```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Authors: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Abstrak Bateri terpakai yang tidak diisih dengan bahan katod yang pelbagai menghalang penggunaan kitar semula langsung kerana sifatnya yang khusus katod. Lonjakan dalam bateri terpakai memerlukan pengisihan yang tepat untuk kitar semula langsung yang berkesan, tetapi cabaran timbul daripada sejarah operasi yang berbeza, pengeluar yang pelbagai, dan kebimbangan privasi data rakan kongsi kitar semula (pemilik data). Di sini kami tunjukkan, daripada set data unik 130 bateri litium-ion yang merangkumi 5 bahan katod dan 7 pengeluar, pendekatan pembelajaran mesin bersekutu boleh mengklasifikasikan bateri terpakai ini tanpa bergantung pada data operasi masa lalu, melindungi privasi data rakan kongsi kitar semula. Dengan menggunakan ciri yang diekstrak daripada kitaran cas-nyahcas akhir hayat, model kami memaparkan kesilapan pengisihan katod 1% dan 3% di bawah tetapan kitar semula bateri yang homogen dan heterogen masing-masing, disebabkan oleh strategi pengundian jarak Wasserstein inovatif kami. Dari segi ekonomi, kaedah yang dicadangkan menggariskan nilai pengisihan bateri yang tepat untuk industri kitar semula yang makmur dan mampan. Kajian ini menandakan paradigma baharu penggunaan data sensitif privasi daripada pelbagai sumber, memudahkan pembuatan keputusan kolaboratif dan menghormati privasi untuk sistem teragih. Pengenalan Bateri ion litium (LIB), yang berfungsi sebagai peranti penyimpanan tenaga, telah mendapat penggunaan yang meluas di pelbagai domain, daripada pengeluaran industri hingga kehidupan seharian sebagai laluan teknikal yang diterima. Proyeksi menunjukkan bahawa skala pengeluaran global LIB akan melebihi 1.3 TWh menjelang 2030 apabila permintaan yang meningkat untuk bateri akan jauh melebihi ketersediaan sumber logam penting seperti litium dan kobalt , . Walau bagaimanapun, jangka hayat purata produk LIB semasa ialah 5–8 tahun, membawa kepada lonjakan bateri terpakai yang akan datang di banyak negara. Jika tidak diuruskan dengan betul, bateri terpakai akan mengakibatkan pembaziran sumber yang tidak mampan dan kemudaratan alam sekitar. Memandangkan keadaan ini, pembangunan teknologi kitar semula bateri amat penting apabila kita menghadapi gelombang pengabaian LIB yang akan datang . 1 2 3 4 Kemajuan terbaru dalam penyelidikan kitar semula bateri telah tertumpu pada pendekatan pirometalurgi, hidrometalurgi, dan kitar semula langsung . Berbanding dengan kaedah pirometalurgi dan hidrometalurgi, kitar semula langsung berdiri sebagai pendekatan yang berbeza. Proses ini tidak menyebabkan kerosakan sekunder pada struktur bahan, membolehkan pembaikan struktur dan pemulihan prestasi yang lebih cekap. Selain itu, kitar semula langsung menunjukkan keuntungan yang lebih tinggi, kerana ia melibatkan penggunaan tenaga yang lebih rendah, pelepasan gas rumah hijau yang berkurangan, dan jejak alam sekitar yang lebih ringan , . Walau bagaimanapun, dalam pengeluaran sebenar, pengitar semula bateri sering menghadapi LIB yang mengandungi komponen yang tidak diketahui atau modul bateri yang terdiri daripada campuran jenis bahan katod yang berbeza. Memandangkan kitar semula langsung boleh sangat khusus katod, kerumitan seperti itu menjadikan aplikasi kitar semula langsung tidak mustahil untuk mencapai penukaran nilai bateri terpakai . Penting untuk menekankan bahawa walaupun logam penting daripada pelbagai jenis bahan katod boleh diekstrak menggunakan strategi kitar semula konvensional, interaksi antara bahan katod yang berbeza semasa proses kitar semula boleh menjejaskan kualiti produk . Oleh itu, memahami maklumat jenis bahan katod di pihak kitar semula sangat memberi kesan kepada pilihan laluan kitar semula langsung dan akhirnya meningkatkan kualiti produk, keuntungan, dan kemampanan. 5 6 7 8 9 Kitar semula langsung yang dibantu manusia telah dicadangkan untuk mengenal pasti maklumat jenis bahan katod bateri terpakai dalam pautan pra-rawatan, yang masih belum berdaya maju dari segi kewangan apabila industri kitar semula berkembang . Untuk mengambil maklumat jenis katod bateri terpakai dengan berkesan, komuniti saintifik dan industri baru-baru ini telah memulakan sistem penjejakan hayat bateri dan konsep baru seperti pasport bateri dan genom data bateri . Walaupun sejumlah besar bateri telah digunakan sebelum inisiatif ini, terdapat konsensus yang semakin meningkat bahawa maklumat bateri harus dapat diakses sepanjang rantaian hayat untuk memudahkan pembuatan keputusan kehidupan kedua . Ini amat ketara untuk sektor kitar semula bateri, stesen terakhir kehidupan kedua bateri, kerana laluan kitar semula boleh sangat khusus katod. Walau bagaimanapun, sistem penjejakan hayat bateri atau pasport bateri didayakan oleh alat elektronik seperti kod bar dan komunikasi medan dekat, yang boleh memperkenalkan pelaburan intensif dan mungkin tidak serasi secara meluas dengan pereka bateri yang berbeza. Tambahan pula, alat elektronik kekal mencabar untuk diurus secara konsisten sepanjang hayatnya, membawa kepada peranti yang haus dan tidak dapat diakses pada peringkat kitar semula kerana proses pembuatan moden LIB masih belum disepadukan pengeluaran kepada kitar semula . Oleh itu, lebih banyak kejayaan amat diperlukan untuk mencapai pengisihan jenis katod bateri yang cekap hanya menggunakan maklumat medan yang mudah diakses , , bertentangan dengan data sejarah yang direkodkan atau cara dibantu manusia, memudahkan penggunaan kitar semula langsung untuk meningkatkan kualiti dan keuntungan produk yang dikitar semula. 1 10 11 12 13 14 15 16 Dalam beberapa tahun kebelakangan ini, pembelajaran mesin telah muncul sebagai alat yang berdaya maju untuk menangani persoalan terbuka dalam semua bidang bateri. Dalam topik berkaitan bateri lain, pembelajaran mesin baru-baru ini membolehkan kami menemui mekanisme bateri yang kompleks secara automatik , , , meramalkan hayat berguna yang tinggal , , , , , menilai keadaan kesihatan , , , mengoptimumkan profil kitaran , , menghampiri taburan kegagalan , malah untuk membimbing reka bentuk bateri , , dan meramalkan prestasi sepanjang hayat sejurus selepas pembuatan . Dalam kes kitar semula bateri, beberapa kajian telah menyiasat pembelajaran mesin berkaitan bahan katod , , yang menyalahkan data bateri yang terhad, terutamanya bagi yang dikitar semula sehingga peringkat akhir hayat. Sebilangan besar kajian yang diterbitkan menunjukkan saiz sampel yang sangat terhad  dan lebih terhad lagi dalam kepelbagaian katod bateri . Kekurangan ini dikaitkan dengan kos intensif, masa ujian yang lama , dan yang paling penting, privasi data disebabkan oleh kebimbangan komersial atau kepentingan. Akibatnya, isu privasi mengukuhkan dilema di mana data bateri yang sedia ada, walaupun ketara dalam jumlah dan kepelbagaian daripada pelbagai pihak seperti pengeluar bateri, aplikasi praktikal, institusi akademik, dan platform pihak ketiga, tidak boleh dikongsi. Dilema seperti itu memerlukan kajian pengisihan bahan katod untuk mengoptimumkan pilihan laluan kitar semula bateri secara kolaboratif sambil memelihara privasi. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Pembelajaran mesin bersekutu, sebagai paradigma teragih dan pemelihara privasi, mempunyai potensi untuk menyelesaikan kedua-dua kolaborasi pelbagai pihak (setara dengan jumlah dan kepelbagaian data bateri) dan isu privasi melalui pembelajaran mesin kolaboratif , , . Dalam setiap lelaran latihan, pemilik data teragih melakukan latihan tempatan dengan kuasa pengiraan tempatan mereka, menyulitkan parameter/hasil model yang dilatih secara tempatan, dan memuat naiknya ke penyelesai pusat untuk agregasi. Fakta bahawa set data mentah tidak pernah meninggalkan pemilik data masing-masing dan bahawa parameter/hasil yang dipindahkan disulitkan dengan betul untuk melindungi privasi data. Pembelajaran mesin bersekutu telah disiasat secara meluas dalam pelbagai bidang aplikasi, termasuk kesihatan awam , , diagnosis klinikal , , , e-dagang , Internet of Things , pengkomputeran mudah alih , dan grid pintar , , . Pendekatan ini boleh merevolusikan paradigma penyelidikan dipacu data dalam sektor tenaga yang luas dengan mendayakan kolaborasi yang memelihara privasi, terutamanya bagi mereka yang mempunyai akses data terhad. Berkenaan dengan sektor kitar semula bateri, pembelajaran mesin bersekutu mempunyai kemungkinan yang menjanjikan untuk memanfaatkan sejumlah besar data bateri yang sudah wujud tetapi tidak boleh dikongsi kerana kebimbangan privasi. Dengan paradigma kolaboratif yang memelihara privasi, pengisihan bateri terpakai boleh dilaksanakan dengan ketepatan, kecekapan, skalabiliti, dan generalisasi yang tinggi, mengoptimumkan kualiti dan keuntungan produk yang dikitar semula. Sepengetahuan kami, kajian pembelajaran mesin bersekutu yang tertumpu pada kitar semula bateri tidak pernah dilaporkan. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 Dalam kajian ini, kami melakukan pengisihan bahan katod bateri terpakai, memanfaatkan data bateri yang sedia ada daripada pelbagai rakan kongsi, seperti pengeluar bateri, pengendali aplikasi praktikal, institusi penyelidikan akademik, dan platform pihak ketiga, dalam fesyen pembelajaran mesin kolaboratif sambil memelihara privasi seperti yang digambarkan dalam Rajah.  . Model pembelajaran mesin bersekutu kami telah dilatih menggunakan hanya satu kitaran data ujian medan melalui proses pengekstrakan ciri yang standard, tanpa sebarang pengetahuan terdahulu tentang keadaan operasi sejarah. Kami membandingkan kuasa ramalan model pembelajaran mesin bersekutu kami dengan model tempatan yang dipelajari secara bebas berdasarkan data tempatan dalam kedua-dua keadaan kitar semula bateri homogen dan heterogen. Isu heterogeniti diselesaikan oleh strategi pengundian jarak Wasserstein kami yang dicadangkan. Penilaian ekonomi kitar semula bateri terpakai menggunakan rangka kerja pembelajaran mesin bersekutu yang dicadangkan dijalankan, menonjolkan relevan dan keperluan pengisihan bateri terpakai yang tepat. Kami secara komprehensif membincangkan kebolehtafsiran model, implikasi kitar semula bateri, dan prospek yang lebih luas bagi amalan kitar semula bateri masa depan yang disepadukan dengan pembelajaran mesin bersekutu. 1    Pelbagai sumber data, seperti pengeluar bateri (Imej ihsan Addionics), pengendali aplikasi praktikal (pek bateri dalam bahagian lantai Tesla. Imej ihsan Tesla), institusi penyelidikan akademik, dan platform pihak ketiga, boleh menjadi penyumbang data. Data bateri tidak dipertukarkan antara penyumbang atau dimuat naik kepada pengitar semula bateri. Sebaliknya, penyumbang data melatih model tempatan dan berkongsi parameter model dengan pengitar semula bateri untuk membina model global. Teknik pengundian jarak Wasserstein yang dicadangkan menggabungkan model tempatan ke dalam model global, yang kalis terhadap ketidakseimbangan data dan bunyi. Pengitar semula bateri boleh menggunakan model yang dibina bersama untuk pengisihan bateri, digabungkan dengan data ujian medan yang mudah diakses.   Rangka kerja pembelajaran mesin bersekutu kami menggalakkan rakan kongsi untuk berkongsi data sambil memelihara privasi data berbanding dengan paradigma pulau data tradisional. a b Keputusan Pengumpulan dan penyeragaman data Kinetik bateri yang unik dalam jenis bateri yang berbeza seringkali berdimensi tinggi dan sukar untuk dicirikan kerana kes operasi yang berbeza, variabilitinya pembuatan, dan penggunaan sejarah . Untuk mencari penyelesaian kepada dilema ini, kami mengumpul dan menyeragamkan 130 bateri terpakai dengan 5 jenis bahan katod daripada 7 pengeluar untuk membina set data luar taburan, setara dengan heterogen. Mengingat penggunaan sejarah yang berbeza, kapasiti bateri yang dikumpulkan adalah di bawah 90% daripada kapasiti nominal. Bahan katod bateri ialah litium kobalt oksida (LCO), nikel mangan kobalt (NMC), litium ferrofosfat (LFP), nikel-kobalt-aluminium oksida (NCA), dan jenis campuran NMC-LCO, yang seterusnya dikumpulkan kepada 9 kelas berdasarkan pengeluar (Jadual Tambahan  ). Kami sengaja memasukkan bateri dengan penggunaan sejarah yang berbeza, daripada ujian makmal kepada profil pemanduan kenderaan elektrik, untuk melatih model tergeneralisasi untuk pengitar semula bateri tanpa mengira penggunaan sejarah dan jenis bateri. 52 1 Untuk penyeragaman, semua data yang diperlukan daripada pengitar semula ialah kitaran yang sedang disiasat (ujian medan) dengan satu ujian pengecasan dan nyahcas, yang mudah dilaksanakan dalam kes praktikal. Data yang disemak mula-mula dibersihkan dengan mengisi nilai yang hilang, menggantikan pencilan, dan melakukan penapisan median. Bunyi yang disebabkan oleh manusia dan bunyi yang disebabkan oleh heterogeniti katod sengaja dikekalkan, untuk menjadikan model ini tahan terhadap input yang tidak sempurna. Data kemudiannya diparas interpolasi untuk pengisian lengkung (Rajah Tambahan  ) dan direkayasa ciri untuk pengurangan dimensi, dengan satu set parameter penyeragaman yang dikongsi (Nota Tambahan  ). Ciri yang diekstrak daripada saluran penyeragaman boleh ditafsir dengan baik, kebimbangan yang mempunyai kepentingan komersial yang ketara. Sepengetahuan kami, ini adalah kali pertama data bateri heterogen daripada pelbagai sumber dan penggunaan sejarah digunakan untuk membantu dalam reka bentuk strategi kitar semula bateri. 1 1 Rajah  a,   menunjukkan proses kejuruteraan ciri. Kami menumpukan pada lengkung pengecasan dan nyahcas bateri terpakai dalam kitaran terakhir, iaitu, satu kitaran pengecasan dan satu kitaran nyahcas (Rajah Tambahan  – ). Dalam kitaran pengecasan, 15 ciri diekstrak daripada lengkung voltan-kapasiti dan dQ/dV, di mana V dan Q masing-masing merujuk kepada nilai voltan dan kapasiti. Set ciri yang sama diekstrak untuk kitaran nyahcas. Hasilnya, sejumlah 30 ciri diekstrak, seperti yang ditunjukkan daripada F1 hingga F30. Rujuk Jadual Tambahan   dan Nota Tambahan   untuk penjelasan terperinci tentang ciri-ciri tersebut. Rajah  c menunjukkan nilai ciri mutlak dan relatif bagi bateri terpilih daripada setiap kelas. Kebanyakan nilai ciri relatif dalam kelas yang berbeza bertindih dalam kawasan −1 hingga 0 (dengan warna hijau muda) dan tidak dapat dibezakan, menunjukkan kesukaran dalam mengklasifikasikan jenis bateri menggunakan satu kitaran data bateri. Kesukaran ini dijangka kerana keadaan operasi sejarah yang berbeza boleh mempengaruhi kinetik pengecasan-nyahcas bateri supaya ciri yang diekstrak boleh berkorelasi besar walaupun terdapat jenis bateri yang berbeza (Rajah Tambahan  ). Daripada mentafsir secara langsung ciri yang diekstrak menggunakan pengetahuan pakar, kami menggunakan pendekatan alternatif yang dipacu data yang secara automatik memanfaatkan corak tersembunyi merentasi pelbagai jenis bateri. 2 b 2 5 2 2 2 6    Untuk proses pengecasan, 15 ciri diekstrak daripada lengkung voltan-kapasiti (kiri) dan dQ/dV (kanan).   Set ciri yang sama adalah untuk proses nyahcas sebagai F16 hingga F30.   Ciri-ciri divisualisasikan mengikut kelas, mengikut format CxBn, menunjukkan bateri ke-n daripada kelas x. Saiz bulatan memetakan nilai ciri mutlak. Data sumber disediakan sebagai fail Data Sumber. a b c Pengisihan bateri terpakai dengan akses data homogen Kami pertama kali mempertimbangkan tetapan di mana data bateri diagihkan secara homogen di kalangan rakan kongsi (iaitu, pelanggan). Keseragaman bermaksud setiap pelanggan menawarkan untuk berkongsi data bateri di semua 9 kelas, walaupun bilangan bateri tertentu tidak dihadkan (Jadual Tambahan  ). Kami melatih model pembelajaran mesin bersekutu kami tanpa memerlukan maklumat tentang penggunaan sejarah bateri terpakai. Dalam kerja kami, pengitar semula dan pelanggan hanya perlu menguji bateri terpakai pada kitaran semasa (ujian medan), khususnya, dengan kitaran pengecasan-nyahcas yang lengkap untuk proses kejuruteraan ciri standard yang dimulakan oleh pengitar semula. Model tempatan dilatih berdasarkan ciri yang diekstrak daripada data bateri persendirian mereka. Rangka kerja pembelajaran mesin bersekutu mengagregatkan parameter model tempatan, bukannya data bateri persendirian, untuk pengitar semula mengklasifikasikan bateri terpakai. 3 Rajah   menunjukkan hasil pengisihan apabila pelanggan menyumbang data bateri yang homogen. Rajah   membandingkan dua kaedah pembelajaran mesin bersekutu, iaitu, undian majoriti (MV) dan jarak Wasserstein yang dicadangkan kami (WDV), dengan paradigma pembelajaran bebas (IL). Harus diperhatikan bahawa ketepatan untuk IL dirata-ratakan ke atas semua pelanggan secara bukan bersekutu. Berbanding dengan IL, MV tidak menjejaskan prestasi pengisihan, dengan ketepatan purata 95%, sambil mampu melindungi privasi data dan mengurangkan beban pengiraan. Walau bagaimanapun, 3 kelas tersilap diisih menggunakan MV. Contohnya, 3 bateri dalam NMC (SNL, kelas 8, 15 keseluruhan) tersilap diisih ke NCA (SNL, kelas 7), menghasilkan ketepatan pengisihan 80%. Ketepatan pengisihan untuk NCA (UL-PUR, kelas 9) ialah 81%, dengan 2 bateri tersilap diisih ke NMC (MICH_Form, kelas 4) dan 1 bateri tersilap diisih ke jenis campuran NMC/LCO (HNEI, kelas 2), masing-masing. Sebaliknya, WDV mengatasi MV kerana ia hanya tersilap diisih satu bateri, menghasilkan ketepatan pengisihan 99%. Kami juga menilai kebarangkalian ramalan setiap kelas untuk MV dan WDV, masing-masing. Ternyata WDV membuat pengisihan yang lebih yakin daripada MV kerana kebarangkalian ramalan WDV secara amnya condong ke kanan ke nilai kebarangkalian yang lebih tinggi. Oleh itu, WDV kami menghasilkan ketepatan pengisihan yang lebih tinggi di semua kelas, dan pengisihan adalah margin keyakinan kebarangkalian yang lebih kaya. 3 3a    Matriks kebingungan untuk kaedah undian majoriti (MV) dan pengundian jarak Wasserstein (WDV), masing-masing. Kami mempertimbangkan taburan kebarangkalian ramalan untuk setiap kelas. Pengisihan pembelajaran bebas (IL) dianotasi.   Taburan ketepatan pengisihan dan bajet privasi (PB) bagi IL, MV, dan WDV dengan kehadiran bunyi rawak. Nilai PB dirujuk pada tahap ketepatan 90%.   Purata skor F1 bagi keputusan pengisihan dan PB dalam setiap kelas menggunakan IL, MV, dan WDV. Nilai PB semuanya dirujuk pada tahap skor F1 0.9. Data dipersembahkan sebagai nilai purata ±1 sisihan piawai.   Kepentingan ciri, dalam susunan menurun. Subplot menunjukkan ruang ciri yang dirangkumi oleh dua ciri paling ketara pertama. Data dipersembahkan sebagai nilai purata +1 sisihan piawai. Data sumber disediakan sebagai fail Data Sumber. a b c d Kami juga menilai bajet privasi (PB, bahagian “Kaedah”), dengan mengambil kira bahawa data pelanggan mungkin terdedah kepada kejuruteraan songsang dengan memintas data persendirian . Dalam hal ini, kami menambah bunyi Gaussian rawak pada data pelanggan dengan keamatan yang berbeza. Keamatan rawak dikawal oleh nisbah hingar kepada isyarat (NSR), dari 1% hingga 10%. Rajah   menunjukkan perbandingan ketepatan dan bajet privasi apabila menggunakan IL, MV, dan WDV, masing-masing. Ketepatan pengisihan MV menurun daripada 95% kepada 82%, serupa dengan IL apabila keamatan hingar meningkat daripada 1% kepada 10%. Dalam julat hingar ini, ketepatan pengisihan median MV dan IL ialah 92% dan 86%, masing-masing. Sebaliknya, ketepatan pengisihan WDV masih melebihi 90% dengan kehadiran hingar 10%, yang merupakan tahap hingar yang ketat dalam kes praktikal. WDV mempunyai ketepatan pengisihan median lebih daripada 95% dalam julat hingar yang sama. Mengambil purata ketepatan pengisihan 90% sebagai tahap rujukan yang boleh diterima, nilai PB bagi IL, MV, dan WDV masing-masing ialah 4, 6, dan 10. Oleh itu, menggunakan pembelajaran mesin bersekutu 53 3b

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

Audio ini dihasilkan dalam bahasa asal cerita!

AI Selamat Privasi Ini Boleh Tukar Sisa Bateri Kepada Keuntungan Besar

About Author

KOMEN

GANTUNG TANDA

ARTIKEL INI DIBENTANGKAN DALAM

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps