Овој AI што ја штити приватноста би можел да ја претвори отпадната батерија во голем профит

```html Автори: Шенгју Тао Хаиџоу Лиу Чонгбо Сан Хаоченг Џи Гуанџун Џи Жијуан Хан Рунхуа Гао Џун Ма Руифеи Ма Јују Чен Шији Фу Ју Ванг Јаоџие Сан Ју Ронг Сјуан Џанг Гуангмин Џоу Хонгбин Сан Апстракт Несортирани отпадни батерии со различни катодни материјали го попречуваат усвојувањето на директно рециклирање поради нивната специфичност кон катодата. Порастот на отпадни батерии налага прецизно сортирање за ефективно директно рециклирање, но предизвиците произлегуваат од различни оперативни истории, различни производители и грижи за приватност на податоците на соработниците за рециклирање (сопственици на податоци). Овде покажуваме, од уникатен сет на податоци од 130 литиум-јонски батерии што опфаќаат 5 катодни материјали и 7 производители, пристапот на федеративно машинско учење може да ги класифицира овие отпадни батерии без да се потпира на минатите оперативни податоци, заштитувајќи ја приватноста на податоците на соработниците за рециклирање. Со користење на карактеристиките извлечени од циклусот на полнење-празнење на крајот од животниот век, нашиот модел покажува грешки од 1% и 3% при сортирањето на катодата под хомогени и хетерогени услови за рециклирање на батерии, соодветно, што се припишува на нашата иновативна стратегија за гласање со Васерштајнско растојание. Економски, предложениот метод ја подвлекува вредноста на прецизното сортирање на батериите за просперитетна и одржлива индустрија за рециклирање. Оваа студија најавува нова парадигма за користење на податоци чувствителни на приватноста од различни извори, овозможувајќи колаборативно и почитувачко донесување одлуки за дистрибуирани системи. Вовед Литиум-јонските батерии (LIBs), служејќи како уреди за складирање енергија, добија широка употреба во различни домени, од индустриско производство до секојдневен живот како прифатен технички пат. Проекциите сугерираат дека глобалниот производствен обем на LIBs ќе надмине 1,3 TWh до 2030 година кога ескалирачката побарувачка за батерии далеку ќе ја надмине достапноста на клучни метални ресурси како литиум и кобалт , . Сепак, моменталниот просечен животен век на LIB производите изнесува 5–8 години, што доведува до неизбежен пораст на отпадни батерии во многу земји. Ако не се управуваат соодветно, отпадните батерии ќе резултираат со неодржливо расипништво на ресурси и штета на животната средина. Со оглед на овие околности, развојот на технологијата за рециклирање на батерии добива клучно значење додека се соочуваме со претстојниот бран на отпадни LIBs . 1 2 3 4 Неодамнешните напредоци во истражувањето за рециклирање на батерии се фокусирани на пирометалуршки, хидрометалуршки и директни пристапи за рециклирање . Во спротивност со пирометалуршките и хидрометалуршките методи, директното рециклирање се издвојува како различен пристап. Овој процес не нанесува секундарна штета на структурата на материјалот, овозможувајќи поефикасна поправка на структурата и враќање на перформансите. Покрај тоа, директното рециклирање покажува поголема профитабилност, бидејќи вклучува потрошувачка на помалку енергија, намалени емисии на стакленички гасови и полесни отпечатоци на животната средина , . Во реалното производство, сепак, рециклерите на батерии често наидуваат на LIBs што содржат непознати компоненти или батериски модули што се состојат од мешавина од различни типови катодни материјали. Со оглед на тоа што директното рециклирање може да биде многу специфично за катодата, таквата комплексност го прави неприменливо директното рециклирање за постигнување конверзија на вредноста на отпадните батерии . Клучно е да се нагласи дека дури и ако клучните метали од мешаните типови катодни материјали можат да се извлечат со користење на конвенционални стратегии за рециклирање, интеракцијата помеѓу различните катодни материјали за време на процесот на рециклирање може негативно да влијае на квалитетот на производот . Оттука, разбирањето на информациите за типот на катодниот материјал на страната на рециклирање значително влијае на изборот на директниот пат за рециклирање и на крајот го подобрува квалитетот на производот, профитабилноста и одржливоста. 5 6 7 8 9 Директното рециклирање со човечка помош беше предложено за идентификација на информации за типот на катодниот материјал на отпадните батерии во врската за претходна обработка, што сè уште не е финансиски одржливо кога индустријата за рециклирање се зголемува . За ефективно извлекување на информации за типот на катодата на отпадните батерии, научната и индустриската заедница неодамна започна систем за следење на животниот век на батериите и нови концепти како пасош за батерии и геном на податоци од батерии . Иако биле користени значителни батерии пред овие иницијативи, растечкиот консензус е дека информациите за батериите треба да бидат достапни во текот на целиот животен циклус за да се овозможи донесување одлуки за секундарен живот . Ова е особено случај за секторот за рециклирање на батерии, последната станица од вториот живот на батеријата, бидејќи патот на рециклирање може да биде многу специфичен за катодата. Сепак, системите за следење на животниот век на батериите или пасошите за батерии се овозможени со електронски уреди како што се бар-кодови и комуникации блиску до поле, што може да воведе интензивни инвестиции и да биде широко некомпатибилно со различни дизајнери на батерии. Покрај тоа, електронските уреди остануваат предизвик за конзистентно управување во текот на нивниот животен век, што доведува до истрошени уреди и недостапност во фазата на рециклирање, бидејќи модерниот производствен процес на LIBs сè уште не е интегриран од производство до рециклирање . Оттука, итно се потребни повеќе откритија за да се постигне ефикасно сортирање на типот на катодата на батеријата само со користење на лесно достапни теренски информации , , спротивно на историските снимени податоци или рачниот начин, овозможувајќи го усвојувањето на директно рециклирање за подобрување на квалитетот и профитабилноста на рециклираните производи. 1 10 11 12 13 14 15 16 Во последните неколку години, машинското учење се појави како одржлива алатка за решавање отворени прашања во сите полиња поврзани со батериите. Во други теми поврзани со батерии, машинското учење неодамна ни овозможи автоматски да откриеме сложени механизми на батериите , , , да го предвидиме преостанатиот корисен век , , , , , да ја процениме состојбата на здравјето , , , да го оптимизираме профилот на циклус , , да ја приближиме дистрибуцијата на откажување , дури и да го водиме дизајнот на батеријата , , и да ги предвидиме перформансите за време на животниот век веднаш по производството . Во случај на рециклирање на батерии, неколку трудови истражувале машинско учење во врска со катодните материјали , , што се должи на недостигот на податоци од батерии, особено за оние што се користени до крајот на животниот век. Огромното мнозинство на објавени студии покажуваат многу ограничени големини на примероци , а уште повеќе се ограничени во различноста на катодата на батериите . Недостатокот се припишува на интензивните трошоци, долгото време на тестирање , и, најважно, приватноста на податоците поради комерцијални или интересни причини. Следствено, прашањето за приватност ја зацврстува дилемата каде постоечките податоци од батерии, иако се значителни по обем и разновидност од повеќе страни, како што се производителите на батерии, практичните апликации, академските институции и платформите од трети страни, не можат да се споделат. Таквата дилема повикува на студирање на сортирањето на катодните материјали за оптимизирање на изборот на патот за рециклирање на батериите на колаборативен, но и што го почитува приватноста начин. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Федеративното машинско учење, како дистрибуирана парадигма што го штити приватноста, има потенцијал да ги реши и мулти-страничната соработка (еквивалентно, обемот и разновидноста на податоците од батериите) и проблемите со приватноста преку колаборативно машинско учење , , . Во секоја итерација на обука, дистрибуираните сопственици на податоци вршат локална обука со својата локална компјутерска моќ, ги шифрираат обучените параметри/резултати на моделот и ги испраќаат до централен координатор за агрегација. Фактот е дека суровите бази на податоци никогаш не ги напуштаат своите соодветни сопственици на податоци и дека пренесените параметри/резултати се соодветно шифрирани за заштита на приватноста на податоците. Федеративното машинско учење е обемно истражувано во бројни апликативни области, вклучувајќи јавното здравје , , клиничка дијагностика , , , електронска трговија , Интернет на нештата , мобилно компјутерирање , и паметна мрежа , , . Овој пристап може да го револуционизира парадигмата за истражување заснована на податоци во широки енергетски сектори со овозможување соработка што го почитува приватноста, особено за оние со ограничен пристап до податоци. Во однос на секторот за рециклирање на батерии, федеративното машинско учење претставува ветувачки можности за искористување на гигантската количина на постоечки податоци од батерии што не може да се сподели поради грижи за приватноста. Со таква колаборативна, а сепак парадигма што го почитува приватноста, сортирањето на отпадни батерии може да се имплементира со висока точност, ефикасност, скалабилност и генерализација, оптимизирајќи го квалитетот и профитабилноста на рециклираните производи. Колку што знаеме, студии за федеративно машинско учење фокусирани на рециклирање на батерии никогаш не биле пријавени. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 Во оваа студија, вршиме сортирање на катоден материјал на отпадни батерии, искористувајќи ги постоечките податоци од батерии од повеќе соработници, како што се производители на батерии, оператори на практични апликации, академски истражувачки институции и платформи од трети страни, на колаборативен, а сепак што го почитува приватноста начин на машинско учење, како што е илустрирано на Слика 1. Нашиот модел на федеративно машинско учење беше обучен користејќи само еден циклус на теренски податоци преку стандардизиран процес на извлекување карактеристики, без никакво претходно знаење за историските услови на работа. Ги споредуваме предвидливите моќи на нашиот модел на федеративно машинско учење со оној на независно научените локални модели базирани на локални податоци под хомогени и хетерогени околности за рециклирање на батерии. Хетерогеното прашање е решено со нашата предложена стратегија за гласање со Васерштајнско растојание. Извршена е економска евалуација на рециклирањето на отпадни батерии со користење на нашиот предложен рамковен модел на федеративно машинско учење, нагласувајќи ја релевантноста и потребата од точно сортирање на отпадни батерии. Сеопфатно ги дискутираме интерпретабилноста на моделот, импликациите за рециклирање на батериите и пошироките изгледи за идната пракса за рециклирање на батериите интегрирана со федеративно машинско учење. Повеќе извори на податоци, како што се производители на батерии (Слика со дозвола од Addionics), оператори на практични апликации (батериски пакет во подот на Tesla. Слика со дозвола од Tesla), академски истражувачки институции и платформи од трети страни, можат да бидат придонесувачи на податоци. Податоците од батериите ниту се разменуваат помеѓу придонесувачите, ниту се испраќаат до рециклерот на батерии. Наместо тоа, придонесувачите на податоци обучуваат локални модели и споделуваат параметри на моделот со рециклерот на батерии за да изградат глобален модел. Предложената техника за гласање со Васерштајнско растојание ги спојува локалните модели во глобалниот модел, кој е отпорен на нерамнотежа и шум во податоците. Рециклерите на батерии можат да го користат заеднички изградениот модел за сортирање на батерии, комбиниран со лесно достапни теренски податоци за тестирање. Нашиот рамковен модел на федеративно машинско учење ги охрабрува соработниците да ги споделуваат податоците, а воедно го штити приватноста на податоците, за разлика од традиционалната парадигма на изолирање на податоците. а б Резултати Собирање и стандардизација на податоци Уникатната кинетика на батериите во различни типови батерии често е високодимензионална и тешка за карактеризирање поради различни работни случаи, варијабилност во производството и историска употреба . За да најдеме решение за оваа дилема, собравме и стандардизиравме 130 отпадни батерии со 5 типови катодни материјали од 7 производители за да конструираме сет на податоци надвор од дистрибуција, еквивалентно хетероген. Со оглед на различната историска употреба, капацитетите на собраните батерии се под 90% од номиналниот капацитет. Катодните материјали на батериите се литиум кобалт оксид (LCO), никел манган кобалт (NMC), литиум железен фосфат (LFP), никел-кобалт-алуминиум оксид (NCA) и LFP-LCO мешани типови, кои се понатаму групирани во 9 класи врз основа на производителите (Дополнителна Табела 1). Намерно вклучивме батерии со различни историски употреби, од лабораториско тестирање до профили на возење на електрични возила, за да обучиме генерализиран модел за рециклерот на батерии независно од историската употреба и типовите на батерии. 52 За стандардизација, сите податоци потребни од рециклерот се сегашниот (теренски) циклус со еден тест за полнење и празнење, што е лесно да се имплементира во практични случаи. Податоците добиени при тестирањето прво се деноизираат со пополнување на недостасувачки вредности, замена на одвлекувачки вредности и вршење филтрирање со медијана. Шумовите предизвикани од човек и шумови предизвикани од хетерогеност на катодата, сепак, се задржуваат намерно, за да се направи моделот отпорен на несовршени внесувања. Податоците потоа се линеарно интерполирани за пополнување на кривата (Дополнителна Слика 1) и се извлекуваат карактеристики за намалување на димензионалноста, со заеднички сет на параметри за стандардизација (Дополнителна Белешка 1). Карактеристиките извлечени од процесот на стандардизација се добро интерпретибилни, што е грижа од значаен комерцијален интерес. Колку што знаеме, ова е првпат да се користат хетерогени податоци од батерии од повеќе извори и историски употреби за да се помогне во дизајнот на стратегијата за рециклирање на батерии. Сликите 2а и 2б го прикажуваат процесот на извлекување карактеристики. Фокусираме на кривата на полнење и празнење на отпадните батерии во последниот циклус, т.е., еден циклус на полнење и еден циклус на празнење (Дополнителни Слики 2–5). Во циклусот на полнење, 15 карактеристики се извлечени од кривите напон-капацитет и dQ/dV, каде V и Q се однесуваат на вредностите на напонот и капацитетот, соодветно. Истиот сет на карактеристики се извлекува за циклусот на празнење. Како резултат, се извлекуваат вкупно 30 карактеристики, како што е означено од F1 до F30. Погледнете ја Дополнителната Табела 2 и Дополнителната Белешка 2 за детален објаснување на карактеристиките. Слика 2в прикажува апсолутни и релативни вредности на карактеристиките на избраните батерии од секоја класа. Повеќето релативни вредности на карактеристиките во различни класи се преклопуваат во регионот од −1 до 0 (со светло зелена боја) и се неразлични, што ја илустрира тешкотијата во класификацијата на типот на батеријата користејќи еден циклус на податоци од батеријата. Тешкотијата е очекувана бидејќи различните историски услови на работа можат да влијаат на кинетиката на полнење-празнење на батериите, така што извлечените карактеристики можат да бидат во голема мера корелирани и покрај различните типови на батерии (Дополнителна Слика 6). Наместо директно толкување на извлечените карактеристики користејќи експертско знаење, користиме алтернативен пристап заснован на податоци што автоматски ги искористува латентните обрасци низ различни типови на батерии. За процесот на полнење, 15 карактеристики се извлечени од кривата напон-капацитет (лево) и dQ/dV (десно). Истиот сет на карактеристики е за процесот на празнење како F16 до F30. Карактеристиките се визуелизирани по класи, следејќи го форматот CxBn, што укажува на nth батерија од класа x. Големината на кругот ја мери апсолутната вредност на карактеристиката. Изворните податоци се дадени како датотека со изворни податоци. а б c Сортирање на отпадни батерии со хомоген пристап до податоци Прво разгледуваме поставка каде што податоците од батериите се хомогено распределени меѓу соработниците (имено, клиентите). Хомогеноста значи дека секој клиент нуди да сподели пода