
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autori: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Šenģjü Tao Haidžou Liu Čonbo Suna Haodžens Dži Guanjuns Dži Džijuan Han Runhua Gao Džun Ma Ruifei Ma Juo Čena Šiji Fu Juo Vanga Jaojie Suna Juo Ronga Sjuana Džanga Guanmins Džou Honbins Suna Kopsavilkums Nekārtotas izlietotās baterijas ar dažādiem katoda materiāliem kavē tiešās pārstrādes izmantošanu to katodam specifiskās dabas dēļ. Izlietoto bateriju pieaugums prasa precīzu šķirošanu efektīvai tiešajai pārstrādei, taču rodas problēmas, ko rada atšķirīga ekspluatācijas vēsture, dažādi ražotāji un pārstrādes sadarbības partneru (datu īpašnieku) datu privātuma problēmas. Šeit mēs parādām, ka, izmantojot unikālu 130 litija jonu bateriju datu kopu, kas aptver 5 katoda materiālus un 7 ražotājus, federatīvās mašīnmācīšanās pieeja var klasificēt šīs izlietotās baterijas, nepaļaujoties uz iepriekšējiem ekspluatācijas datiem, tādējādi aizsargājot pārstrādes sadarbības partneru datu privātumu. Izmantojot galīgā lādiņa-izlādes cikla iegūtās iezīmes, mūsu modelis uzrāda 1% un 3% kļūdas katoda šķirošanā atbilstoši homogēnās un heterogēnās bateriju pārstrādes iestatījumos, ko pamato mūsu novatoriskā Vaseršteina attāluma balsošanas stratēģija. Ekonomiski piedāvātā metode uzsver precīzas bateriju šķirošanas vērtību plaukstošai un ilgtspējīgai pārstrādes nozarei. Šis pētījums ievēro jaunu paradigmu, izmantojot sensitīvus datus no dažādiem avotiem, veicinot sadarbības un privātumu cienošu lēmumu pieņemšanu izplatītām sistēmām. Ievads Litija jonu baterijas (LIB), kas kalpo kā enerģijas uzglabāšanas ierīces, ir plaši izmantotas dažādās jomās, sākot no rūpnieciskās ražošanas līdz ikdienas dzīvei kā pieņemts tehnisks risinājums. Prognozes liecina, ka LIB globālā ražošanas apjoms līdz 2030. gadam pārsniegs 1,3 TWh , kad strauji augošais bateriju pieprasījums krietni pārsniegs tādu svarīgu metālu resursu kā litijs un kobalts pieejamību , . Tomēr pašreizējais LIB produktu vidējais kalpošanas laiks ir 5–8 gadi, kas daudzās valstīs liecina par drīzumā sagaidāmo izlietoto bateriju pieplūdumu. Ja netiks pienācīgi pārvaldītas, izlietotās baterijas radīs neilgtspējīgu resursu izšķērdēšanu un vides kaitējumu. Ņemot vērā šos apstākļus, bateriju pārstrādes tehnoloģiju attīstībai ir būtiska nozīme, saskaroties ar tuvojošos LIB izlūšanas pieplūdumu . 1 2 3 4 Jaunākie sasniegumi bateriju pārstrādes pētniecībā ir vērsti uz pirometalurģiskām, hidrometalurģiskām un tiešās pārstrādes pieejām . Atšķirībā no pirometalurģiskajām un hidrometalurģiskajām metodēm, tiešā pārstrāde atšķiras kā atsevišķa pieeja. Šis process nerada sekundārus bojājumus materiāla struktūrai, nodrošinot efektīvāku strukturālo remontu un veiktspējas atjaunošanu. Turklāt tiešā pārstrāde ir ienesīgāka, jo tā prasa mazāku enerģijas patēriņu, mazākas siltumnīcefekta gāzu emisijas un mazāku vides ietekmi , . Tomēr faktiskajā ražošanā bateriju pārstrādātāji bieži saskaras ar LIB, kas sastāv no nezināmiem komponentiem, vai bateriju moduļiem, kas satur dažādu katoda materiālu veidu maisījumu. Tā kā tiešā pārstrāde var būt ļoti specifiska katodam, šāda sarežģītība padara tiešās pārstrādes pielietošanu neiespējamu, lai panāktu vērtības konversiju izlietotajām baterijām . Ir svarīgi uzsvērt, ka pat tad, ja svarīgākie metāli no dažādu katoda materiālu veidu maisījumiem tiek iegūti, izmantojot tradicionālās pārstrādes stratēģijas, dažādu katoda materiālu mijiedarbība pārstrādes procesa laikā var negatīvi ietekmēt produkta kvalitāti . Tāpēc izlietoto bateriju katoda materiāla tipa informācijas izpratne būtiski ietekmē tiešās pārstrādes maršruta izvēli un galu galā uzlabo produkta kvalitāti, ienesīgumu un ilgtspējību. 5 6 7 8 9 Ir ierosināta cilvēka palīdzības tiešā pārstrāde, lai identificētu izlietoto bateriju katoda materiālu tipu informāciju pirmapstrādes posmā, kas joprojām nav finansiāli dzīvotspējīga, kad pārstrādes nozare palielinās . Lai efektīvi iegūtu izlietoto bateriju katoda tipa informāciju, zinātniskā un industriālā kopiena nesen ir uzsākusi bateriju kalpošanas laika izsekošanas sistēmu  un jaunus jēdzienus, piemēram, bateriju pase  un bateriju datu genoms . Lai gan pirms šīm iniciatīvām tika izmantotas ievērojamas baterijas, ir pieaugoša vienprātība par to, ka informācijai par baterijām ir jābūt pieejamai visā dzīves ciklā, lai veicinātu otrās dzīves lēmumu pieņemšanu . Tas jo īpaši attiecas uz bateriju pārstrādes sektoru, kas ir pēdējā baterijas otrās dzīves stacija, jo pārstrādes maršruts var būt ļoti specifisks katodam. Tomēr bateriju kalpošanas laika izsekošanas sistēmas vai bateriju pases ir iespējamas, izmantojot elektroniskas ierīces, piemēram, svītrkodus un tuvā lauka sakarus, kas varētu radīt intensīvas investīcijas un būt plaši nesaderīgas ar dažādiem bateriju dizaineriem. Turklāt elektroniskās ierīces joprojām ir grūti konsekventi pārvaldīt visā to kalpošanas laikā, radot nolietotas ierīces un nepieejamību pārstrādes stadijā, jo mūsdienu LIB ražošanas process joprojām nav integrēts no ražošanas līdz pārstrādei . Tāpēc ir steidzami nepieciešami jauni atklājumi, lai panāktu efektīvu bateriju katoda tipa šķirošanu, izmantojot tikai viegli pieejamu lauka informāciju , , pretstatā vēsturiski reģistrētiem datiem vai cilvēka vadītai metodei, veicinot tiešās pārstrādes izmantošanu, lai uzlabotu pārstrādāto produktu kvalitāti un ienesīgumu. 1 10 11 12 13 14 15 16 Pēdējos gados mašīnmācīšanās ir kļuvusi par reālu rīku, lai risinātu atklātus jautājumus visās bateriju jomās. Citās ar baterijām saistītās tēmās mašīnmācīšanās nesen ir ļāvusi automātiski atklāt sarežģītus bateriju mehānismus , , , prognozēt atlikušo noderīgo kalpošanas laiku , , , , , novērtēt veselības stāvokli , , , optimizēt ciklu profilu , , aptuveni noteikt kļūmes sadalījumu , pat vadīt bateriju dizainu , , un prognozēt kalpošanas laika veiktspēju tūlīt pēc ražošanas . Attiecībā uz bateriju pārstrādi ir veikti daži pētījumi par mašīnmācīšanos attiecībā uz katoda materiāliem , , kas vainojams bateriju datu trūkumā, īpaši tiem, kas ir izmantoti līdz kalpošanas beigu stadijai. Lielākā daļa publicēto pētījumu parāda ļoti ierobežotus paraugu izmērus  un ir vēl vairāk ierobežoti bateriju katoda daudzveidībā . Trūkums tiek attiecināts uz intensīvajām izmaksām, ilgo testēšanas laiku  un, pats galvenais, datu privātumu komerciālu vai interešu apsvērumu dēļ. Attiecīgi privātuma problēma pastiprina dilemmu, kurā esošie bateriju dati, lai gan apjomīgi un daudzveidīgi no vairākām pusēm, piemēram, bateriju ražotājiem, praktiskajiem lietojumiem, akadēmiskajām iestādēm un trešo pušu platformām, nevar tikt koplietoti. Šāda dilemmu prasa pētīt katoda materiāla šķirošanu, lai optimizētu bateriju pārstrādes maršruta izvēli sadarbības, vienlaikus saglabājot privātumu. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Federatīvā mašīnmācīšanās, kā izplatīta un privātumu saglabājoša paradigma, var atrisināt gan daudzpusēju sadarbību (atbilstoši bateriju datu apjomu un daudzveidību), gan privātuma problēmas, izmantojot sadarbības mašīnmācīšanos , , . Katrā apmācības iterācijā izplatītie datu īpašnieki veic vietējo apmācību ar savu vietējo aprēķināšanas jaudu, šifrē apmācītos modeļa parametrus/rezultātus un augšupielādē tos centrālajam koordinatoram agregācijai. Fakts, ka neapstrādāti datu kopumi nekad nepamet savus attiecīgos datu īpašniekus un ka nodotie parametri/rezultāti ir pareizi šifrēti, lai aizsargātu datu privātumu. Federatīvā mašīnmācīšanās ir plaši pētīta daudzos lietišķos laukos, ieskaitot sabiedrības veselību , , klīnisko diagnostiku , , , e-komerciju , lietu internetu , mobilo skaitļošanu , un viedo tīklu , , . Šī pieeja var ieviest revolūciju datu virzītajā pētniecības paradigmā plašajos enerģētikas sektoros, nodrošinot sadarbību, kas saglabā privātumu, īpaši tiem, kam ir ierobežota piekļuve datiem. Attiecībā uz bateriju pārstrādes sektoru federatīvā mašīnmācīšanās paredz daudzsološi iespējas izmantot milzīgo bateriju datu daudzumu, kas jau pastāv, bet ko nevar koplietot privātuma apsvērumu dēļ. Ar šādu sadarbības, vienlaikus saglabājot privātumu, paradigmu izlietoto bateriju šķirošana var tikt ieviesta ar augstu precizitāti, efektivitāti, mērogojamību un vispārināšanu, optimizējot pārstrādāto produktu kvalitāti un ienesīgumu. Cik mums zināms, pētījumi par federatīvo mašīnmācīšanos, kas vērsti uz bateriju pārstrādi, nekad nav tikuši ziņoti. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 Šajā pētījumā mēs veicam izlietoto bateriju katoda materiālu šķirošanu, izmantojot esošos bateriju datus no vairākiem sadarbības partneriem, piemēram, bateriju ražotājiem, praktisko lietojumu operatoriem, akadēmiskajām pētniecības iestādēm un trešo pušu platformām, sadarbības, vienlaikus saglabājot privātumu, mašīnmācīšanās veidā, kā parādīts 1. attēlā . Mūsu federatīvās mašīnmācīšanās modelis tika apmācīts, izmantojot tikai vienu lauka testēšanas datu ciklu, izmantojot standartizētu iezīmju ieguves procesu, bez iepriekšējas zināšanas par vēsturiskajiem ekspluatācijas nosacījumiem. Mēs salīdzinām mūsu federatīvās mašīnmācīšanās modeļa prognozēšanas spēku ar neatkarīgi apgūto vietējo modeļu veiktspēju, pamatojoties uz vietējiem datiem, gan homogēnos, gan heterogēnos bateriju pārstrādes apstākļos. Nehomogenitātes problēma tiek atrisināta ar mūsu piedāvāto Vaseršteina attāluma balsošanas stratēģiju. Tiek veikts izlietoto bateriju pārstrādes ekonomiskais novērtējums, izmantojot mūsu piedāvāto federatīvo mašīnmācīšanās sistēmu, uzsverot precīzas izlietoto bateriju šķirošanas nozīmi un nepieciešamību. Mēs visaptveroši apspriežam modeļa interpretējamību, bateriju pārstrādes sekas un plašākas nākotnes bateriju pārstrādes prakses perspektīvas, kas integrētas ar federatīvo mašīnmācīšanos. 
    Datu avoti, piemēram, bateriju ražotāji (Attēla pieklājība Addionics), praktisko lietojumu operatori (bateriju bloks Tesla grīdas panelī. Attēla pieklājība Tesla), akadēmiskās pētniecības iestādes un trešo pušu platformas, var būt datu dalībnieki. Bateriju dati netiek apmainīti starp dalībniekiem, nedz arī augšupielādēti bateriju pārstrādātājam. Tā vietā datu dalībnieki apmāca vietējos modeļus un kopīgo modeļa parametrus ar bateriju pārstrādātāju, lai izveidotu globālo modeli. Piedāvātā Vaseršteina attāluma balsošanas tehnika apvieno vietējos modeļus globālajā modelī, kas ir izturīgs pret datu nelīdzsvarotību un troksni. Bateriju pārstrādātāji var izmantot kopīgi izveidoto modeli bateriju šķirošanai, apvienojot to ar viegli pieejamiem lauka testēšanas datiem.   Mūsu federatīvās mašīnmācīšanās sistēma mudina sadarbības partnerus kopīgot datus, vienlaikus saglabājot datu privātumu, atšķirībā no tradicionālās datu izolācijas paradigmas. a b Rezultāti Datu vākšana un standartizācija Unikālā kinētika dažādos bateriju tipos bieži ir augstdimensiju un grūti raksturojama, pateicoties atšķirīgiem ekspluatācijas gadījumiem, ražošanas mainīgumam un vēsturiskajai lietošanai . Lai atrastu risinājumu šai dilemmai, mēs savācām un standartizējām 130 izlietotas baterijas ar 5 katoda materiālu tipiem no 7 ražotājiem, lai izveidotu ārpus izplatības, atbilstoši heterogēnu datu kopu. Ņemot vērā atšķirīgo vēsturisko lietošanu, savākto bateriju jauda ir zemāka par 90% no nominālās jaudas. Bateriju katoda materiāli ir litija kobalta oksīds (LCO), niķeļa mangāna kobalts (NMC), litija ferrofosfāts (LFP), niķeļa-kobalta-alumīnija oksīds (NCA) un NMC-LCO jauktie tipi, kas ir tālāk grupēti 9 klasēs pēc ražotājiem (papildtabula  ). Mēs apzināti iekļaujam baterijas ar atšķirīgu vēsturisko lietošanu, sākot no laboratorijas testēšanas līdz elektrisko transportlīdzekļu braukšanas profiliem, lai apmācītu vispārinātu modeli bateriju pārstrādātājam, kas ir neatkarīgs no vēsturiskās lietošanas un bateriju tipiem. 52 1 Standartizācijai visi dati, kas nepieciešami no pārstrādātāja, ir pašreizējais (laukā testētais) cikls ar vienu uzlādes un izlādes testu, ko ir viegli ieviest praktiskos gadījumos. Apstrādātie dati vispirms tiek attīrīti, aizpildot trūkstošās vērtības, aizstājot novirzes un veicot mediānu filtrēšanu. Cilvēka izraisītie un katoda-heterogenitātes izraisītie trokšņi tiek apzināti saglabāti, lai padarītu modeli izturīgu pret nepilnīgiem ievadiem. Pēc tam dati tiek lineāri interpolēti līnijas aizpildīšanai (papildu attēls  ) un apstrādāti pazīmju ieguvei dimensiju samazināšanai, izmantojot kopīgu standartizācijas parametru kopumu (papildu piezīme  ). Iegūtās pazīmes no standartizācijas cauruļvada ir labi interpretējamas, kas ir nozīmīgs komerciālais interešu jautājums. Cik mums zināms, tā ir pirmā reize, kad heterogēni bateriju dati no vairākiem avotiem un vēsturiskās lietošanas tiek izmantoti, lai palīdzētu izstrādāt bateriju pārstrādes stratēģiju. 1 1 2. attēls a, b ilustrē pazīmju ieguves procesu. Mēs koncentrējamies uz izlietoto bateriju uzlādes un izlādes līkni pēdējā ciklā, proti, vienā uzlādes un vienā izlādes ciklā (papildu attēli  – ). Uzlādes ciklā 15 pazīmes tiek iegūtas no sprieguma-jaudas un dQ/dV līknēm, kur V un Q attiecīgi apzīmē sprieguma un jaudas vērtības. Tāds pats pazīmju kopums tiek iegūts izlādes ciklam. Rezultātā kopumā tiek iegūtas 30 pazīmes, kā norādīts no F1 līdz F30. Lai iegūtu detalizētu pazīmju skaidrojumu, skatiet papildu 2. tabulu   un papildu 2. piezīmi  . 2. attēla c parāda katras klases izvēlēto bateriju absolūtās un relatīvās pazīmju vērtības. Vairums relatīvo pazīmju vērtību dažādās klasēs pārklājas reģionā no -1 līdz 0 (ar gaiši zaļu krāsu) un ir neatšķiramas, ilustrējot grūtības klasificēt baterijas tipu, izmantojot vienu baterijas datu ciklu. Grūtības ir sagaidāmas, jo atšķirīgie vēsturiskie ekspluatācijas apstākļi var ietekmēt bateriju uzlādes-izlādes kinētiku, lai iegūtās pazīmes varētu būt lielā mērā saistītas, neskatoties uz dažādajiem bateriju tipiem (papildu attēls  ). Tā vietā, lai tieši interpretētu iegūtās pazīmes, izmantojot ekspertu zināšanas, mēs izmantojam alternatīvu datu virzītu pieeju, kas automātiski izmanto latentus modeļus dažādos bateriju tipos. 2 5 2 2 6    Uzlādes procesam 15 pazīmes tiek iegūtas no sprieguma-jaudas (pa kreisi) un dQ/dV līknes (pa labi).  & a b

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

Šis audio ir izveidots stāsta oriģinālvalodā!

Šī privātumam drošā mākslīgā intelekta tehnoloģija varētu pārvērst bateriju atkritumus par lielu peļņu.

About Author

KOMENTĀRI

PAKARINĀT TAGUS

ŠIS RAKSTS TIKS PĀRSTRĀDĀTS

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps