
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autoriai: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Santrauka Nesurūšiuotos, įvairių katodinių medžiagų baterijos stabdo tiesioginio perdirbimo diegimą dėl jų specifinės katodui prigimties. Išsikomplektuojančių baterijų antplūdis reikalauja tikslaus rūšiavimo efektyviam tiesioginiam perdirbimui, tačiau kyla iššūkių dėl besikeičiančios eksploatavimo istorijos, įvairių gamintojų ir perdirbimo bendradarbių (duomenų savininkų) duomenų privatumo problemų. Čia mes parodome, kad iš unikalios 130 ličio jonų baterijų, apimančių 5 katodines medžiagas ir 7 gamintojus, duomenų rinkinio, federacinis mašininis mokymasis gali klasifikuoti šias išsikomplektuojančias baterijas nepasikliaujant ankstesniais eksploatavimo duomenimis, taip užtikrinant perdirbimo bendradarbių duomenų privatumą. Naudodamas ypatybes, išgautas iš pabaigos eksploatavimo įkrovimo-iškrovimo ciklo, mūsų modelis parodo 1 % ir 3 % katodo rūšiavimo klaidas atitinkamai homogeniško ir heterogeniško baterijų perdirbimo sąlygomis, o tai priskiriama mūsų novatoriškam Wasserstein atstumo balsavimo strategijai. Ekonomiškai, siūlomas metodas pabrėžia tikslaus baterijų rūšiavimo vertę klestinčiai ir tvarios perdirbimo pramonei. Šis tyrimas žymi naują paradigmą, naudojant į privatumą jautrius duomenis iš įvairių šaltinių, skatinant bendradarbiavimą ir privatumą gerbiančią sprendimų priėmimo sistemą paskirstytoms sistemoms. Įvadas Ličio jonų baterijos (LIB), tarnaujančios kaip energijos kaupimo įrenginiai, plačiai naudojamos įvairiose srityse, nuo pramonės gamybos iki kasdienio gyvenimo kaip pripažintas techninis sprendimas. Prognozės rodo, kad pasaulinė LIB gamybos apimtis iki 2030 m. viršys 1,3 TWh , kai augantis baterijų poreikis gerokai viršys gyvybiškai svarbių metalų, tokių kaip litis ir kobaltas, prieinamumą , . Tačiau dabartinis vidutinis LIB produktų naudojimo laikas yra 5–8 metai, todėl daugelyje šalių artėja išsikomplektuojančių baterijų antplūdis. Jei tinkamai nesuvaldomos, išsikomplektuojančios baterijos sukels netvarias atliekų švaistymą ir aplinkos žalą. Atsižvelgiant į šias aplinkybes, baterijų perdirbimo technologijų plėtra įgauna itin svarbią reikšmę, sprendžiant artėjantį LIB išsikomplektavimo bangą . 1 2 3 4 Pastarųjų metų baterijų perdirbimo tyrimų pažanga daugiausia dėmesio skiriama pirometalurginiams, hidrometalurginiams ir tiesioginio perdirbimo metodams . Priešingai nei pirometalurginiai ir hidrometalurginiai metodai, tiesioginis perdirbimas skiriasi kaip atskiras metodas. Šis procesas nepadaro antrinės žalos medžiagos struktūrai, leidžiant efektyviau atlikti struktūrinį remontą ir atstatyti veikimą. Be to, tiesioginis perdirbimas yra pelningesnis, nes reikalauja mažiau energijos, mažiau šiltnamio efektą sukeliančių dujų emisijų ir mažesnį poveikį aplinkai , . Tačiau faktinėje gamyboje baterijų perdirbėjai dažnai susiduria su LIB, kurių sudėtyje yra nežinomų komponentų, arba su baterijų moduliais, sudarytais iš skirtingų katodinių medžiagų tipų mišinio. Atsižvelgiant į tai, kad tiesioginis perdirbimas gali būti labai specifinis katodui, toks sudėtingumas daro tiesioginio perdirbimo taikymą neįmanomu siekiant konvertuoti vertę iš išsikomplektuojančių baterijų . Svarbu pabrėžti, kad net ir gyvybiškai svarbūs metalai iš skirtingų katodinių medžiagų tipų mišinių gali būti išskiriami naudojant tradicinius perdirbimo metodus, skirtingų katodinių medžiagų sąveika perdirbimo metu gali neigiamai paveikti produkto kokybę . Todėl supratimas apie katodinių medžiagų tipų informaciją perdirbimo pusėje žymiai paveikia tiesioginio perdirbimo maršruto pasirinkimą ir galiausiai pagerina produkto kokybę, pelningumą ir tvarumą. 5 6 7 8 9 Buvo pasiūlytas žmogaus pagalba atliekamas tiesioginis perdirbimas, siekiant identifikuoti išsikomplektuojančių baterijų katodinių medžiagų tipų informaciją ikikonservavimo stadijoje, tačiau tai vis dar nėra finansiškai gyvybinga, kai perdirbimo pramonė plečiasi . Siekiant efektyviai atkurti išsikomplektuojančių baterijų katodų tipų informaciją, mokslinė ir pramoninė bendruomenė neseniai inicijavo baterijų eksploatavimo trukmės sekimo sistemą  ir atsirandančias koncepcijas, tokias kaip baterijos pasas  ir baterijos duomenų genomas . Nors prieš šias iniciatyvas buvo naudojama daug baterijų, vis labiau sutariama, kad baterijų informacija turėtų būti prieinama visą gyvavimo ciklą, siekiant palengvinti antrojo gyvenimo sprendimų priėmimą . Tai ypač pasakytina apie baterijų perdirbimo sektorių, paskutinę baterijos antrojo gyvenimo stotelę, nes perdirbimo maršrutas gali būti labai specifinis katodui. Tačiau baterijų eksploatavimo trukmės sekimo sistemos arba baterijų pasai yra įgalinti elektroninių prietaisų, tokių kaip brūkšniniai kodai ir artimo lauko komunikacijos, kurie gali pareikalauti intensyvių investicijų ir gali būti nesuderinami su skirtingais baterijų dizaineriais. Be to, elektroninius prietaisus visais jų naudojimo laikais sunku nuolat valdyti, todėl jie susidėvi ir tampa neprieinami perdirbimo etape, nes moderni LIB gamybos procesas vis dar nėra integruotas nuo gamybos iki perdirbimo . Todėl skubiai reikia daugiau proveržių, kad būtų galima pasiekti efektyvų baterijų katodų tipų rūšiavimą, naudojant tik lengvai prieinamą lauko informaciją , , priešingai nei istoriniams įrašytiems duomenims ar žmogaus pagalba, palengvinant tiesioginio perdirbimo diegimą, siekiant pagerinti perdirbtų produktų kokybę ir pelningumą. 1 10 11 12 13 14 15 16 Pastaraisiais metais mašininis mokymasis tapo gyvybinga priemone spręsti atvirus klausimus visose baterijų srityse. Kitais su baterijomis susijusiais klausimais mašininis mokymasis neseniai leido mums automatiškai atrasti sudėtingus baterijų mechanizmus , , , prognozuoti likusį naudingą naudojimo laiką , , , , , įvertinti sveikatos būklę , , , optimizuoti ciklo profilį , , apytiksliai apskaičiuoti gedimų pasiskirstymą , netgi padėti baterijų projektavimui , , ir prognozuoti visą eksploatavimo laiką iškart po pagaminimo . Baterijų perdirbimo srityje nedaug darbų tyrinėjo mašininį mokymąsi, susijusį su katodinėmis medžiagomis , , o tai kaltinama dėl retų baterijų duomenų trūkumo, ypač tų, kurios buvo naudojamos iki eksploatavimo pabaigos. Daugumoje paskelbtų tyrimų pateikiami labai riboti pavyzdžių dydžiai  ir dar labiau ribotas baterijų katodų įvairovės . Trūkumas priskiriamas intensyvioms išlaidoms, ilgam bandymo laikui , ir, svarbiausia, duomenų privatumui dėl komercinių ar interesų susirūpinimų. Vadinasi, privatumo problema sustiprina dilemą, kai esami baterijų duomenys, nors ir dideli kiekiu ir įvairove iš daugelio šalių, tokių kaip baterijų gamintojai, praktinės programos, akademinės institucijos ir trečiųjų šalių platformos, negali būti bendrinami. Tokia dilema reikalauja tyrinėti katodinių medžiagų rūšiavimą, siekiant optimizuoti baterijų perdirbimo maršruto pasirinkimą bendradarbiaujant, bet išsaugant privatumą. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Federacinis mašininis mokymasis, kaip paskirstytas ir privatumą išsaugantis paradigmas, turi potencialą išspręsti tiek daugiapartinį bendradarbiavimą (ekvivalentiškai, baterijų duomenų apimtis ir įvairovė), tiek privatumo problemas per bendradarbiaujantį mašininį mokymąsi , , . Kiekvienos mokymo iteracijos metu, paskirstyti duomenų savininkai atlieka vietinį mokymąsi su savo vietiniu skaičiavimo pajėgumu, užšifruoja apmokytų modelio parametrų/rezultatų rezultatus ir juos įkelia į centrinį koordinatoriu agregavimui. Faktai, kad žaliavinės duomenų rinkiniai niekada nepalieka savo atitinkamų duomenų savininkų ir kad perduodami parametrai/rezultatai yra tinkamai užšifruoti, siekiant apsaugoti duomenų privatumą. Federacinis mašininis mokymasis buvo plačiai tiriamas daugybėje taikomųjų sričių, įskaitant visuomenės sveikatą , , klinikinę diagnostiką , , , elektroninę komerciją , daiktų internetą , mobiliuosius kompiuterius , ir išmanųjį tinklą , , . Šis metodas gali pakeisti duomenų pagrįstą tyrimų paradigmą plačiuose energetikos sektoriuose, leidžiant bendradarbiauti išsaugant privatumą, ypač tiems, kurie turi ribotą duomenų prieigą. Dėl baterijų perdirbimo sektoriaus federacinis mašininis mokymasis suteikia daug žadančių galimybių panaudoti didžiulį kiekį jau egzistuojančių baterijų duomenų, tačiau kurių negalima bendrinti dėl privatumo problemų. Su tokia bendradarbiaujančia ir privatumą išsaugančia paradigma, išsikomplektuojančių baterijų rūšiavimas gali būti įgyvendintas su dideliu tikslumu, efektyvumu, masteliškumu ir generalizacija, optimizuojant perdirbtų produktų kokybę ir pelningumą. Kiek mums žinoma, apie federacinį mašininį mokymąsi, skirtą baterijų perdirbimui, nebuvo pranešta. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 Šiame tyrime atliekame išsikomplektuojančių baterijų katodinių medžiagų rūšiavimą, pasinaudodami esamais baterijų duomenimis iš daugelio bendradarbių, tokių kaip baterijų gamintojai, praktinių operatorių, akademinės mokslinių tyrimų institucijų ir trečiųjų šalių platformos, bendradarbiaujant ir išsaugant privatumą mašininio mokymosi būdu, kaip parodyta 1 pav. . Mūsų federacinis mašininio mokymosi modelis buvo apmokytas naudojant tik vieną lauko bandymų duomenų ciklą per standartizuotą ypatybių ištraukimo procesą, be jokios išankstinės žinios apie istorines eksploatavimo sąlygas. Palyginame mūsų federacinio mašininio mokymosi modelio prognozavimo galią su nepriklausomai apmokytų vietinių modelių, pagrįstų vietiniais duomenimis, homogeniško ir heterogeniško baterijų perdirbimo aplinkybėse. Heterogeniškumo problema sprendžiama mūsų siūlomu Wasserstein atstumo balsavimo strategija. Atliekamas ekonominis išsikomplektuojančių baterijų perdirbimo vertinimas, naudojant siūlomą federacinio mašininio mokymosi sistemą, pabrėžiant tikslių išsikomplektuojančių baterijų rūšiavimo svarbą ir būtinumą. Išsamiai aptariame modelio aiškinamumą, baterijų perdirbimo pasekmes ir platesnes ateities baterijų perdirbimo praktikos perspektyvas, integruotas su federaciniu mašininiu mokymusi. 1    Daugelis duomenų šaltinių, tokių kaip baterijų gamintojai (Vaizdas iš „Addionics“), praktiniai operatoriai (baterija „Tesla“ automobilyje. Vaizdas iš „Tesla“), akademinės mokslinių tyrimų institucijos ir trečiųjų šalių platformos, gali būti duomenų teikėjai. Baterijų duomenys nei keičiami tarp teikėjų, nei įkeliami baterijų perdirbėjui. Vietoj to, duomenų teikėjai apmokina vietinius modelius ir dalijasi modelio parametrais su baterijų perdirbėju, kad sukurtų globalų modelį. Siūloma Wasserstein atstumo balsavimo technika sujungia vietinius modelius į globalų modelį, kuris yra atsparus duomenų disbalansui ir triukšmui. Baterijų perdirbėjai gali naudoti bendrai sukurtą modelį baterijų rūšiavimui, kartu su lengvai prieinamais lauko bandymų duomenimis.   Mūsų federacinis mašininio mokymosi framework skatina bendradarbius dalintis duomenimis, išsaugant duomenų privatumą, skirtingai nuo tradicinės duomenų salelių paradigmos. a b Rezultatai Duomenų rinkimas ir standartizavimas Unikalūs skirtingų baterijų tipų baterijų kinetiniai rodikliai yra aukšto matmeniškumo ir sunkiai apibūdinami dėl skirtingų eksploatavimo atvejų, gamybos variacijų ir istorinio naudojimo . Siekiant rasti sprendimą šiai dilemai, surinkome ir standartizavome 130 išsikomplektuojančių baterijų su 5 katodinių medžiagų tipais iš 7 gamintojų, kad sukurtume iš pasiskirstymo išeinančią, ekvivalentiškai heterogenišką duomenų rinkinį. Atsižvelgiant į skirtingą istorinio naudojimo laiką, surinktų baterijų talpos yra mažesnės nei 90 % vardinės talpos. Baterijų katodinės medžiagos yra ličio kobalto oksidas (LCO), nikelio mangano kobalto (NMC), ličio ferrofosfatas (LFP), nikelio-kobalto-aliuminio oksidas (NCA) ir NMC-LCO mišiniai, kurie toliau grupuojami į 9 klases pagal gamintojus (1 priedas, lentelė  ). Mes sąmoningai įtraukiame baterijas su skirtingais istorinio naudojimo laikais, nuo laboratorinių bandymų iki elektromobilių vairavimo profilių, siekiant apmokyti generalizuotą modelį baterijų perdirbėjui, nepriklausomai nuo istorinio naudojimo ir baterijų tipų. 52 1 Standartizacijai visiems duomenims, reikalingiems iš perdirbėjo, yra tik dabartinis (lauko bandymo) ciklas su vienu įkrovimo ir iškrovimo testu, kuris lengvai įgyvendinamas praktiniais atvejais. Išbandyti duomenys pirmiausia yra valomi nuo triukšmo, užpildant trūkstamas reikšmes, pakeičiant išorinius vertes ir atliekant mediana filtravimą. Žmogaus sukeltas ir katodo-heterogeniškumo sukeltas triukšmas yra sąmoningai išlaikomas, kad modelis būtų atsparus netobuliems įėjimams. Tada duomenys yra tiesiškai interpoliuojami kreivės užpildymui (1 pav. papildomai  ) ir ypatybės inžinieriškai apdorojamos matmenų mažinimui, su bendru standartizavimo parametrų rinkiniu (1 pastaba papildomai  ). Iš standartizavimo proceso išgautos ypatybės yra gerai aiškinamos, o tai yra didelis komercinis susidomėjimas. Kiek mums žinoma, tai pirmas kartas, kai skirtingų šaltinių ir istorinio naudojimo heterogeniški baterijų duomenys naudojami baterijų perdirbimo strategijai kurti. 1 1 2 pav.a,b parodo ypatybių inžinerijos procesą. Mes sutelkiame dėmesį į įkrovimo ir iškrovimo kreivę paskutiniame cikle, ty vieno įkrovimo ir vieno iškrovimo ciklo (2–5 pav. papildomai  – ). Įkrovimo cikle 15 ypatybių išgaunama iš įtampos-talpos ir dQ/dV kreivių, kur V ir Q reiškia įtampos ir talpos reikšmes. Tas pats ypatybių rinkinys išgaunamas ir iškrovimo ciklui. Rezultatas – iš viso 30 ypatybių, kaip nurodyta nuo F1 iki F30. Išsamesnį ypatybių paaiškinimą žr. 2 lentelėje papildomai   ir 2 pastaboje papildomai  . 2 pav.c parodo pasirinktų kiekvienos klasės baterijų absoliučias ir santykines ypatybių reikšmes. Dauguma santykinių ypatybių reikšmių skirtingose klasėse persidengia –1–0 regione (šviesiai žalia spalva) ir yra neatskiriamos, iliustruojant baterijų tipų klasifikavimo sunkumą naudojant vieną baterijos duomenų ciklą. Sunkumas tikėtinas, nes skirtingos istorinės eksploatavimo sąlygos gali paveikti baterijų įkrovimo-išsikrovimo kinetiką, taigi ir išgautos ypatybės gali būti labai susijusios, nepaisant skirtingų baterijų tipų (6 pav. papildomai  ). Vietoj tiesioginio išgautų ypatybių aiškinimo naudojant ekspertų žinias, mes naudojame alternatyvų duomenų pagrindu sukurtą metodą, kuris automatiškai panaudoja paslėptus modelius įvairiuose baterijų tipuose. 2 5 2 2 6    Įkrovimo procesui 15 ypatybių išgaunama iš įtampos-talpos (kairėje) ir dQ/dV kreivės (dešinėje).   Tas pats ypatybių rinkinys taikomas ir iškrovimo procesui kaip F16–F30.   Ypatybės vizualizuojamos pagal klases, laikantis formato CxBn, nurodančio n-ąją bateriją iš x klasės. Apskritimo dydis atspindi absoliučią ypatybės reikšmę. Šaltinio duomenys pateikiami kaip šaltinio duomenų failas. a b c Išsikomplektuojančių baterijų rūšiavimas turint homogenišką duomenų prieigą Pirmiausia apsvarstome situaciją, kai baterijų duomenys yra homogeniškai paskirstyti tarp bendradarbių (klientų). Homogeniškumas reiškia, kad kiekvienas klientas siūlo bendrinti baterijų duomenis visose 9 klasėse, nors konkrečių baterijų skaičius nėra ribojamas (3 lentelė papildomai  ). Mes apmokome mūsų federacinį mašininio mokymosi modelį nereikalaujant informacijos apie istorinio išsikomplektuojančių baterijų naudojimo laiką. Savo darbe perdirbėjas ir klientai turi tik išbandyti išsikomplektuojančias baterijas dabartiniame (lauko bandymų) cikle, konkrečiai, atliekant pilną įkrovimo-išsikrovimo ciklą, standartini 3

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Šis garso įrašas sukurtas originalia istorijos kalba!

Ši privatumas sauganti dirbtinio intelekto technologija gali paversti baterijų atliekas dideliu pelnu

About Author

KOMENTARAI

PABAIGTI ŽYMES

ŠIS STRAIPSNIS BUVO PRISTATYMAS

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps