```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 Kopsavilkums Nešķiroti 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 izaicinājumi saistībā ar dažādiem ekspluatācijas vēstures periodiem, dažādiem ražotājiem un pārstrādes sadarbības partneru datu privātuma problēmām (datu īpašnieki). Šeit mēs parādām, ka, izmantojot unikālu datu kopu, kas ietver 130 litija jonu baterijas ar 5 katoda materiālu veidiem un 7 ražotājiem, federatīvā mašīnmācīšanās pieeja var klasificēt šīs izlietotās baterijas bez nepieciešamības izmantot iepriekšējos ekspluatācijas datus, tādējādi aizsargājot pārstrādes sadarbības partneru datu privātumu. Izmantojot galīgās dzīves uzlādes-izlādes cikla iegūtās iezīmes, mūsu modelis uzrāda 1% un 3% kļūdas katoda šķirošanā attiecīgi homogēnos un heterogēnās bateriju pārstrādes apstākļos, kas ir saistītas ar mūsu novatorisko Vaseršteina attāluma balsošanas stratēģiju. Ekonomiski piedāvātā metode uzsver precīzas bateriju šķirošanas nozīmi plaukstošai un ilgtspējīgai pārstrādes nozarei. Šis pētījums ievada jaunu paradigmu, izmantojot privātumjutīgus datus no dažādiem avotiem, veicinot sadarbības un privātumu cienošu lēmumu pieņemšanu izplatītām sistēmām. Ievads Litija jonu baterijas (LIB), kalpojot par enerģijas uzglabāšanas ierīcēm, ir plaši izmantotas dažādās jomās, sākot no rūpnieciskās ražošanas līdz ikdienas dzīvei kā pieņemts tehniskais risinājums. Prognozes liecina, ka LIB globālā ražošanas apjoms pārsniegs 1,3 TWh līdz 2030. gadam , kad pieaugošais bateriju pieprasījums krietni pārsniegs kritisko metālu resursu, piemēram, litija un kobalta, pieejamību , . Tomēr pašreizējais LIB produktu vidējais kalpošanas laiks ir 5–8 gadi, kas daudzās valstīs liecina par tūlītēju izlietoto bateriju pieplūdumu. Ja netiks pienācīgi apsaimniekotas, izlietotās baterijas radīs neilgtspējīgu resursu izšķērdēšanu un vides kaitējumu. Ņemot vērā šos apstākļus, bateriju pārstrādes tehnoloģijas attīstībai ir svarīga nozīme, saskaroties ar tuvojošos LIB izlietojuma vilni . 1 2 3 4 Jaunākie sasniegumi bateriju pārstrādes pētījumos ir vērsti uz pirometalurģiskām, hidrometalurģiskām un tiešās pārstrādes pieejām . Atšķirībā no pirometalurģiskām un hidrometalurģiskām metodēm, tiešā pārstrāde atšķiras kā atsevišķa pieeja. Šis process nerada sekundārus bojājumus materiāla struktūrai, ļaujot efektīvāk veikt materiāla remontu un atjaunot tā veiktspēju. Turklāt tiešā pārstrāde ir rentablāka, jo tā ietver mazāku enerģijas patēriņu, mazāku siltumnīcefektu izraisošo gāzu emisiju un mazāku vides ietekmi , . Tomēr faktiskajā ražošanā bateriju pārstrādātāji bieži saskaras ar LIB, kas sastāv no nezināmiem komponentiem, vai bateriju moduļiem, kas sastāv no dažādu katoda materiālu veidu maisījuma. Ņemot vērā, ka tiešā pārstrāde var būt ļoti specifiska katodam, šāda sarežģītība padara tiešās pārstrādes pielietošanu neiespējamu vērtības konvertēšanai no izlietotajām baterijām . Ir svarīgi uzsvērt, ka pat tad, ja svarīgie metāli no dažādu katoda materiālu maisījumiem tiek iegūti, izmantojot parastās pārstrādes stratēģijas, dažādu katoda materiālu mijiedarbība pārstrādes procesā var negatīvi ietekmēt produktu kvalitāti . Tāpēc katoda materiāla tipa informācijas izpratne no pārstrādes puses būtiski ietekmē tiešās pārstrādes maršruta izvēli un galu galā uzlabo produktu kvalitāti, rentabilitāti un ilgtspējību. 5 6 7 8 9 Ir ierosināta cilvēka palīdzības tiešā pārstrāde, lai identificētu izlietoto bateriju katoda materiāla tipa informāciju pirmapstrādes posmā, kas joprojām nav finansiāli dzīvotspējīga, palielinoties pārstrādes nozarei . Lai efektīvi iegūtu izlietoto bateriju katoda tipa informāciju, zinātnieki un rūpniecības kopiena nesen ir uzsākusi bateriju kalpošanas laika izsekošanas sistēmu  un jaunus konceptus, piemēram, bateriju pase  un bateriju datu genoms . Lai gan pirms šīm iniciatīvām ir izmantotas ievērojamas bateriju daudzumi, pastāv pieaugoša vienošanās par to, ka baterijas informācijai jābūt pieejamai visā dzīves ciklā, lai veicinātu otrās dzīves lēmumu pieņemšanu . Tas jo īpaši attiecas uz bateriju pārstrādes sektoru, kas ir pēdējā stacija baterijas otrās dzīves ciklā, jo pārstrādes maršruts var būt ļoti specifisks katodam. Tomēr bateriju kalpošanas laika izsekošanas sistēmas vai bateriju pasu iespējas nodrošina elektroniskās ierīces, piemēram, svītrkodi un tuvuma lauka sakari, 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 posmā, jo mūsdienu LIB ražošanas process vēl nav integrēts no ražošanas līdz pārstrādei . Tāpēc ir steidzami nepieciešami vairāk izrāvienu, lai panāktu efektīvu bateriju katoda tipa šķirošanu, izmantojot tikai viegli pieejamu lauka informāciju , , atšķirībā no reģistrētajiem vēstures datiem vai cilvēka palīdzības, veicinot tiešās pārstrādes izmantošanu, lai uzlabotu pārstrādāto produktu kvalitāti un rentabilitāti. 1 10 11 12 13 14 15 16 Pēdējos gados mašīnmācīšanās ir kļuvusi par dzīvotspējīgu rīku atklātu jautājumu risināšanai visās bateriju jomās. Citās ar baterijām saistītās tēmās mašīnmācīšanās nesen ir ļāvusi mums automātiski atklāt sarežģītus bateriju mehānismus , , , prognozēt atlikušo noderīgo kalpošanas laiku , , , , , novērtēt veselības stāvokli , , , optimizēt cikla profilu , , aptuveni noteikt kļūmju sadalījumu , pat lai vadītu bateriju dizainu , , un prognozēt kalpošanas laika veiktspēju uzreiz pēc ražošanas . Bateriju pārstrādes gadījumā tikai daži darbi ir izpētījuši mašīnmācīšanos attiecībā uz katoda materiāliem , , kas vainojams bateriju datu trūkumā, īpaši tiem, kas izmantoti līdz beigām. Lielākā daļa publicēto pētījumu parāda ļoti ierobežotus paraugu izmērus  un vēl vairāk ierobežo bateriju katoda daudzveidību . Trūkums ir saistīts ar intensīvām izmaksām, ilgu testēšanas laiku  un, pats svarīgākais, datu privātumu komerciālu vai interešu apsvērumu dēļ. Tā rezultātā privātuma problēma pastiprina dilemmu, kurā esošos bateriju datus, lai gan apjomīgus un daudzveidīgus no vairākām pusēm, piemēram, bateriju ražotājiem, praktiskiem lietotājiem, akadēmiskām iestādēm un trešo pušu platformām, nevar koplietot. Šāda dilemma prasa izpētīt katoda materiāla šķirošanu, lai optimizētu bateriju pārstrādes maršruta izvēli sadarbības, bet privātumu saglabājošā veidā. 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, spēj 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, izmantojot savu lokālo skaitļošanas jaudu, šifrē apmācītos modeļa parametrus/rezultātus un augšupielādē tos centrālajam koordinatoram agregācijai. Fakti, ka neapstrādāti datu kopumi nekad nepamet savus attiecīgos datu īpašniekus un ka pārsūtītie parametri/rezultāti ir pareizi šifrēti, lai aizsargātu datu privātumu. Federatīvā mašīnmācīšanās ir plaši izpētīta daudzās lietišķās jomās, tostarp sabiedrības veselībā , , klīniskajā diagnostikā , , , e-komercijā , lietiskajā internetā , mobilajā skaitļošanā  un viedtīklos , , . Šī pieeja var ieviest revolucionāras izmaiņas datu virzītās pētniecības paradigmā plašos enerģētikas sektoros, ļaujot sadarboties, saglabājot privātumu, īpaši tiem, kuriem ir ierobežota piekļuve datiem. Attiecībā uz bateriju pārstrādes sektoru, federatīvā mašīnmācīšanās piedāvā daudzsološas iespējas izmantot milzīgo bateriju datu apjomu, kas jau pastāv, bet kuru nevar koplietot privātuma problēmu dēļ. Ar šādu sadarbības, bet privātumu saglabājošu paradigmu izlietoto bateriju šķirošanu var veikt ar augstu precizitāti, efektivitāti, mērogojamību un vispārināmību, optimizējot pārstrādāto produktu kvalitāti un rentabilitāti. Cik mums zināms, federatīvās mašīnmācīšanās pētījumi, kas vērsti uz bateriju pārstrādi, vēl nav ziņoti. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 Šajā pētījumā mēs veicam izlietoto bateriju katoda materiāla šķirošanu, izmantojot esošos bateriju datus no vairākiem sadarbības partneriem, piemēram, bateriju ražotājiem, praktiskiem lietotājiem, akadēmiskiem pētniecības institūtiem un trešo pušu platformām, sadarbības, bet privātumu saglabājošā 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 vēstures ekspluatācijas apstākļiem. Mēs salīdzinām mūsu federatīvās mašīnmācīšanās modeļa prognozēšanas spēju ar neatkarīgi apmācītiem vietējiem modeļiem, kas balstīti uz vietējiem datiem gan homogēnos, gan heterogēnos bateriju pārstrādes apstākļos. Heterogenitātes problēma tiek atrisināta ar mūsu piedāvāto Vaseršteina attāluma balsošanas stratēģiju. Tiek veikts ekonomiskais novērtējums izlietoto bateriju pārstrādei, izmantojot mūsu piedāvāto federatīvās mašīnmācīšanās sistēmu, uzsverot precīzas izlietoto bateriju šķirošanas nozīmi un nepieciešamību. Mēs visaptveroši apspriežam modeļa interpretējamību, bateriju pārstrādes sekas un plašākas perspektīvas nākotnes bateriju pārstrādes praksei, kas integrēta ar federatīvo mašīnmācīšanos. 1    Datu avoti, piemēram, bateriju ražotāji (attēla pieklājība Addionics), praktiskie operatori (bateriju paka Tesla grīdas paneļī. Attēla pieklājība Tesla), akadēmiskās pētniecības iestādes un trešo pušu platformas, var būt datu sniedzēji. Bateriju dati netiek apmainīti starp dalībniekiem vai augšupielādēti bateriju pārstrādātājam. Tā vietā datu sniedzēji apmāca vietējos modeļus un kopīgo modeļa parametrus ar bateriju pārstrādātāju, lai izveidotu globālu 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, apvienojumā ar viegli pieejamiem lauka testēšanas datiem.   Mūsu federatīvā mašīnmācīšanās sistēma mudina sadarbības partnerus koplietot datus, vienlaikus saglabājot datu privātumu, atšķirībā no tradicionālās datu salu paradigmas. a b Rezultāti Datu vākšana un standartizācija Atšķirīgā akumulatoru kinētika dažādos bateriju tipos bieži ir augstdimensionāla un grūti raksturojama atšķirīgu ekspluatācijas gadījumu, ražošanas mainības un vēsturiskās izmantošanas dēļ . Lai rastu risinājumu šai dilemmai, mēs savācām un standartizējām 130 izlietotas baterijas ar 5 katoda materiālu tipiem no 7 ražotājiem, lai izveidotu ārpus sadalījuma, atbilstoši heterogēnu, datu kopu. Ņemot vērā atšķirīgo vēsturisko izmantošanu, 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 maisījuma veidi, kas tālāk tiek grupēti 9 klasēs, pamatojoties uz ražotājiem (papildu tabula  ). Mēs apzināti iekļāvām baterijas ar atšķirīgu vēsturisko izmantošanu, sākot no laboratorijas testēšanas līdz elektrisko transportlīdzekļu braukšanas profiliem, lai apmācītu vispārinātu modeli bateriju pārstrādātājam neatkarīgi no vēsturiskās izmantošanas un bateriju tipiem. 52 1 Standartizācijai visi dati, kas nepieciešami no pārstrādātāja, ir pašreizējais (lauka testēšanas) cikls ar vienu uzlādes un izlādes testu, kas ir viegli ieviest praktiskos gadījumos. Pēc izpētes dati tiek attīrīti, aizpildot trūkstošās vērtības, aizstājot novirzes un veicot mediānas filtrēšanu. Tomēr cilvēka izraisītie un katoda heterogenitātes izraisītie trokšņi tiek apzināti saglabāti, lai padarītu modeli izturīgu pret nepilnīgiem ievades datiem. Pēc tam dati tiek lineāri interpolēti līknes aizpildīšanai (papildu attēls  ) un iezīmes tiek inženierētas dimensiju samazināšanai, izmantojot kopīgu standartizācijas parametru kopumu (papildu piezīme  ). Standartizācijas procesā iegūtās iezīmes ir labi interpretējamas, kas ir svarīgs komerciālais ieguvums. Cik mums zināms, tā ir pirmā reize, kad heterogēni bateriju dati no vairākiem avotiem un vēsturiskās izmantošanas tiek izmantoti, lai palīdzētu izstrādāt bateriju pārstrādes stratēģiju. 1 1 2. attēlā  a, b parādīts iezīmju inženierijas process. Mēs koncentrējamies uz izlietoto bateriju uzlādes un izlādes līkni pēdējā ciklā, ti, vienā uzlādes un vienā izlādes ciklā (papildu attēli  – ). Uzlādes ciklā no sprieguma-ietilpības un dQ/dV līknēm tiek iegūtas 15 iezīmes, kur V un Q apzīmē sprieguma un ietilpības vērtības. Tāda pati iezīmju kopa tiek iegūta izlādes ciklam. Rezultātā kopā tiek iegūtas 30 iezīmes, kā norādīts no F1 līdz F30. Detalizētu iezīmju skaidrojumu skatiet papildu tabulā   un papildu piezīmē  . 2. attēlā  c parādītas katras klases izvēlēto bateriju absolūtās un relatīvās iezīmju vērtības. Vairums relatīvo iezīmju vērtību dažādās klasēs pārklājas reģionā no −1 līdz 0 (ar gaiši zaļu krāsu) un ir neatšķiramas, ilustrējot grūtības klasificēt bateriju tipu, izmantojot vienu baterijas datu ciklu. Grūtības ir sagaidāmas, jo atšķirīgie vēsturiskās ekspluatācijas apstākļi var ietekmēt bateriju uzlādes-izlādes kinētiku, lai iegūtās iezīmes varētu būt lielā mērā korelētas neatkarīgi no dažādajiem bateriju tipiem (papildu attēls  ). Tā vietā, lai tieši interpretētu iegūtās iezīmes, izmantojot ekspertu zināšanas, mēs izmantojam alternatīvu datu virzītās pieeju, kas automātiski izmanto slēptos modeļus dažādos bateriju tipos. 2 2 5 2 2 2 6  

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 draudzīgā mākslīgā intelekta tehnoloģija varētu pārvērst akumulatoru 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