Ta bezpieczna dla prywatności sztuczna inteligencja może zamienić odpady bateryjne w duży zysk

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 bezpośrednie recyklingowanie ze względu na ich specyfikę dla danego katody. Wzrost liczby zużytych baterii wymaga precyzyjnego sortowania w celu skutecznego bezpośredniego recyklingu, jednak pojawiają się wyzwania związane z różnymi historiami operacyjnymi, różnymi producentami i obawami dotyczącymi prywatności danych współpracowników ds. recyklingu (właścicieli danych). Tutaj przedstawiamy, na podstawie unikalnego zbioru danych 130 baterii litowo-jonowych obejmujących 5 materiałów katodowych i 7 producentów, że federacyjny uczenie maszynowe może klasyfikować te zużyte baterie bez polegania na danych z przeszłych operacji, chroniąc prywatność danych współpracowników. Wykorzystując cechy wyekstrahowane z cyklu ładowania-rozładowania na końcu okresu użytkowania, nasz model wykazuje błędy sortowania katod o wartości 1% i 3% w warunkach jednorodnego i niejednorodnego recyklingu baterii, odpowiednio, przypisywane naszej innowacyjnej strategii głosowania odległością Wasserstein. 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 współpracę i poszanowanie prywatności podejmowania decyzji w systemach rozproszonych. Wprowadzenie Baterie litowo-jonowe (LIB) służące jako urządzenia do przechowywania energii zyskały szerokie zastosowanie w różnych dziedzinach, od produkcji przemysłowej po życie codzienne jako akceptowana trasa techniczna. Prognozy sugerują, że światowa 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 zbliżającego się nagłego wzrostu liczby zużytych baterii w wielu krajach. Jeśli zużyte baterie nie będą odpowiednio zarządzane, doprowadzą do niezrównoważonego marnotrawstwa zasobów i szkód 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, bezpośredni recykling stanowi odrębne podejście. Proces ten nie powoduje wtórnych uszkodzeń struktury materiału, umożliwiając bardziej efektywną naprawę strukturalną i przywrócenie wydajności. Ponadto bezpośredni recykling wykazuje wyższą opłacalność, ponieważ wiąże się z niższym zużyciem energii, zmniejszoną emisją gazów cieplarnianych i mniejszym wpływem na środowisko , . Jednak w praktyce recyklerzy baterii często napotykają na LIB składające się z nieznanych komponentów lub modułów bateryjnych złożonych z mieszanki różnych typów materiałów katodowych. Biorąc pod uwagę, że bezpośredni recykling może być silnie zależny od materiału katodowego, taka złożoność uniemożliwia zastosowanie bezpośredniego recyklingu w celu konwersji wartości zużytych baterii . Należy podkreślić, że nawet jeśli kluczowe metale z mieszanych typów materiałów katodowych można uzyskać przy użyciu konwencjonalnych strategii recyklingu, interakcja między różnymi materiałami katodowymi podczas procesu recyklingu może negatywnie wpływać na jakość produktu . Dlatego zrozumienie informacji o typie materiału katodowego po stronie recyklingu znacząco wpływa na wybór trasy bezpośredniego recyklingu i ostatecznie poprawia jakość produktu, 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 wstępnej obróbki, co nadal nie jest opłacalne, gdy przemysł recyklingowy się rozwija . Aby skutecznie odzyskać informacje o typie katody zużytych baterii, społeczność naukowa i przemysłowa zainicjowała niedawno system śledzenia żywotności baterii oraz pojawiające się koncepcje, takie jak paszport baterii i genom danych baterii . Chociaż przed tymi inicjatywami wykorzystano znaczną liczbę baterii, istnieje rosnąca zgoda co do tego, że informacje o bateriach powinny być dostępne w całym łańcuchu 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 obsługiwane przez gadżety elektroniczne, takie jak kody kreskowe i komunikacja bliskiego zasięgu, które mogą wprowadzać intensywne inwestycje i być szeroko niekompatybilne z różnymi projektantami baterii. Ponadto 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 nadal nie jest zintegrowany od produkcji do recyklingu . W związku z tym pilnie potrzebne są dalsze przełomy, aby osiągnąć efektywne sortowanie typów katod zużytych baterii wyłącznie przy użyciu łatwo dostępnych informacji terenowych , , w przeciwieństwie do historycznie rejestrowanych danych lub sposobu wspomaganego przez człowieka, ułatwiając przyjęcie bezpośredniego recyklingu w celu poprawy jakości i rentowności recyklowanych produktów. 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 nam ostatnio na automatyczne odkrywanie złożonych mechanizmów bateryjnych , , , przewidywanie pozostałego użytecznego życia , , , , , ocenę stanu zdrowia , , , optymalizację profilu cyklowania , , przybliżenie rozkładu awarii , nawet do projektowania baterii , , i przewidywanie długoterminowej wydajności bezpośrednio po produkcji . W przypadku recyklingu baterii niewiele prac badało uczenie maszynowe w odniesieniu do materiałów katodowych , , co można przypisać skąpcowi danych o bateriach, zwłaszcza tych cyklowanych do końca okresu użytkowania. Zdecydowana większość opublikowanych badań pokazuje bardzo ograniczone rozmiary próbek , a nawet bardziej ograniczoną różnorodność katod bateryjnych . Skąpstwo to przypisywane jest intensywnym kosztom, długiemu czasowi testowania , a co najważniejsze, prywatności danych ze względu na komercyjne lub interesowe obawy. W konsekwencji problem prywatności usztywnia dylemat, w którym istniejące dane o bateriach, chociaż 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 współpracujący, przy jednoczesnym zachowaniu prywatności. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Federacyjny uczenie maszynowe, jako zdecentralizowany i chroniący prywatność paradygmat, ma potencjał rozwiązać zarówno problemy współpracy wielostronnej (równoważnie, objętość i różnorodność danych bateryjnych), jak i problemy prywatności poprzez współpracujące uczenie maszynowe , , . W każdej iteracji treningowej zdecentralizowani właściciele danych przeprowadzają lokalny trening przy użyciu swojej lokalnej mocy obliczeniowej, szyfrują wytrenowane parametry/wyniki modelu i przesyłają je do centralnego koordynatora w celu agregacji. Faktem jest, że surowe zbiory danych nigdy nie opuszczają swoich właścicieli, a przesyłane parametry/wyniki są odpowiednio szyfrowane w celu ochrony prywatności danych. Federacyjny uczenie maszynowe zostało szeroko zbadane w wielu dziedzinach zastosowań, w tym w zdrowiu publicznym , , diagnostyce klinicznej , , , e-commerce , Internecie Rzeczy , obliczeniach mobilnych i inteligentnej sieci , , . Podejście to może zrewolucjonizować paradygmat badań opartych na danych w szerokich sektorach energetycznych, umożliwiając współpracę z poszanowaniem prywatności, zwłaszcza w przypadku tych z ograniczonym dostępem do danych. W odniesieniu do sektora recyklingu baterii, federacyjny uczenie maszynowe zakłada obiecujące możliwości wykorzystania ogromnej ilości istniejących danych o bateriach, które jednak nie mogą być udostępniane ze względu na obawy dotyczące prywatności. Dzięki takiemu paradygmatowi współpracy przy jednoczesnym poszanowaniu prywatności, sortowanie zużytych baterii można wdrożyć z wysoką dokładnością, wydajnością, skalowalnością i generalizacją, optymalizując jakość i rentowność recyklowanych produktów. O ile nam wiadomo, badania nad federacyjnym uczeniem maszynowym skoncentrowane na recyklingu baterii nie zostały jeszcze 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 zastosowań praktycznych, instytucje badawcze akademickie i platformy stron trzecich, w sposób współpracującego przy jednoczesnym zachowaniu prywatności uczenia maszynowego, zgodnie z ilustracją na Rys. 1. Nasz federacyjny model uczenia maszynowego został wytrenowany przy użyciu tylko jednego cyklu danych z testów terenowych poprzez standardowy proces ekstrakcji cech, bez wcześniejszej wiedzy o warunkach pracy w przeszłości. Porównujemy moc predykcyjną naszego federacyjnego modelu uczenia maszynowego z mocą niezależnie uczonych modeli lokalnych opartych na danych lokalnych, zarówno w warunkach jednorodnego, jak i niejednorodnego recyklingu baterii. Problem niejednorodności jest rozwiązywany przez naszą proponowaną strategię głosowania odległością Wasserstein. Przeprowadzono ocenę ekonomiczną recyklingu zużytych baterii przy użyciu proponowanego federacyjnego frameworka uczenia maszynowego, podkreślając znaczenie i potrzebę dokładnego sortowania zużytych baterii. Kompleksowo omawiamy interpretowalność modelu, implikacje recyklingu baterii i szersze perspektywy przyszłej praktyki recyklingu baterii zintegrowanej z federacyjnym uczeniem maszynowym. Wielu źródeł danych, takich jak producenci baterii (zdjęcie dzięki uprzejmości Addionics), operatorzy zastosowań praktycznych (pakiet baterii w podłodze Tesli. Zdjęcie dzięki uprzejmości Tesli), instytucje badawcze akademickie i platformy stron trzecich, może być dostawcami danych. Dane bateryjne nie są wymieniane między dostawcami ani przesyłane do recyklera baterii. Zamiast tego, dostawcy danych trenują lokalne modele i udostępniają parametry modelu recyklerowi w celu zbudowania globalnego modelu. Proponowana technika głosowania odległością Wasserstein łączy lokalne modele w globalny model, który jest odporny na niezrównoważony rozkład danych i szum. Recyklerzy baterii mogą wykorzystywać wspólnie zbudowany model do sortowania baterii, w połączeniu z łatwo dostępnymi danymi z testów terenowych. Nasz federacyjny framework uczenia maszynowego zachęca współpracowników do udostępniania danych przy jednoczesnym zachowaniu prywatności danych, w przeciwieństwie do tradycyjnego paradygmatu izolacji danych. a b Wyniki Gromadzenie i standaryzacja danych Unikalna kinetyka bateryjna w różnych typach baterii jest często wysokowymiarowa i trudna do scharakteryzowania ze względu na rozbieżne przypadki operacyjne, zmienność produkcyjną i historyczne zastosowania . Aby znaleźć rozwiązanie tego dylematu, zebraliśmy i standaryzowaliśmy 130 zużytych baterii z 5 typami materiałów katodowych od 7 producentów, aby skonstruować rozbieżny, równoważnie niejednorodny zbiór danych. Biorąc pod uwagę różne historyczne zastosowania, pojemności zebranych baterii są poniżej 90% pojemności znamionowej. 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 na podstawie producentów (Tabela uzupełniająca 1). 52 Celowo uwzględniliśmy baterie o rozbieżnych historycznych zastosowaniach, od testów laboratoryjnych po profile jazdy pojazdów elektrycznych, aby wytrenować uogólniony model dla recyklera baterii niezależny od historycznych zastosowań i typów baterii. W celu standaryzacji, wszystkie wymagane od recyklera dane to aktualnie sprawdzony (test terenowy) cykl z jednym testem ładowania i rozładowania, który jest łatwy do wdrożenia w praktycznych przypadkach. Dane z sondowania są najpierw oczyszczane z szumów poprzez uzupełnienie brakujących wartości, zastąpienie wartości odstających i zastosowanie filtracji medianowej. Szumy spowodowane przez człowieka i szumy wynikające z niejednorodności katod są jednak celowo zachowywane, aby model był odporny na niedoskonałe dane wejściowe. Następnie dane są interpolowane liniowo w celu wypełnienia krzywych (Rysunek Uzupełniający 1) i poddane inżynierii cech w celu redukcji wymiarowości, ze wspólnym zestawem parametrów standaryzacyjnych (Uwaga Uzupełniająca 1). Cechy wyekstrahowane z potoku standaryzacyjnego są dobrze interpretowalne, co jest kwestią o znaczącym zainteresowaniu komercyjnym. O ile nam wiadomo, jest to pierwszy przypadek wykorzystania niejednorodnych danych bateryjnych z wielu źródeł i historycznych zastosowań w celu wsparcia projektowania strategii recyklingu baterii. Rysunki 2a, 2b przedstawiają proces inżynierii cech. Koncentrujemy się na krzywej ładowania i rozładowania zużytych baterii w ostatnim cyklu, tj. jednym cyklu ładowania i jednym cyklu rozładowania (Rysunki Uzupełniające 2-5). W cyklu ładowania 15 cech jest ekstrahowanych z krzywych napięcie-pojemność i dQ/dV, gdzie V i Q oznaczają wartości napięcia i pojemności odpowiednio. Ten sam zestaw cech jest ekstrahowany dla cyklu rozładowania. W rezultacie ekstrahowanych jest łącznie 30 cech, oznaczonych od F1 do F30. Szczegółowe wyjaśnienie cech znajduje się w Tabeli Uzupełniającej 2 i Uwadze Uzupełniającej 2. Rysunek 2c przedstawia bezwzględne i względne wartości cech wybranych baterii z każdej klasy. Większość względnych wartości cech w różnych klasach nakłada się w regionie od -1 do 0 (kolor jasnozielony) i jest nierozróżnialna, ilustrując trudność w klasyfikacji typu baterii przy użyciu jednego cyklu danych bateryjnych. Trudność jest oczekiwana, ponieważ rozbieżne 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 Uzupełniający 6). Zamiast bezpośredniej interpretacji wyekstrahowanych cech za pomocą wiedzy eksperckiej, stosujemy alternatywne podejście oparte na danych, które automatycznie wykorzystuje ukryte wzorce w różnych typach baterii. Dla procesu ładowania, 15 cech jest ekstrahowanych z krzywej napięcie-pojemność (po lewej) i krzywej dQ/dV (po prawej). Ten 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. Rozmiar koła odwzorowuje bezwzględną wartość cechy. Dane źródłowe są udostępniane jako plik Source Data. a b c Sortowanie zużytych baterii z jednorodnym dostępem do danych Najpierw rozważamy scenariusz, w którym dane bateryjne są jednorodnie rozłożone wśród współpracowników (klientów). Jednorodność oznacza, że każdy klient oferuje udostępnianie danych bateryjnych dla wszystkich 9 klas, nawet jeśli konkretna liczba baterii nie jest ograniczona (Tabela Uzupełniająca 3). Trenujemy nasz federacyjny model uczenia maszynowego bez wymogu informacji o historycznym zastosowaniu zużytych baterii. W naszej pracy recykler i klienci muszą jedynie przetestować zużyte baterie w bieżącym (test terenowy) cyklu, w szczególności z pełnym cyklem ładowania-rozładowania w celu standardowego procesu inżynierii cech zainicjowanego przez recyklera. Modele lokalne są trenowane na podstawie cech wyekstrahowanych z ich prywatnych danych bateryjnych. Federacyjny framework uczenia maszynowego agreguje parametry lokalnych modeli, zamiast prywatnych danych bateryjnych, aby recykler mógł klasyfikować zużyte baterie. Rysunek 3 pokazuje wyniki sortowania, gdy klienci dostarczają jednorodne dane bateryjne. Rysunek 3a porównuje dwie metody federacyjnego uczenia maszynowego, tj. głosowanie większościowe (MV) i proponowaną przez nas metodę głosowania odległością Wasserstein (WDV), z paradygmatem niezależnego uczenia (IL). Należy zauważyć, że dokładność dla IL jest uśredniana dla wszystkich klientów w sposób niefederacyjny. W porównaniu z IL, MV nie poświęca wydajności sortowania, ze średnią dokładnością 95%, jednocześnie chroniąc prywatność danych i łagodząc obciążenie obliczeniowe. Jednak 3 klasy są błędnie posortowane za pomocą MV. Na przykład 3 baterie w NMC (SNL, klasa 8, łącznie 15) są błędnie przypisane do NCA (SNL, klasa 7), co skutkuje dokładnością sortowania 80%. Dokładność sortowania dla NCA (UL-PUR, klasa 9) wynosi 81%, z 2 bateriami błędnie przypisanymi do NMC (MICH_Form, klasa 4) i 1 baterią błędnie przypisaną do mieszanki NMC/LCO (HNEI, klasa 2) odpowiednio. W przeciwieństwie do tego, WDV przewyższa MV, ponieważ błędnie posortowała tylko jedną baterię, co skutkuje dokładnością sortowania 99%. Oceniamy również prawdopodobieństwo predykcji dla każdej klasy dla MV i WDV odpowiednio. Okazuje się, że WDV dokonuje bardziej pewnego sortowania niż MV, ponieważ prawdopodobieństwa predykcji WDV są ogólnie prawoskośne do wyższej wartości prawdopodobieństwa. Dlatego nasz proponowany WDV daje wyższe dokładności sortowania dla wszystkich klas, a sortowanie ma bogatsze marginesy ufności prawdopodobieństwa. Macierz pomyłek dla metod głosowania większościowego (MV) i głosowania odległością Wasserstein (WDV) odpowiednio. Rozważamy rozkład prawdopodobieństwa predykcji dla każdej klasy. Sortowanie niezależnego uczenia (IL) jest oznaczone. Rozkład dokładności sortowania i budżet prywatności (PB) IL, MV i WDV w obecności losowego szumu. Wartość PB jest referencyjna na poziomie dokładności 90%. Średni wynik F1 wyników sortowania i PB w każdej klasie przy użyciu IL, MV i WDV. Wszystkie wartości PB są referencyjne na poziomie wyniku F1 0,9. Dane są prezentowane jako wartości średnie ±1 odchylenie standardowe. Ważność cech, w kolejności malejącej. Podwykres pokazuje przestrzeń cech rozpiętą przez dwie pierwsze najbardziej istotne cechy. Dane są prezentowane jako wartości średnie ±1 odchylenie standardowe. Dane źródłowe są udostępniane jako plik Source Data. a b c d Oceniamy również budżet prywatności (PB, sekcja „Metody”), biorąc pod uwagę, że dane klienta mogą być podatne na inżynierię wsteczną poprzez podsłuchiwanie prywatnych danych . W tym zakresie dodajemy losowy szum Gaussa do danych klienta o różnej intensywności. Intensywność los 53