Questa IA a prova di privacy potrebbe trasformare i rifiuti di batterie in grandi profitti

```html Autori: 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 Abstract Le batterie dismesse non ordinate con vari materiali catodici ostacolano l'adozione del riciclo diretto a causa della loro natura specifica del catodo. L'aumento delle batterie dismesse richiede uno smistamento preciso per un riciclo diretto efficace, ma sorgono sfide a causa delle diverse storie operative, dei diversi produttori e delle preoccupazioni sulla privacy dei dati dei collaboratori al riciclo (proprietari dei dati). Qui mostriamo, da un set di dati unico di 130 batterie agli ioni di litio che coprono 5 materiali catodici e 7 produttori, che un approccio di machine learning federato può classificare queste batterie dismesse senza fare affidamento sui dati operativi passati, salvaguardando la privacy dei dati dei collaboratori al riciclo. Utilizzando le caratteristiche estratte dal ciclo di carica-scarica a fine vita, il nostro modello presenta errori di smistamento del catodo dell'1% e del 3% in condizioni di riciclo di batterie omogenee ed eterogenee rispettivamente, attribuiti alla nostra innovativa strategia di voto basata sulla distanza di Wasserstein. Economicamente, il metodo proposto sottolinea il valore dello smistamento preciso delle batterie per un'industria del riciclo prospera e sostenibile. Questo studio inaugura un nuovo paradigma di utilizzo di dati sensibili alla privacy da diverse fonti, facilitando il processo decisionale collaborativo e rispettoso della privacy per sistemi distribuiti. Introduzione Le batterie agli ioni di litio (LIB), servendo come dispositivi di accumulo di energia, hanno guadagnato un'ampia utilizzo in vari settori, dalla produzione industriale alla vita quotidiana come percorso tecnico accettato. Le proiezioni suggeriscono che la scala di produzione globale delle LIB supererà 1,3 TWh entro il 2030 quando la crescente domanda di batterie supererà di gran lunga la disponibilità di risorse metalliche vitali come litio e cobalto , . Tuttavia, la durata media attuale dei prodotti LIB è di 5-8 anni, portando a un imminente aumento delle batterie dismesse in molti paesi. Se non gestite in modo appropriato, le batterie dismesse comporteranno uno spreco insostenibile di risorse e danni ambientali. Date queste circostanze, lo sviluppo della tecnologia di riciclo delle batterie assume un'importanza cruciale mentre affrontiamo l'imminente marea di ritiri di LIB . 1 2 3 4 I recenti progressi nella ricerca sul riciclo delle batterie si sono concentrati sugli approcci pirometallurgico, idrometallurgico e di riciclo diretto . A differenza dei metodi pirometallurgici e idrometallurgici, il riciclo diretto si distingue come un approccio distinto. Questo processo non infligge danni secondari alla struttura del materiale, consentendo una riparazione strutturale e un ripristino delle prestazioni più efficienti. Inoltre, il riciclo diretto presenta una maggiore redditività, poiché comporta un minor consumo energetico, minori emissioni di gas serra e un minore impatto ambientale , . Nella produzione effettiva, tuttavia, i riciclatori di batterie incontrano frequentemente LIB che comprendono componenti sconosciuti o moduli batteria che consistono in una miscela di diversi tipi di materiali catodici. Considerando che il riciclo diretto può essere fortemente specifico del catodo, tale complessità rende inapplicabile l'applicazione del riciclo diretto per ottenere la conversione di valore delle batterie dismesse . È fondamentale sottolineare che anche se i metalli vitali da tipi di materiali catodici misti possono essere estratti utilizzando strategie di riciclo convenzionali, l'interazione tra diversi materiali catodici durante il processo di riciclo può influire negativamente sulla qualità del prodotto . Pertanto, la comprensione delle informazioni sul tipo di materiale catodico sul lato del riciclo influisce notevolmente sulla scelta del percorso di riciclo diretto e migliora in definitiva la qualità del prodotto, la redditività e la sostenibilità. 5 6 7 8 9 Il riciclo diretto assistito dall'uomo è stato proposto per identificare le informazioni sul tipo di materiale catodico delle batterie dismesse nel collegamento di pre-trattamento, che non è ancora economicamente vantaggioso quando l'industria del riciclo è in espansione . Per recuperare efficacemente le informazioni sul tipo di catodo delle batterie dismesse, la comunità scientifica e industriale ha recentemente avviato un sistema di tracciamento della durata delle batterie e concetti emergenti come passaporto della batteria e genoma dei dati della batteria . Sebbene siano state utilizzate batterie sostanziali prima di queste iniziative, c'è un crescente consenso sul fatto che le informazioni sulla batteria dovrebbero essere accessibili durante tutta la catena di vita per facilitare il processo decisionale di seconda vita . Questo è particolarmente vero per il settore del riciclo delle batterie, l'ultima stazione della seconda vita della batteria, poiché il percorso di riciclo può essere fortemente specifico del catodo. Tuttavia, i sistemi di tracciamento della durata delle batterie o i passaporti delle batterie sono abilitati da gadget elettronici come codici a barre e comunicazioni near-field, che potrebbero introdurre investimenti intensivi e potrebbero essere ampiamente incompatibili con diversi progettisti di batterie. Inoltre, i gadget elettronici rimangono difficili da gestire in modo coerente durante la loro durata, portando a dispositivi usurati e inaccessibili nella fase di riciclo poiché il moderno processo di produzione delle LIB non è ancora integrato dalla produzione al riciclo . Pertanto, sono urgentemente necessari ulteriori progressi per ottenere un efficiente smistamento del tipo di catodo della batteria utilizzando solo informazioni di campo facilmente accessibili , , al contrario dei dati storici registrati o del modo assistito dall'uomo, facilitando l'adozione del riciclo diretto per migliorare la qualità e la redditività dei prodotti riciclati. 1 10 11 12 13 14 15 16 Negli ultimi anni, il machine learning è emerso come uno strumento praticabile per affrontare domande aperte in tutti i campi delle batterie. In altri argomenti correlati alle batterie, il machine learning ha recentemente permesso di scoprire automaticamente complessi meccanismi di batteria , , , prevedere la vita utile residua , , , , , valutare lo stato di salute , , , ottimizzare il profilo di ciclaggio , , approssimare la distribuzione dei guasti , persino per guidare la progettazione della batteria , , e prevedere le prestazioni per tutta la vita subito dopo la produzione . Nel caso del riciclo delle batterie, pochi lavori hanno indagato il machine learning riguardo ai materiali catodici , , il che è da imputare alla scarsità di dati sulle batterie, specialmente per quelle ciclizzate fino alla fase di fine vita. La stragrande maggioranza degli studi pubblicati mostra dimensioni del campione molto limitate e sono ancora più limitati nella diversità dei catodi delle batterie . La scarsità è attribuita all'elevato costo, al lungo tempo di test e, soprattutto, alla privacy dei dati dovuta a preoccupazioni commerciali o di interesse. Di conseguenza, il problema della privacy irrigidisce il dilemma in cui i dati esistenti sulle batterie, sebbene sostanziali in volume e diversità da più parti come produttori di batterie, applicazioni pratiche, istituti accademici e piattaforme di terze parti, non possono essere condivisi. Tale dilemma richiede lo studio dello smistamento dei materiali catodici per ottimizzare la scelta del percorso di riciclo delle batterie in modo collaborativo e rispettoso della privacy. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Il machine learning federato, come paradigma distribuito e rispettoso della privacy, ha il potenziale per risolvere sia la collaborazione multi-parte (equivalente, il volume e la diversità dei dati delle batterie) che i problemi di privacy attraverso il machine learning collaborativo , , . In ogni iterazione di addestramento, i proprietari dei dati distribuiti eseguono l'addestramento locale con la loro potenza computazionale locale, crittografano i parametri/risultati del modello addestrato e li caricano su un coordinatore centrale per l'aggregazione. I fatti sono che i dataset grezzi non lasciano mai i rispettivi proprietari dei dati e che i parametri/risultati trasferiti sono crittografati in modo appropriato per proteggere la privacy dei dati. Il machine learning federato è stato ampiamente studiato in numerosi campi applicativi, tra cui la salute pubblica , , la diagnosi clinica , , , l'e-commerce , l'Internet delle Cose , il mobile computing e le smart grid , , . Questo approccio può rivoluzionare il paradigma di ricerca data-driven in ampi settori energetici abilitando la collaborazione rispettosa della privacy, specialmente per coloro con accesso limitato ai dati. Per quanto riguarda il settore del riciclo delle batterie, il machine learning federato assume promettenti possibilità per sfruttare l'enorme quantità di dati sulle batterie che già esiste ma non può essere condivisa a causa di preoccupazioni sulla privacy. Con un tale paradigma collaborativo e rispettoso della privacy, lo smistamento delle batterie dismesse può essere implementato con alta precisione, efficienza, scalabilità e generalizzazione, ottimizzando la qualità e la redditività dei prodotti riciclati. Per quanto ne sappiamo, non sono mai stati segnalati studi di machine learning federato focalizzati sul riciclo delle batterie. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 In questo studio, eseguiamo uno smistamento dei materiali catodici delle batterie dismesse, sfruttando i dati esistenti sulle batterie da più collaboratori, come produttori di batterie, operatori di applicazioni pratiche, istituti di ricerca accademica e piattaforme di terze parti, in modo di machine learning collaborativo e rispettoso della privacy come illustrato nella Fig. . Il nostro modello di machine learning federato è stato addestrato utilizzando un solo ciclo di dati di test sul campo tramite un processo standardizzato di estrazione delle caratteristiche, senza alcuna conoscenza pregressa delle condizioni operative storiche. Confrontiamo il potere predittivo del nostro modello di machine learning federato con quello dei modelli locali appresi in modo indipendente basati su dati locali sia in circostanze di riciclo di batterie omogenee che eterogenee. Il problema dell'eterogeneità viene risolto dalla nostra proposta strategia di voto basata sulla distanza di Wasserstein. Viene condotta una valutazione economica del riciclo delle batterie dismesse utilizzando il nostro framework di machine learning federato proposto, evidenziando la rilevanza e la necessità di uno smistamento accurato delle batterie dismesse. Discutiamo in modo completo l'interpretabilità del modello, le implicazioni per il riciclo delle batterie e le prospettive più ampie della futura pratica di riciclo delle batterie integrate con il machine learning federato. 1 Molteplici fonti di dati, come produttori di batterie (Immagine per gentile concessione di Addionics), operatori di applicazioni pratiche (pacco batteria nel pianale di una Tesla. Immagine per gentile concessione di Tesla), istituti di ricerca accademica e piattaforme di terze parti, possono essere contributori di dati. I dati delle batterie non vengono scambiati tra i contributori né caricati sul riciclatore di batterie. Invece, i contributori di dati addestrano modelli locali e condividono i parametri del modello con il riciclatore di batterie per costruire un modello globale. La tecnica proposta di voto basata sulla distanza di Wasserstein fonde i modelli locali nel modello globale, che è robusto allo squilibrio dei dati e al rumore. I riciclatori di batterie possono utilizzare il modello costruito congiuntamente per lo smistamento delle batterie, combinato con i dati di test sul campo facilmente accessibili. Il nostro framework di machine learning federato incoraggia i collaboratori a condividere i dati preservando la privacy dei dati rispetto al tradizionale paradigma dell'isolamento dei dati. a b Risultati Raccolta e standardizzazione dei dati Le cinetiche uniche delle batterie in diversi tipi di batterie sono spesso ad alta dimensionalità e difficili da caratterizzare a causa di casi operativi divergenti, variabilità di produzione e usi storici . Per trovare una soluzione a questo dilemma, abbiamo raccolto e standardizzato 130 batterie dismesse con 5 tipi di materiali catodici da 7 produttori per costruire un dataset eterogeneo fuori distribuzione, equivalentemente. Dati diversi usi storici, le capacità delle batterie raccolte sono inferiori al 90% della capacità nominale. I materiali catodici delle batterie sono ossido di litio cobalto (LCO), nichel manganese cobalto (NMC), litio ferro fosfato (LFP), ossido di nichel cobalto alluminio (NCA) e tipi misti NMC-LCO, che sono ulteriormente raggruppati in 9 classi in base ai produttori (Tabella Supplementare ). Abbiamo intenzionalmente incluso batterie con usi storici divergenti, dai test di laboratorio ai profili di guida di veicoli elettrici, per addestrare un modello generalizzato per il riciclatore di batterie indipendente dagli usi storici e dai tipi di batterie. 52 1 Per la standardizzazione, tutti i dati richiesti dal riciclatore sono il ciclo attualmente esaminato (test sul campo) con un test di carica e scarica, facile da implementare nei casi pratici. I dati esaminati vengono prima ripuliti riempiendo i valori mancanti, sostituendo gli outlier ed eseguendo un filtraggio mediano. I rumori indotti dall'uomo e indotti dall'eterogeneità del catodo vengono deliberatamente conservati, per rendere il modello robusto a input imperfetti. I dati vengono quindi interpolati linearmente per il riempimento della curva (Figura Supplementare ) e sottoposti a feature engineering per la riduzione della dimensionalità, con un set condiviso di parametri di standardizzazione (Nota Supplementare ). Le caratteristiche estratte dalla pipeline di standardizzazione sono ben interpretabili, una preoccupazione di significativo interesse commerciale. Per quanto ne sappiamo, è la prima volta che vengono utilizzati dati eterogenei di batterie da più fonti e usi storici per assistere nella progettazione della strategia di riciclo delle batterie. 1 1 La Figura a,b dimostra il processo di feature engineering. Ci concentriamo sulla curva di carica e scarica delle batterie dismesse nell'ultimo ciclo, cioè un ciclo di carica e uno di scarica (Figure Supplementari – ). Nel ciclo di carica, vengono estratte 15 caratteristiche dalle curve tensione-capacità e dQ/dV, dove V e Q si riferiscono rispettivamente ai valori di tensione e capacità. Lo stesso set di caratteristiche viene estratto per il ciclo di scarica. Di conseguenza, vengono estratte 30 caratteristiche in totale, come indicato da F1 a F30. Fare riferimento alla Tabella Supplementare e alla Nota Supplementare per una spiegazione dettagliata delle caratteristiche. La Figura c mostra i valori assoluti e relativi delle caratteristiche delle batterie selezionate da ciascuna classe. La maggior parte dei valori relativi delle caratteristiche nelle diverse classi si sovrappone nella regione da -1 a 0 (con il colore verde chiaro) e sono indistinguibili, illustrando la difficoltà nella classificazione del tipo di batteria utilizzando un ciclo di dati della batteria. La difficoltà è prevista poiché le divergenti condizioni operative storiche possono influenzare la cinetica di carica-scarica delle batterie in modo che le caratteristiche estratte possano essere ampiamente correlate nonostante i diversi tipi di batterie (Figura Supplementare ). Piuttosto che interpretare direttamente le caratteristiche estratte con conoscenze esperte, impieghiamo un approccio alternativo basato sui dati che sfrutta automaticamente i modelli latenti tra vari tipi di batterie. 2 2 5 2 2 2 6 Per il processo di carica, 15 caratteristiche vengono estratte dalla curva tensione-capacità (sinistra) e dalla curva dQ/dV (destra). Lo stesso set di caratteristiche è per il processo di scarica come F16-F30. Le caratteristiche sono visualizzate per classi, seguendo il formato CxBn, indicando la nth batteria della classe x. La dimensione di un cerchio mappa il valore assoluto della caratteristica. I dati sorgente sono forniti come file Source Data. a b c Smistamento di batterie dismesse con accesso omogeneo ai dati Consideriamo innanzitutto uno scenario in cui i dati delle batterie sono distribuiti omogeneamente tra i collaboratori (vale a dire, i client). L'omogeneità significa che ogni client offre di condividere i dati delle batterie attraverso tutte le 9 classi, sebbene il numero specifico di batterie non sia limitato (Tabella Supplementare ). Addestriamo il nostro modello di machine learning federato senza richiedere informazioni sull'uso storico delle batterie dismesse. Nel nostro lavoro, il riciclatore e i client devono solo testare le batterie dismesse nel ciclo corrente (test sul campo), in particolare, con un ciclo completo di carica-scarica per un processo standardizzato di feature engineering avviato dal riciclatore. I modelli locali vengono addestrati sulla base delle caratteristiche estratte dai loro dati privati sulle batterie. Il framework di machine learning federato aggrega i parametri del modello locale, piuttosto che i dati privati sulle batterie, affinché il riciclatore possa classificare le batterie dismesse. 3 La Figura mostra i risultati dello smistamento quando i client contribuiscono con dati omogenei sulle batterie. La Figura a confronta due metodi di machine learning federato, vale a dire il voto di maggioranza (MV) e il nostro voto basato sulla distanza di Wasserstein proposta (WDV), con il paradigma di apprendimento indipendente (IL). Va notato che l'accuratezza per l'IL è mediata su tutti i client in modo non federato. Rispetto all'IL, l'MV non sacrifica le prestazioni di smistamento, con un'accuratezza media del 95%, pur essendo in grado di proteggere la privacy dei dati e mitigare l'onere computazionale. Tuttavia, 3 classi vengono smistate erroneamente utilizzando l'MV. Ad esempio, 3 batterie in NMC (SNL, classe 8, 15 in totale) vengono smistate erroneamente in NCA (SNL, classe 7), con conseguente accuratezza di smistamento dell'80%. L'accuratezza di smistamento per NCA (UL-PUR, classe 9) è dell'81%, con 2 batterie smistate erroneamente in NMC (MICH_Form, classe 4) e 1 batteria smistata erroneamente in tipo misto NMC/LCO (HNEI, classe 2), rispettivamente. Al contrario, il WDV supera l'MV poiché ha smistato erroneamente solo una batteria, con conseguente accuratezza di smistamento del 99%. Valutiamo anche la probabilità di previsione di ciascuna classe per l'MV e il WDV, rispettivamente. Si scopre che il WDV effettua uno smistamento più sicuro rispetto all'MV poiché le probabilità di previsione del WDV sono generalmente inclinate a destra verso un valore di probabilità più elevato. Pertanto, il nostro WDV proposto produce accuratezze di smistamento più elevate per tutte le classi e lo smistamento è di margini di confidenza di probabilità più ricchi. 3 3 La matrice di confusione per i metodi di voto di maggioranza (MV) e voto basato sulla distanza di Wasserstein (WDV), rispettivamente. Consideriamo la distribuzione della probabilità di previsione per ogni classe. Lo smistamento dell'apprendimento indipendente (IL) è annotato. Distribuzione dell'accuratezza di smistamento e budget di privacy (PB) dell'IL, MV e WDV in presenza di rumore casuale. Il valore PB è riferito a un livello di accuratezza del 90%. F1-score medio dei risultati di smistamento e PB in ogni classe utilizzando l'IL, MV e WDV. I valori PB sono tutti riferiti a un livello di F1-score di 0,9. I dati sono presentati come valori medi ±1 deviazione standard. Importanza delle caratteristiche, in ordine decrescente. Il sottografo mostra lo spazio delle caratteristiche definito dalle prime due caratteristiche più salienti. I dati sono presentati come valori medi + 1 deviazione standard. I dati sorgente sono forniti come file Source Data. a b c d Valutiamo anche il budget di privacy (PB, sezione “Metodi”), considerando che i dati del client potrebbero essere vulnerabili a tentativi di ricostruzione inversa tramite intercettazione dei dati privati . A questo riguardo, aggiungiamo rumore gaussiano casuale ai dati del client con diverse intensità. L'intensità della casualità è controllata da un rapporto rumore-segnale (NSR), che varia dall'1% al 10%. La Figura b mostra il 53 3