur ulang dapat sangat spesifik katoda. Namun, sistem penelusuran masa pakai baterai atau paspor baterai diaktifkan oleh perangkat elektronik seperti kode batang dan komunikasi dekat-lapangan, yang dapat memperkenalkan investasi intensif dan dapat sangat tidak kompatibel dengan berbagai desainer baterai. Selain itu, perangkat elektronik tetap menjadi tantangan untuk dikelola secara konsisten sepanjang masa pakainya, yang menyebabkan perangkat usang 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 jenis katoda baterai yang efisien hanya dengan menggunakan informasi lapangan yang mudah diakses , , berlawanan 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 yang berguna , , , , , 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 pekerjaan yang telah menyelidiki pembelajaran mesin mengenai material katoda , , yang menyalahkan kelangkaan data baterai, terutama untuk yang telah disiklus 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 ini diatribusikan pada biaya intensif, waktu pengujian yang lama , dan, yang paling penting, privasi data karena alasan 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 tersebut menuntut studi tentang penyortiran material katoda untuk mengoptimalkan pilihan rute daur ulang baterai secara kolaboratif sambil mempertahankan 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 federasi, 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 federasi telah diselidiki secara ekstensif dalam berbagai bidang aplikatif, termasuk kesehatan masyarakat , , diagnosis klinis , , , e-commerce , Internet of Things , komputasi seluler , dan smart grid , , . Pendekatan ini dapat merevolusi paradigma penelitian berbasis data di sektor energi luas dengan memungkinkan kolaborasi yang menjaga privasi, terutama bagi mereka yang memiliki akses data terbatas. Mengenai sektor daur ulang baterai, pembelajaran mesin federasi 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 tinggi, efisiensi, skalabilitas, dan generalisasi, mengoptimalkan kualitas dan profitabilitas produk daur ulang. Sepengetahuan kami, studi pembelajaran mesin federasi 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, lembaga penelitian akademik, dan platform pihak ketiga, dalam mode pembelajaran mesin kolaboratif sambil menjaga privasi seperti yang diilustrasikan pada Gambar . Model pembelajaran mesin federasi 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 federasi kami dengan model lokal yang dipelajari secara independen berdasarkan data lokal dalam keadaan 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 federasi yang kami usulkan dilakukan, menyoroti relevansi dan kebutuhan 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 masa depan yang terintegrasi dengan pembelajaran mesin federasi. 1 Berbagai sumber data, seperti produsen baterai (Gambar milik Addionics), operator aplikasi praktis (paket baterai di lantai Tesla. Gambar milik Tesla), lembaga 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 ke dalam 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 federasi kami mendorong kolaborator untuk berbagi data sambil mempertahankan privasi data yang bertentangan dengan paradigma pulau data tradisional. a b Hasil Pengumpulan dan standarisasi data Kinetika baterai yang unik dalam 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 yang keluar dari distribusi, setara dengan heterogen. Mengingat penggunaan historis yang berbeda, kapasitas baterai yang dikumpulkan kurang dari 90% kapasitas nominal. Material katoda baterai adalah lithium kobalt oksida (LCO), nikel mangan kobalt (NMC), lithium ferrofosfat (LFP), nikel-kobalt-aluminium oksida (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 bagi pendaur ulang baterai terlepas dari penggunaan historis dan jenis baterai. 52 1 Untuk standarisasi, semua data yang dibutuhkan dari pendaur ulang adalah siklus yang sedang diuji (pengujian lapangan) dengan satu siklus pengisian dan pengosongan, yang mudah diimplementasikan dalam kasus praktis. Data yang diuji terlebih dahulu didenois dengan mengisi nilai yang hilang, mengganti outlier, dan melakukan penyaringan median. Kebisingan yang disebabkan oleh manusia dan kebisingan yang disebabkan oleh heterogenitas katoda sengaja dipertahankan, untuk membuat model tahan terhadap masukan yang tidak sempurna. Data kemudian diinterpolasi secara linear untuk pengisian kurva (Gambar Tambahan ) dan direkayasa fitur untuk pengurangan dimensi, dengan sekumpulan parameter standarisasi yang sama (Catatan Tambahan ). Fitur yang diekstraksi dari pipeline standarisasi dapat diinterpretasikan dengan baik, sebuah kekhawatiran yang menarik secara komersial. Sepengetahuan kami, ini adalah pertama kalinya data baterai heterogen dari berbagai sumber dan penggunaan historis digunakan untuk membantu dalam desain strategi daur ulang baterai. 1 1 Gambar a, mendemonstrasikan proses rekayasa fitur. Kami fokus 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 masing-masing merujuk pada nilai tegangan dan kapasitas. Kumpulan 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, menggambarkan 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 ). Daripada menafsirkan fitur yang diekstraksi secara langsung 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). Kumpulan fitur yang sama adalah 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 spesifik tidak dibatasi (Tabel Tambahan ). Kami melatih model pembelajaran mesin federasi kami tanpa memerlukan informasi tentang penggunaan historis baterai bekas. Dalam pekerjaan 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 federasi mengagregasi parameter model lokal, daripada data baterai pribadi, bagi pendaur ulang untuk mengklasifikasikan baterai bekas. 3 Gambar menunjukkan hasil penyortiran ketika klien berkontribusi data baterai homogen. Gambar a membandingkan dua metode pembelajaran mesin federasi, 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 jenis 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 yang lebih percaya diri daripada MV karena probabilitas prediksi WDV umumnya condong ke kanan ke nilai probabilitas yang lebih tinggi. Oleh karena itu, WDV yang kami usulkan 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 di hadapan kebisingan acak. Nilai PB direferensikan pada tingkat akurasi 90%. Rata-rata skor F1 dari hasil penyortiran dan PB di setiap kelas menggunakan IL, MV, dan WDV. Nilai PB semuanya direferensikan pada tingkat skor F1 0,9. Data disajikan sebagai nilai rata-rata ±1 standar deviasi. Pentingnya fitur, dalam urutan menurun. Subplot menunjukkan ruang fitur yang dibentang 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”), mengingat 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 dikendalikan oleh rasio kebisingan-ke-sinyal (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, median akurasi penyortiran MV dan IL masing-masing adalah 92% dan 86%. Sebaliknya, akurasi penyortiran WDV masih di atas 90% di hadapan kebisingan 10%, yang merupakan tingkat kebisingan yang ketat dalam kasus praktis. WDV memiliki median akurasi penyortiran lebih dari 95% dalam rentang kebisingan yang sama. 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, menerapkan pembelajaran mesin federasi menghasilkan penyortiran yang lebih aman privasi daripada IL, sehingga mampu mencegah penguping data. Selain itu, WDV kami yang 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 Mengingat 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 skor F1 dan anggaran privasi dari IL, MV, dan WDV di setiap kelas yang diprediksi; perlu dicatat bahwa pengaturan privasi identik dengan yang ada di Gambar 3