
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autorzy: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Abstrakt Niesortowane zużyte baterie z różnymi materiałami katodowymi utrudniają przyjęcie recyklingu bezpośredniego ze względu na ich specyfikę katodową. Gwałtowny wzrost liczby zużytych baterii wymaga precyzyjnego sortowania w celu skutecznego recyklingu bezpośredniego, jednak pojawiają się wyzwania związane z różnymi historiami operacyjnymi, różnymi producentami i obawami dotyczącymi prywatności danych współpracowników ds. recyklingu (właścicieli danych). Tutaj pokazujemy, na podstawie unikalnego zbioru danych 130 baterii litowo-jonowych obejmujących 5 materiałów katodowych i 7 producentów, że podejście federacyjnego uczenia maszynowego może klasyfikować te zużyte baterie bez polegania na danych operacyjnych z przeszłości, chroniąc prywatność danych współpracowników ds. recyklingu. Wykorzystując cechy wyekstrahowane z cyklu ładowania-rozładowania na końcu życia, nasz model wykazuje 1% i 3% błędów sortowania katod w warunkach jednorodnego i niejednorodnego recyklingu baterii, odpowiednio, przypisywanych naszej innowacyjnej strategii głosowania opartej na odległości Wassersteina. Ekonomicznie proponowana metoda podkreśla wartość precyzyjnego sortowania baterii dla prosperującego i zrównoważonego przemysłu recyklingowego. To badanie zapowiada nowy paradygmat wykorzystania wrażliwych na prywatność danych z różnych źródeł, ułatwiając współpracujące i szanujące prywatność podejmowanie decyzji dla systemów rozproszonych. Wprowadzenie Baterie litowo-jonowe (LIB), służące jako urządzenia do przechowywania energii, zyskały szerokie zastosowanie w różnych dziedzinach, od produkcji przemysłowej po codzienne życie jako zaakceptowana trasa techniczna. Prognozy sugerują, że globalna skala produkcji LIB przekroczy 1,3 TWh do 2030 roku , kiedy rosnący popyt na baterie znacznie przewyższy dostępność kluczowych zasobów metali, takich jak lit i kobalt , . Jednak obecna średnia żywotność produktów LIB wynosi 5–8 lat, co prowadzi do nieuchronnego wzrostu liczby zużytych baterii w wielu krajach. Jeśli nie będą odpowiednio zarządzane, zużyte baterie spowodują niedopuszczalne straty zasobów i szkody dla środowiska. Biorąc pod uwagę te okoliczności, rozwój technologii recyklingu baterii nabiera kluczowego znaczenia w obliczu nadchodzącej fali wycofywania LIB z użytku . 1 2 3 4 Najnowsze postępy w badaniach nad recyklingiem baterii koncentrują się na podejściach pirometalurgicznych, hydrometalurgicznych i bezpośredniego recyklingu . W przeciwieństwie do metod pirometalurgicznych i hydrometalurgicznych, recykling bezpośredni stanowi odrębne podejście. Proces ten nie powoduje wtórnych uszkodzeń struktury materiału, umożliwiając bardziej wydajną naprawę strukturalną i przywrócenie parametrów. Ponadto recykling bezpośredni jest bardziej opłacalny, ponieważ wiąże się z niższym zużyciem energii, mniejszą emisją gazów cieplarnianych i mniejszym wpływem na środowisko , . W praktyce jednak recyklerzy baterii często napotykają LIB składające się z nieznanych komponentów lub moduły bateryjne składające się z mieszanki różnych typów materiałów katodowych. Biorąc pod uwagę, że recykling bezpośredni może być silnie zależny od materiału katodowego, taka złożoność uniemożliwia zastosowanie recyklingu bezpośredniego w celu konwersji wartości zużytych baterii . Należy podkreślić, że nawet jeśli kluczowe metale z mieszanych typów materiałów katodowych mogą zostać wydobyte przy użyciu konwencjonalnych strategii recyklingu, wzajemne oddziaływanie różnych materiałów katodowych podczas procesu recyklingu może negatywnie wpłynąć na jakość produktu . Dlatego zrozumienie informacji o typie materiału katodowego po stronie recyklingu ma znaczący wpływ na wybór trasy recyklingu bezpośredniego i ostatecznie poprawia jakość produktu, jego rentowność i zrównoważony rozwój. 5 6 7 8 9 Zaproponowano bezpośredni recykling wspomagany przez człowieka w celu identyfikacji informacji o typie materiału katodowego zużytych baterii w ogniwie wstępnego przetwarzania, co nadal nie jest opłacalne, gdy przemysł recyklingowy się rozwija . Aby skutecznie pobrać informacje o typie katody zużytych baterii, społeczność naukowa i przemysłowa zainicjowała niedawno system śledzenia żywotności baterii  oraz nowe koncepcje, takie jak paszport baterii  i genom danych baterii . Chociaż przed tymi inicjatywami wykorzystano znaczną liczbę baterii, rośnie zgoda co do tego, że informacje o bateriach powinny być dostępne przez cały cykl życia, aby ułatwić podejmowanie decyzji dotyczących drugiego życia . Dotyczy to w szczególności sektora recyklingu baterii, ostatniej stacji drugiego życia baterii, ponieważ trasa recyklingu może być silnie zależna od materiału katodowego. Jednak systemy śledzenia żywotności baterii lub paszporty baterii są włączane przez gadżety elektroniczne, takie jak kody kreskowe i komunikacja bliskiego zasięgu, co może prowadzić do intensywnych inwestycji i być powszechnie niekompatybilne z różnymi projektantami baterii. Co więcej, gadżety elektroniczne pozostają trudne do spójnego zarządzania przez cały okres ich użytkowania, co prowadzi do zużycia urządzeń i niedostępności na etapie recyklingu, ponieważ nowoczesny proces produkcyjny LIB nie jest jeszcze zintegrowany z produkcją w celu recyklingu . W związku z tym pilnie potrzebne są dalsze przełomy, aby osiągnąć efektywne sortowanie typów katod baterii przy użyciu łatwo dostępnych informacji terenowych , , w przeciwieństwie do historycznie zapisanych danych lub sposobu wspomaganego przez człowieka, ułatwiając przyjęcie recyklingu bezpośredniego w celu poprawy jakości i rentowności produktów pochodzących z recyklingu. 1 10 11 12 13 14 15 16 W ciągu ostatnich kilku lat uczenie maszynowe stało się realnym narzędziem do rozwiązywania otwartych problemów we wszystkich dziedzinach związanych z bateriami. W innych tematach związanych z bateriami uczenie maszynowe pozwoliło ostatnio na automatyczne odkrywanie złożonych mechanizmów baterii , , , przewidywanie pozostałego użytecznego okresu eksploatacji , , , , , ocenę stanu zdrowia , , , optymalizację profilu cyklowania , , przybliżenie rozkładu awarii , nawet w celu kierowania projektowaniem baterii , , i przewidywanie wydajności w całym okresie użytkowania natychmiast po produkcji . W przypadku recyklingu baterii niewiele prac badało uczenie maszynowe dotyczące materiałów katodowych , , co wynika z niedoboru danych o bateriach, zwłaszcza tych, które osiągnęły koniec cyklu życia. Ogromna większość opublikowanych badań pokazuje bardzo ograniczone rozmiary próbek , a jeszcze bardziej ograniczona jest różnorodność katod bateryjnych . Niedobór ten jest przypisywany intensywnym kosztom, długiemu czasowi testowania , a co najważniejsze, prywatności danych ze względu na obawy handlowe lub interesowe. W konsekwencji, problem prywatności utrwala dylemat, gdzie istniejące dane o bateriach, choć obszerne pod względem objętości i różnorodności od wielu stron, takich jak producenci baterii, operatorzy praktyczni, instytucje akademickie i platformy stron trzecich, nie mogą być udostępniane. Taki dylemat wymaga badania sortowania materiałów katodowych w celu optymalizacji wyboru trasy recyklingu baterii w sposób oparty na współpracy i szanujący prywatność. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Federacyjne uczenie maszynowe, jako paradygmat rozproszony i chroniący prywatność, ma potencjał rozwiązania zarówno problemów współpracy wielostronnej (odpowiednio, objętość i różnorodność danych o bateriach), jak i problemów prywatności poprzez współpracujące uczenie maszynowe , , . W każdej iteracji szkoleniowej rozproszeni właściciele danych przeprowadzają lokalne szkolenie przy użyciu swojej lokalnej mocy obliczeniowej, szyfrują wytrenowane parametry/wyniki modelu i przesyłają je do centralnego koordynatora w celu agregacji. Fakty są takie, że surowe zbiory danych nigdy nie opuszczają swoich odpowiednich właścicieli danych, a przesyłane parametry/wyniki są odpowiednio szyfrowane w celu ochrony prywatności danych. Federacyjne uczenie maszynowe było szeroko badane w wielu dziedzinach zastosowań, w tym w zdrowiu publicznym , , diagnostyce klinicznej , , , handlu elektronicznym , Internet Rzeczy , obliczeniach mobilnych  i sieciach inteligentnych , , . To podejście może zrewolucjonizować paradygmat badań opartych na danych w szerokich sektorach energetyki, umożliwiając współpracę chroniącą prywatność, zwłaszcza w przypadkach ograniczonego dostępu do danych. W odniesieniu do sektora recyklingu baterii, federacyjne uczenie maszynowe stwarza obiecujące możliwości wykorzystania ogromnej ilości istniejących danych o bateriach, które jednak nie mogą być udostępniane ze względu na obawy dotyczące prywatności. Dzięki takiemu paradygmatowi opartemu na współpracy i chroniącemu prywatność, sortowanie zużytych baterii może być realizowane z wysoką dokładnością, wydajnością, skalowalnością i generalizacją, optymalizując jakość i rentowność produktów pochodzących z recyklingu. O ile nam wiadomo, badania nad federacyjnym uczeniem maszynowym skupione na recyklingu baterii nigdy nie zostały zgłoszone. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 W niniejszym badaniu przeprowadzamy sortowanie materiałów katodowych zużytych baterii, wykorzystując istniejące dane o bateriach od wielu współpracowników, takich jak producenci baterii, operatorzy praktyczni, instytucje badawcze akademickie i platformy stron trzecich, w sposób oparty na współpracy i chroniący prywatność, jak pokazano na Rys.  . Nasz model federacyjnego uczenia maszynowego został wytrenowany przy użyciu tylko jednego cyklu danych z testów terenowych poprzez znormalizowany proces ekstrakcji cech, bez żadnej wcześniejszej wiedzy o warunkach operacyjnych historycznych. Porównujemy moc predykcyjną naszego modelu federacyjnego uczenia maszynowego z mocą niezależnie uczonych modeli lokalnych opartych na danych lokalnych w warunkach jednorodnego i niejednorodnego recyklingu baterii. Problem niejednorodności jest rozwiązywany przez proponowaną przez nas strategię głosowania opartej na odległości Wassersteina. Przeprowadzono ocenę ekonomiczną recyklingu zużytych baterii przy użyciu proponowanej przez nas ram federacyjnego uczenia maszynowego, podkreślając znaczenie i potrzebę dokładnego sortowania zużytych baterii. Kompleksowo omawiamy interpretowalność modelu, implikacje recyklingu baterii oraz szersze perspektywy przyszłej praktyki recyklingu baterii zintegrowanej z federacyjnym uczeniem maszynowym. 1    Wielu źródeł danych, takich jak producenci baterii (obraz dzięki uprzejmości Addionics), operatorzy praktyczni (pakiet baterii w podłodze Tesli. Obraz dzięki uprzejmości Tesli), instytucje badawcze akademickie i platformy stron trzecich, mogą być przyczynkami danych. Dane baterii nie są wymieniane między przyczynkami ani przesyłane do recyklera baterii. Zamiast tego, przyczynki danych trenują modele lokalne i udostępniają parametry modelu recyklerowi w celu zbudowania globalnego modelu. Proponowana technika głosowania oparta na odległości Wassersteina łączy modele lokalne w model globalny, który jest odporny na niezrównoważony rozkład danych i szum. Recyklerzy baterii mogą używać wspólnie zbudowanego modelu do sortowania baterii, w połączeniu z łatwo dostępnymi danymi z testów terenowych.   Nasze federacyjne ramy uczenia maszynowego zachęcają współpracowników do udostępniania danych przy jednoczesnym zachowaniu prywatności danych, w przeciwieństwie do tradycyjnego paradygmatu wysp danych. a b Wyniki Gromadzenie i standaryzacja danych Unikalne kinetyki baterii w różnych typach baterii są często wielowymiarowe i trudne do scharakteryzowania ze względu na odmienne przypadki operacyjne, zmienność produkcyjną i historyczne użytkowanie . Aby znaleźć rozwiązanie tego dylematu, zebraliśmy i znormalizowaliśmy 130 zużytych baterii z 5 typami materiałów katodowych od 7 producentów w celu skonstruowania zbioru danych poza dystrybucją, równoważnie niejednorodnego. Biorąc pod uwagę różne historie użytkowania, pojemności zebranych baterii wynoszą poniżej 90% pojemności nominalnej. Materiały katodowe baterii to tlenek litowo-kobaltowy (LCO), niklowo-manganowo-kobaltowy (NMC), fosforan litowo-żelazowy (LFP), tlenek niklowo-kobaltowo-aluminiowy (NCA) oraz mieszanki NMC-LCO, które są dalej grupowane w 9 klas według producentów (Tabela Dodatkowa  ). Celowo uwzględniliśmy baterie o różnych historiach użytkowania, od testów laboratoryjnych po profile jazdy pojazdów elektrycznych, aby wytrenować model ogólny dla recyklera baterii, niezależny od historii użytkowania i typów baterii. 52 1 W celu standaryzacji, wszystkie dane wymagane od recyklera to aktualnie badany (test terenowy) cykl z jednym testem ładowania i rozładowania, który jest łatwy do wdrożenia w praktycznych przypadkach. Dane uzyskane z badania są najpierw odszumiane poprzez uzupełnienie brakujących wartości, zastąpienie wartości odstających i zastosowanie filtrowania medianowego. Szumy wywołane przez człowieka i szumy wynikające z niejednorodności materiałów katodowych są jednak celowo zachowywane, aby model był odporny na niedoskonałe dane wejściowe. Dane są następnie interpolowane liniowo w celu wypełnienia krzywych (Rysunek Dodatkowy  ) i poddawane inżynierii cech w celu redukcji wymiarowości, ze wspólnym zestawem parametrów standaryzacji (Notatka Dodatkowa  ). Cechy wyekstrahowane z potoku standaryzacji są dobrze interpretowalne, co jest kwestią o znacznym zainteresowaniu komercyjnym. O ile nam wiadomo, jest to pierwszy przypadek wykorzystania niejednorodnych danych o bateriach z wielu źródeł i historii użytkowania do wspierania projektowania strategii recyklingu baterii. 1 1 Rysunek  a,   demonstruje proces inżynierii cech. Koncentrujemy się na krzywej ładowania i rozładowania zużytych baterii w ostatnim cyklu, tj. jednym cyklu ładowania i jednym cyklu rozładowania (Rysunki Dodatkowe  – ). W cyklu ładowania 15 cech jest ekstrahowanych z krzywych napięciowo-pojemnościowych i dQ/dV, gdzie V i Q odnoszą się odpowiednio do wartości napięcia i pojemności. Taki sam zestaw cech jest ekstrahowany dla cyklu rozładowania. W rezultacie ekstrahowanych jest łącznie 30 cech, wskazanych od F1 do F30. Szczegółowe wyjaśnienie cech znajduje się w Tabeli Dodatkowej   i Notatce Dodatkowej  . Rysunek  c pokazuje absolutne i względne wartości cech wybranych baterii z każdej klasy. Większość względnych wartości cech w różnych klasach pokrywa się w regionie od -1 do 0 (kolor jasnej zieleni) i są nierozróżnialne, co ilustruje trudność w klasyfikacji typu baterii za pomocą jednego cyklu danych baterii. Trudność jest oczekiwana, ponieważ różne historyczne warunki operacyjne mogą wpływać na kinetykę ładowania-rozładowania baterii, tak że wyekstrahowane cechy mogą być w dużej mierze skorelowane pomimo różnych typów baterii (Rysunek Dodatkowy  ). Zamiast bezpośredniej interpretacji wyekstrahowanych cech za pomocą wiedzy eksperckiej, stosujemy alternatywne podejście oparte na danych, które automatycznie wykorzystuje ukryte wzorce w różnych typach baterii. 2 b 2 5 2 2 2 6    Dla procesu ładowania, 15 cech jest ekstrahowanych z krzywej napięciowo-pojemnościowej (po lewej) i krzywej dQ/dV (po prawej).   Taki sam zestaw cech dotyczy procesu rozładowania jako F16 do F30.   Cechy są wizualizowane według klas, zgodnie z formatem CxBn, wskazującym n-tą baterię z klasy x. Wielkość okręgu odpowiada wartości bezwzględnej cechy. Dane źródłowe są dostarczone jako plik Source Data. a b c Sortowanie zużytych baterii przy jednorodnym dostępie do danych Rozważamy najpierw ustawienie, w którym dane o bateriach są jednorodnie rozłożone wśród współpracowników (tj. klientów). Jednorodność oznacza, że każdy klient udostępnia dane o bateriach dla wszystkich 9 klas, nawet jeśli liczba konkretnych baterii nie jest ograniczona (Tabela Dodatkowa  ). Trenujemy nasz model federacyjnego uczenia maszynowego bez wymogu informacji o historycznym użyciu zużytych baterii. W naszej pracy recykler i klienci potrzebują jedynie przetestować zużyte baterie w bieżącym (test terenowy) cyklu, a konkretnie, z pełnym cyklem ładowania-rozładowania do standardowego procesu inżynierii cech zainicjowanego przez recyklera. Modele lokalne są trenowane na podstawie cech wyekstrahowanych z ich prywatnych danych o bateriach. Federacyjne ramy uczenia maszynowego agregują parametry modelu lokalnego, a nie prywatne dane o bateriach, dla recyklera w celu klasyfikacji zużytych baterii. 3 Rysunek   pokazuje wyniki sortowania, gdy klienci udostępniają jednorodne dane o bateriach. Rysunek  a porównuje dwie metody federacyjnego uczenia maszynowego, tj. głosowanie większościowe (MV) i proponowaną przez nas odległość Wassersteina (WDV), z paradygmatem niezależnego uczenia (IL). Należy zauważyć, że dokładność dla IL jest uśredniana dla wszystkich klientów w sposób nie-federacyjny. W porównaniu z IL, MV nie poświęca wydajności sortowania, ze średnią dokładnością 95%, jednocześnie chroniąc prywatność danych i łagodząc obciążenie obliczeniowe. Jednakże 3 klasy są błędnie posortowane przy użyciu MV. Na przykład 3 baterie w klasie NMC (SNL, klasa 8, 15 w sumie) są błędnie posortowane do NCA (SNL, klasa 7), co daje dokładność sortowania 80%. Dokładność sortowania dla NCA (UL-PUR, klasa 9) wynosi 81%, z 2 bateriami błędnie posortowanymi do NMC (MICH_Form, klasa 4) i 1 baterią błędnie posortowaną do mieszanki NMC/LCO (HNEI, klasa 2). W przeciwieństwie do tego, WDV przewyższa MV, ponieważ błędnie posortował tylko jedną baterię, co daje dokładność sortowania 99%. Oceniamy również prawdopodobieństwo predykcji każdej klasy dla MV i WDV odpowiednio. Okazuje się, że WDV dokonuje bardziej pewnego sortowania niż MV, ponieważ prawdopodobieństwa predykcji WDV są generalnie skośne w prawo do wyższej wartości prawdopodobieństwa. Dlatego proponowany przez nas WDV zapewnia wyższą dokładność sortowania we wszystkich klasach, a sortowanie jest bogatsze w marginesy ufności prawdopod 3 3

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

Ten dźwięk jest produkowany w oryginalnym języku historii!

Ta bezpieczna dla prywatności sztuczna inteligencja może zamienić odpady bateryjne w duże zyski

About Author

UWAGI

ZAWIEŚĆ TAGI

ARTYKUŁ TEN ZOSTAŁ PREZENTOWANY W

Related Stories

Verified Writers

Leadzai - The Startup of the Year that Democratizes Access to Online Advertising

Listen to Tech Brief Podcasts on Your Headphones: Stay Connected to HackerNoon Anywhere, Anytime

Meet Klink Finance: HackerNoon Company of the Week

Verified Writers

Leadzai - The Startup of the Year that Democratizes Access to Online Advertising

Listen to Tech Brief Podcasts on Your Headphones: Stay Connected to HackerNoon Anywhere, Anytime

Meet Klink Finance: HackerNoon Company of the Week

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps