Бұл Қауіпсіздікке Арналған Жасанды Интеллект Батарея Қалдықтарын Үлкен Пайдаға Айналдыра алады

Авторлар: Шэнъюй Тао Хайчжоу Лю Чунбо Сунь Хаочэн Цзи Гуанцзюнь Цзи Чжиюань Хань Жунхуа Гао Цзюнь Ма Жуйфэй Ма Юоу Чен Шийи Фу Ю Ван Яоцзе Сунь Ю Ронг Сюань Чжан Гуанмин Чжоу Хунбинь Сунь Аннотация Ненумерованные отработанные батареи с различными катодными материалами препятствуют внедрению прямой переработки из-за их специфичности к катоду. Резкое увеличение количества отработанных батарей требует точной сортировки для эффективной прямой переработки, но возникают проблемы из-за различных эксплуатационных историй, разнообразных производителей и проблем конфиденциальности данных сотрудничающих компаний по переработке (владельцев данных). Здесь мы демонстрируем, что на основе уникального набора данных из 130 литий-ионных батарей, охватывающих 5 катодных материалов и 7 производителей, федеративный машинный подход может классифицировать эти отработанные батареи без использования прошлых эксплуатационных данных, обеспечивая конфиденциальность данных сотрудничающих компаний по переработке. Используя признаки, извлеченные из последнего цикла заряда-разряда, наша модель демонстрирует ошибки сортировки катода на 1% и 3% в условиях однородной и неоднородной переработки батарей соответственно, что обусловлено нашей инновационной стратегией голосования по расстоянию Вассерштейна. В экономическом плане предложенный метод подчеркивает важность точной сортировки батарей для процветающей и устойчивой отрасли переработки. Это исследование открывает новую парадигму использования чувствительных к конфиденциальности данных из различных источников, способствуя совместному принятию решений, уважающему конфиденциальность, для распределенных систем. Введение Литий-ионные батареи (ЛИБ) служат устройствами хранения энергии и получили широкое распространение в различных областях, от промышленного производства до повседневной жизни в качестве общепринятого технического решения. По прогнозам, к 2030 году мировое производство ЛИБ превысит 1,3 ТВт⋅ч , когда растущий спрос на батареи значительно превысит доступность жизненно важных металлов, таких как литий и кобальт , . Однако средний срок службы ЛИБ в настоящее время составляет 5–8 лет, что приводит к неминуемому увеличению количества отработанных батарей во многих странах. При неправильном управлении отработанные батареи приведут к неустойчивой потере ресурсов и вреду для окружающей среды. Учитывая эти обстоятельства, разработка технологий переработки батарей приобретает решающее значение по мере приближения грядущей волны отработки ЛИБ . 1 2 3 4 Последние достижения в исследованиях переработки батарей сосредоточены на пирометаллургическом, гидрометаллургическом и прямом подходах к переработке . В отличие от пирометаллургических и гидрометаллургических методов, прямая переработка представляет собой отдельный подход. Этот процесс не наносит вторичного ущерба структуре материала, обеспечивая более эффективное восстановление структуры и производительности. Более того, прямая переработка демонстрирует более высокую рентабельность, поскольку она требует меньшего энергопотребления, меньших выбросов парниковых газов и меньшего воздействия на окружающую среду , . Однако на практике переработчики батарей часто сталкиваются с ЛИБ, содержащими неизвестные компоненты, или с аккумуляторными модулями, состоящими из смеси различных типов катодных материалов. Учитывая, что прямая переработка может быть сильно специфичной к катоду, такая сложность делает применение прямой переработки невозможным для преобразования отработанных батарей в ценные материалы . Важно подчеркнуть, что даже если жизненно важные металлы из смешанных типов катодных материалов могут быть извлечены с использованием традиционных стратегий переработки, взаимодействие между различными катодными материалами во время процесса переработки может отрицательно сказаться на качестве продукции . Следовательно, понимание информации о типе катодного материала на стороне переработки значительно влияет на выбор маршрута прямой переработки и в конечном итоге улучшает качество продукции, рентабельность и устойчивость. 5 6 7 8 9 Была предложена прямая переработка с помощью человека для идентификации информации о типе катодного материала отработанных батарей на этапе предварительной обработки, что пока не является экономически выгодным, когда отрасль переработки расширяется . Для эффективного извлечения информации о типе катода отработанных батарей научное и промышленное сообщество недавно инициировало систему отслеживания срока службы батарей и новые концепции, такие как паспорт батареи и геном данных батареи . Хотя до этих инициатив использовалось значительное количество батарей, существует растущий консенсус относительно того, что информация о батареях должна быть доступна на протяжении всей цепочки жизни для принятия решений о втором использовании . Это особенно актуально для сектора переработки батарей, последней станции второго этапа жизни батареи, поскольку маршрут переработки может быть сильно специфичен к катоду. Однако системы отслеживания срока службы батарей или паспорта батарей работают на базе электронных устройств, таких как штрих-коды и бесконтактные коммуникации, которые могут потребовать интенсивных инвестиций и могут быть несовместимы с различными конструкторами батарей. Кроме того, электронные устройства остаются сложными в постоянном управлении на протяжении всего срока службы, приводя к износу устройств и недоступности на этапе переработки, поскольку современный производственный процесс ЛИБ все еще не интегрирован от производства к переработке . Следовательно, срочно необходимы новые прорывы для достижения эффективной сортировки типов катодов батарей только с использованием легкодоступной информации с поля , , в отличие от исторических записанных данных или ручного способа, способствуя внедрению прямой переработки для улучшения качества и рентабельности переработанных продуктов. 1 10 11 12 13 14 15 16 В последние несколько лет машинное обучение стало жизнеспособным инструментом для решения открытых вопросов во всех областях, связанных с батареями. В других областях, связанных с батареями, машинное обучение в последнее время позволило нам автоматически открывать сложные механизмы работы батарей , , , прогнозировать оставшийся срок службы , , , , , оценивать состояние здоровья , , , оптимизировать профиль циклирования , , аппроксимировать распределение отказов , даже для проектирования батарей , , и прогнозировать производительность в течение всего срока службы сразу после изготовления . В случае переработки батарей лишь немногие работы исследовали машинное обучение в отношении катодных материалов , , что объясняется дефицитом данных о батареях, особенно для тех, которые были использованы до конца срока службы. Подавляющее большинство опубликованных исследований демонстрируют очень ограниченные размеры выборок и еще более ограничены в разнообразии катодов батарей . Дефицит объясняется интенсивными затратами, длительным временем тестирования и, самое главное, конфиденциальностью данных из-за коммерческих или заинтересованных соображений. Следовательно, проблема конфиденциальности усугубляет дилемму, при которой существующие данные о батареях, хотя и являются значительными по объему и разнообразию от различных сторон, таких как производители батарей, практические приложения, академические учреждения и сторонние платформы, не могут быть переданы. Такая дилемма требует изучения сортировки катодных материалов для оптимизации выбора маршрута переработки батарей в совместном, но с соблюдением конфиденциальности, режиме. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Федеративное машинное обучение, как распределенная парадигма, сохраняющая конфиденциальность, обладает потенциалом для решения как проблем многостороннего сотрудничества (эквивалентно, объема и разнообразия данных о батареях), так и проблем конфиденциальности посредством совместного машинного обучения , , . В каждой итерации обучения распределенные владельцы данных выполняют локальное обучение с использованием своей локальной вычислительной мощности, шифруют обученные параметры/результаты модели и загружают их в центральный координатор для агрегирования. Факты заключается в том, что необработанные наборы данных никогда не покидают своих соответствующих владельцев данных, а передаваемые параметры/результаты должным образом шифруются для защиты конфиденциальности данных. Федеративное машинное обучение было всесторонне исследовано в многочисленных прикладных областях, включая общественное здравоохранение , , клиническая диагностика , , , электронная коммерция , Интернет вещей , мобильные вычисления и интеллектуальные сети , , . Этот подход может революционизировать парадигму исследований, основанных на данных, в широких энергетических секторах, обеспечивая совместную работу с сохранением конфиденциальности, особенно для тех, у кого ограниченный доступ к данным. В отношении переработки батарей федеративное машинное обучение предполагает многообещающие возможности для использования гигантского объема данных о батареях, которые уже существуют, но не могут быть переданы из-за проблем конфиденциальности. С такой совместной, но сохраняющей конфиденциальность парадигмой, сортировка отработанных батарей может быть реализована с высокой точностью, эффективностью, масштабируемостью и обобщением, оптимизируя качество и рентабельность переработанных продуктов. Насколько нам известно, исследования федеративного машинного обучения, посвященные переработке батарей, еще не сообщались. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 В этом исследовании мы выполняем сортировку катодного материала отработанных батарей, используя существующие данные о батареях от нескольких сотрудничающих сторон, таких как производители батарей, операторы практического применения, академические научно-исследовательские институты и сторонние платформы, в совместном, но с сохранением конфиденциальности модном машинном обучении, как показано на рис. . Наша модель федеративного машинного обучения была обучена с использованием только одного цикла данных полевых испытаний посредством стандартизированного процесса извлечения признаков, без каких-либо предварительных знаний об условиях эксплуатации в прошлом. Мы сравниваем предсказательную силу нашей модели федеративного машинного обучения с силой независимо обученных локальных моделей на основе локальных данных как в однородных, так и в неоднородных обстоятельствах переработки батарей. Проблема неоднородности решается с помощью предложенной нами стратегии голосования по расстоянию Вассерштейна. Проводится экономическая оценка переработки отработанных батарей с использованием предложенной нами системы федеративного машинного обучения, подчеркивающая актуальность и необходимость точной сортировки отработанных батарей. Мы всесторонне обсуждаем интерпретируемость модели, последствия переработки батарей и более широкие перспективы будущей практики переработки батарей, интегрированной с федеративным машинным обучением. 1 Несколько источников данных, таких как производители батарей (Изображение предоставлено Addionics), операторы практического применения (аккумуляторный блок в днище Tesla. Изображение предоставлено Tesla), академические научно-исследовательские институты и сторонние платформы, могут быть вкладчиками данных. Данные о батареях не обмениваются между вкладчиками и не загружаются переработчику батарей. Вместо этого вкладчики данных обучают локальные модели и передают параметры модели переработчику батарей для создания глобальной модели. Предложенная техника голосования по расстоянию Вассерштейна объединяет локальные модели в глобальную модель, которая устойчива к дисбалансу данных и шуму. Переработчики батарей могут использовать совместно построенную модель для сортировки батарей в сочетании с легкодоступными данными полевых испытаний. Наша система федеративного машинного обучения поощряет сотрудничающих сторон делиться данными, сохраняя при этом конфиденциальность данных, в отличие от традиционной парадигмы «островков данных». a b Результаты Сбор и стандартизация данных Уникальная кинетика батарей в различных типах батарей часто является многомерной и трудной для характеристики из-за различных эксплуатационных условий, производственных вариаций и прошлого использования . Чтобы найти решение этой дилеммы, мы собрали и стандартизировали 130 отработанных батарей с 5 типами катодных материалов от 7 производителей для построения распределенного, эквивалентно неоднородного набора данных. Учитывая различное прошлое использование, емкость собранных батарей составляет менее 90% от номинальной емкости. Катодные материалы батарей включают оксид лития-кобальта (LCO), никель-марганец-кобальт (NMC), литий-железо-фосфат (LFP), оксид никеля-кобальта-алюминия (NCA) и смешанные типы NMC-LCO, которые далее сгруппированы в 9 классов на основе производителей (Дополнительная таблица ). Мы намеренно включили батареи с различными условиями использования в прошлом, от лабораторных испытаний до режимов эксплуатации электромобилей, чтобы обучить обобщенную модель для переработчика батарей, независимую от прошлого использования и типов батарей. 52 1 Для стандартизации все данные, требуемые от переработчика, — это текущий (полевой) цикл с одним испытанием зарядки и разрядки, которое легко реализовать на практике. Обработанные данные сначала очищаются от шума путем заполнения отсутствующих значений, замены выбросов и медианной фильтрации. Однако шумы, вызванные человеком и неоднородностью катода, намеренно сохраняются, чтобы сделать модель устойчивой к несовершенным входным данным. Затем данные линейно интерполируются для заполнения кривых (Дополнительный рис. ) и извлекаются признаки для снижения размерности с общим набором параметров стандартизации (Дополнительная заметка ). Признаки, извлеченные из конвейера стандартизации, хорошо интерпретируемы, что вызывает значительный коммерческий интерес. Насколько нам известно, это первый случай использования неоднородных данных о батареях из нескольких источников и различных условий использования в прошлом для содействия разработке стратегии переработки батарей. 1 1 На рисунке a, b показан процесс извлечения признаков. Мы сосредоточиваемся на кривой зарядки и разрядки отработанных батарей в последнем цикле, то есть в одном цикле зарядки и одном цикле разрядки (Дополнительные рис. – ). В цикле зарядки 15 признаков извлекаются из кривых напряжение-емкость и dQ/dV, где V и Q обозначают значения напряжения и емкости соответственно. Тот же набор признаков извлекается для цикла разрядки. В результате всего извлекается 30 признаков, обозначенных от F1 до F30. Подробное объяснение признаков см. в Дополнительной таблице и Дополнительной заметке . На рисунке c показаны абсолютные и относительные значения признаков выбранных батарей из каждого класса. Большинство относительных значений признаков в разных классах перекрываются в области от −1 до 0 (светло-зеленый цвет) и неотличимы, что иллюстрирует трудность классификации типа батареи по одному циклу данных. Трудность ожидаема, поскольку различное прошлое условия эксплуатации могут влиять на кинетику зарядки-разрядки батарей, так что извлеченные признаки могут быть в значительной степени коррелированы, несмотря на разные типы батарей (Дополнительный рис. ). Вместо прямой интерпретации извлеченных признаков с использованием экспертных знаний мы используем альтернативный подход, основанный на данных, который автоматически использует скрытые закономерности в различных типах батарей. 2 2 5 2 2 2 6 Для процесса зарядки 15 признаков извлекаются из кривой напряжение-емкость (слева) и кривой dQ/dV (справа). Тот же набор признаков используется для процесса разрядки, как F16-F30. Признаки визуализируются по классам, следуя формату CxBn, указывающему n-ю батарею из класса x. Размер круга соответствует абсолютному значению признака. Исходные данные представлены в виде файла Source Data. a b c Сортировка отработанных батарей с однородным доступом к данным Сначала мы рассматриваем сценарий, когда данные о батареях распределены однородно между сотрудничающими сторонами (клиентами). Однородность означает, что каждый клиент предлагает делиться данными о батареях по всем 9 классам, хотя количество конкретных батарей не ограничено (Дополнительная таблица ). Мы обучаем нашу модель федеративного машинного обучения без требования информации о прошлом использовании отработанных батарей. В нашей работе переработчику и клиентам необходимо только протестировать отработанные батареи в текущем (полевом) цикле, в частности, с полным циклом зарядки-разрядки для стандартного процесса извлечения признаков, инициированного переработчиком. Локальные модели обучаются на основе признаков, извлеченных из их частных данных о батареях. Система федеративного машинного обучения агрегирует параметры локальных моделей, а не частные данные о батареях, для классификации отработанных батарей переработчиком. 3 На рисунке показаны результаты сортировки, когда клиенты предоставляют однородные данные о батареях. На рисунке a сравниваются два метода федеративного машинного обучения, а именно, голосование большинством (MV) и предложенное нами голосование по расстоянию Вассерштейна (WDV), с парадигмой независимого обучения (IL). Следует отметить, что точность для IL усредняется по всем клиентам нефедеративным образом. По сравнению с IL, MV не снижает производительность сортировки, со средней точностью 95%, при этом способна защитить конфиденциальность данных и снизить вычислительную нагрузку. Однако 3 класса сортируются неправильно с использованием MV. Например, 3 батареи в NMC (SNL, класс 8, всего 15) неправильно сортируются в NCA (SNL, класс 7), что приводит к точности сортировки 80%. Точность сортировки для NCA (UL-PUR, класс 9) составляет 81%, при этом 2 батареи неправильно сортируются в NMC (MICH_Form, класс 4) и 1 батарея неправильно сортируется в смешанный тип NMC/LCO (HNEI, класс 2) соответственно. В отличие от этого, WDV превосходит MV, поскольку он неправильно сортирует только одну батарею, обеспечивая точность сортировки 99%. Мы также оцениваем вероятность прогноза для каждого класса для MV и WDV соответственно. Оказывается, что WDV делает более уверенную сортировку, чем MV, поскольку вероятности прогноза WDV обычно смещены вправо к более высокому значению вероятности. Следовательно, наш предложенный WDV обеспечивает более высокую точность сортировки для всех классов, а сортировка имеет более широкие запасы уверенности вероятности. 3 3 Матрица путаницы для методов голосования большинством (MV) и голосования по расстоянию Вассерштейна (WDV) соответственно. Мы учитываем распределение вероятности прогноза для каждого класса. Сортировка независимого обучения (IL) аннотирована. Распределение точности сортировки и бюджет конфиденциальности (PB) IL, MV и WDV в присутствии случайного шума. Значение PB ссылается на уровень точности 90%. Средний F1-счет результатов сортировки и PB в каждом классе с использованием IL, MV и WDV. Значения PB все ссылаются на уровень F1-счета 0,9. Данные представлены как средние значения ±1 стандартное отклонение. Важность признаков в порядке убывания. Подграфик показывает пространство признаков, охватываемое двумя наиболее выраженными признаками. Данные представлены как средние значения ±1 стандартное отклонение. Исходные данные представлены в виде файла Source Data. a b c d Мы также оцениваем бюджет конфиденциальности (PB, раздел «Методы»), учитывая, что данные клиентов могут быть уязвимы для обратного проектирования путем прослушивания частных данных . В этом отношении мы добавляем случайный гауссовский шум к данным клиента с различной интенсивностью. Интенсивность случайности контролируется соотношением шум/сигнал (NSR), в диапазоне от 1% до 10%. На рисунке b показано сравнение точности и бюджета конфиденциальности при использовании IL, MV и WDV соответственно. Точность сортировки MV снижается с 95% до 82%, аналогично IL, когда интенсивность шума увеличивается с 1% до 10%. В этом диапазоне шу 53 3