
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Rezumat Bateriile scoase din uz, nesortate, cu diverse materiale catodice, împiedică adoptarea reciclării directe din cauza naturii lor specifice catodului. Creșterea numărului de baterii scoase din uz necesită o sortare precisă pentru o reciclare directă eficientă, dar apar provocări din cauza istoricului operațional variat, a producătorilor diverși și a preocupărilor legate de confidențialitatea datelor colaboratorilor de reciclare (proprietari de date). Aici, demonstrăm, dintr-un set de date unic de 130 de baterii litiu-ion care cuprind 5 materiale catodice și 7 producători, că o abordare federativă de învățare automată poate clasifica aceste baterii scoase din uz fără a se baza pe date operaționale anterioare, protejând confidențialitatea datelor colaboratorilor de reciclare. Utilizând caracteristicile extrase din ciclul de încărcare-descărcare la sfârșitul duratei de viață, modelul nostru prezintă erori de sortare a catodului de 1% și 3% în setări de reciclare a bateriilor omogene și, respectiv, heterogene, atribuite strategiei noastre inovatoare de vot bazată pe distanța Wasserstein. Din punct de vedere economic, metoda propusă subliniază valoarea sortării precise a bateriilor pentru o industrie de reciclare prosperă și durabilă. Acest studiu prefigurează un nou paradigmă de utilizare a datelor sensibile la confidențialitate din diverse surse, facilitând luarea deciziilor colaborativă și respectând confidențialitatea pentru sistemele distribuite. Introducere Bateriile litiu-ion (LIB), servind ca dispozitive de stocare a energiei, au câștigat o utilizare pe scară largă în diverse domenii, de la producția industrială la viața de zi cu zi, ca o rută tehnică acceptată. Proiecțiile sugerează că scara globală de producție a LIB va depăși 1,3 TWh până în 2030 , când cererea crescândă pentru baterii va depăși cu mult disponibilitatea resurselor metalice vitale precum litiul și cobaltul , . Cu toate acestea, durata de viață medie actuală a produselor LIB este de 5-8 ani, ducând la o creștere iminentă a bateriilor scoase din uz în multe țări. Dacă nu sunt gestionate corespunzător, bateriile scoase din uz vor duce la risipă nesustenabilă de resurse și la daune de mediu. Având în vedere aceste circumstanțe, dezvoltarea tehnologiei de reciclare a bateriilor capătă o importanță crucială pe măsură ce ne confruntăm cu valul iminent al bateriilor LIB scoase din uz . 1 2 3 4 Progresele recente în cercetarea reciclării bateriilor s-au concentrat pe abordările pirometalurgice, hidrometalurgice și de reciclare directă . În contrast cu metodele pirometalurgice și hidrometalurgice, reciclarea directă se distinge ca o abordare distinctă. Acest proces nu provoacă daune secundare structurii materialului, permițând o reparare structurală și o restaurare a performanței mai eficiente. Mai mult, reciclarea directă prezintă o profitabilitate mai mare, deoarece implică un consum redus de energie, emisii reduse de gaze cu efect de seră și o amprentă ecologică mai mică , . În producția efectivă, însă, reciclorii de baterii întâlnesc frecvent LIB care conțin componente necunoscute sau module de baterii care constau dintr-un amestec de diferite tipuri de materiale catodice. Având în vedere că reciclarea directă poate fi puternic dependentă de catod, o astfel de complexitate face ca aplicarea reciclării directe să fie infezabilă pentru a realiza conversia valorii bateriilor scoase din uz . Este crucial de subliniat că, chiar dacă metalele vitale din tipuri mixte de materiale catodice pot fi extrase utilizând strategii convenționale de reciclare, interacțiunea dintre diferite materiale catodice în timpul procesului de reciclare poate afecta negativ calitatea produsului . Prin urmare, înțelegerea informațiilor despre tipul materialului catodic în partea de reciclare influențează marcat alegerea rutei de reciclare directă și, în ultimă instanță, îmbunătățește calitatea produsului, profitabilitatea și durabilitatea. 5 6 7 8 9 Reciclarea directă asistată de oameni a fost propusă pentru a identifica informații despre tipul materialului catodic al bateriilor scoase din uz în legătura de pre-tratare, ceea ce încă nu este viabil din punct de vedere financiar pe măsură ce industria de reciclare se extinde . Pentru a recupera eficient informațiile despre tipul catodului bateriilor scoase din uz, comunitatea științifică și industrială a inițiat recent un sistem de urmărire a duratei de viață a bateriilor  și concepte emergente precum pașaportul bateriei  și genomul datelor bateriei . Deși o substanțială cantitate de baterii au fost utilizate înainte de aceste inițiative, există un consens crescând că informațiile despre baterii ar trebui să fie accesibile pe tot parcursul lanțului de viață pentru a facilita luarea deciziilor de viață secundară . Acesta este în special cazul sectorului de reciclare a bateriilor, ultima stație a vieții secundare a bateriei, deoarece ruta de reciclare poate fi puternic dependentă de catod. Cu toate acestea, sistemele de urmărire a duratei de viață a bateriilor sau pașapoartele bateriilor sunt activate de gadgeturi electronice precum codurile de bare și comunicațiile în câmp apropiat, care ar putea introduce investiții intensive și ar putea fi larg incompatibile cu diferiți proiectanți de baterii. Mai mult, gadgeturile electronice rămân provocatoare de gestionat în mod constant pe parcursul duratei lor de viață, ducând la dispozitive uzate și inaccesibilitate în stadiul de reciclare, deoarece procesul modern de fabricație al LIB încă nu este integrat de la producție la reciclare . Prin urmare, sunt necesare mai multe progrese pentru a obține o sortare eficientă a tipului de catod al bateriei folosind doar informații ușor accesibile din teren , , în contrast cu datele istorice înregistrate sau cu modul asistat de om, facilitând adoptarea reciclării directe pentru a îmbunătăți calitatea și profitabilitatea produselor reciclate. 1 10 11 12 13 14 15 16 În ultimii ani, învățarea automată a apărut ca un instrument viabil pentru a aborda întrebări deschise în toate domeniile bateriilor. În alte subiecte legate de baterii, învățarea automată ne-a permis recent să descoperim automat mecanisme complexe ale bateriilor , , , să prezicem durata de viață utilă rămasă , , , , , să evaluăm starea de sănătate , , , să optimizăm profilul de ciclare , , să aproximăm distribuția defecțiunilor , chiar să ghidăm proiectarea bateriilor , , și să prezicem performanța pe întreaga durată de viață imediat după fabricație . În cazul reciclării bateriilor, puține lucrări au investigat învățarea automată în ceea ce privește materialele catodice , , ceea ce este atribuit datelor rare despre baterii, în special pentru cele care au fost ciclrate până la sfârșitul duratei de viață. Marea majoritate a studiilor publicate prezintă dimensiuni limitate ale eșantionului  și sunt și mai limitate în diversitatea catodului bateriei . Raritatea este atribuită costului intensiv, timpului lung de testare  și, cel mai important, confidențialității datelor din cauza preocupărilor comerciale sau de interese. În consecință, problema confidențialității rigidizează dilema în care datele existente despre baterii, deși substanțiale în volum și diversitate de la multiple părți, precum producătorii de baterii, aplicații practice, instituții academice și platforme terțe, nu pot fi partajate. O astfel de dilemă necesită studierea sortării materialului catodic pentru a optimiza alegerea rutei de reciclare a bateriilor într-un mod colaborativ, respectând totodată confidențialitatea. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Învățarea automată federativă, ca un paradigm distribuit și respectând confidențialitatea, are potențialul de a rezolva atât colaborarea multi-partener (echivalent, volumul și diversitatea datelor bateriilor), cât și problemele de confidențialitate prin învățare automată colaborativă , , . În fiecare iterație de antrenament, proprietarii de date distribuiți efectuează antrenament local cu puterea lor de calcul locală, criptează parametrii/rezultatele modelului antrenat și le încarcă la un coordonator central pentru agregare. Faptul că seturile de date brute nu părăsesc niciodată proprietarii lor respectivi de date și că parametrii/rezultatele transferate sunt criptate corespunzător pentru a proteja confidențialitatea datelor. Învățarea automată federativă a fost investigată pe larg în numeroase domenii aplicative, inclusiv sănătatea publică , , diagnostic clinic , , , comerț electronic , Internet of Things , calcul mobil  și rețea inteligentă , , . Această abordare poate revoluționa paradigma de cercetare bazată pe date în sectoarele energetice largi, permițând colaborarea care respectă confidențialitatea, în special pentru cele cu acces limitat la date. În ceea ce privește sectorul de reciclare a bateriilor, învățarea automată federativă prezintă posibilități promițătoare pentru valorificarea cantității uriașe de date despre baterii care există deja, dar nu pot fi partajate din cauza preocupărilor legate de confidențialitate. Cu o astfel de paradigmă colaborativă și respectând confidențialitatea, sortarea bateriilor scoase din uz poate fi implementată cu precizie, eficiență, scalabilitate și generalizare înalte, optimizând calitatea și profitabilitatea produselor reciclate. După cunoștințele noastre, studiile de învățare automată federativă axate pe reciclarea bateriilor nu au fost raportate niciodată. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 În acest studiu, efectuăm o sortare a materialului catodic al bateriilor scoase din uz, valorificând datele existente despre baterii de la mai mulți colaboratori, precum producători de baterii, operatori de aplicații practice, instituții de cercetare academice și platforme terțe, într-un mod de învățare automată colaborativă și respectând confidențialitatea, așa cum este ilustrat în Fig.  . Modelul nostru federativ de învățare automată a fost antrenat folosind doar un ciclu de date de testare pe teren printr-un proces standardizat de extragere a caracteristicilor, fără nicio cunoaștere prealabilă a condițiilor operaționale istorice. Comparăm puterea predictivă a modelului nostru federativ de învățare automată cu cea a modelelor locale învățate independent bazate pe date locale, atât în circumstanțe omogene, cât și heterogene de reciclare a bateriilor. Problema eterogenității este rezolvată prin strategia noastră propusă de votare bazată pe distanța Wasserstein. Se efectuează o evaluare economică a reciclării bateriilor scoase din uz folosind cadrul nostru federativ de învățare automată propus, subliniind relevanța și necesitatea sortării precise a bateriilor scoase din uz. Discutăm cuprinzător interpretabilitatea modelului, implicațiile reciclării bateriilor și perspectivele mai largi ale practicii viitoare de reciclare a bateriilor integrate cu învățarea automată federativă. 1    Multiple surse de date, precum producătorii de baterii (Imagine oferită de Addionics), operatorii de aplicații practice (baterie în podeaua unui Tesla. Imagine oferită de Tesla), instituții de cercetare academice și platforme terțe, pot fi contribuitori de date. Datele bateriilor nu sunt schimbate între contribuitori și nici nu sunt încărcate la reciclorul de baterii. În schimb, contribuitorii de date antrenează modele locale și partajează parametrii modelului cu reciclorul de baterii pentru a construi un model global. Tehnica propusă de votare bazată pe distanța Wasserstein fuzionează modelele locale în modelul global, care este robust la dezechilibrul și zgomotul datelor. Reciclorii de baterii pot folosi modelul construit în comun pentru sortarea bateriilor, combinat cu datele de testare ușor accesibile.   Cadrul nostru federativ de învățare automată încurajează colaboratorii să partajeze datele, păstrând în același timp confidențialitatea datelor, spre deosebire de paradigma tradițională a izolației datelor. a b Rezultate Colectarea și standardizarea datelor Cineticile unice ale bateriilor în diferite tipuri de baterii sunt adesea multidimensionale și dificil de caracterizat din cauza cazurilor operaționale divergente, a variabilității producției și a utilizărilor istorice . Pentru a găsi o soluție la această dilemă, am colectat și standardizat 130 de baterii scoase din uz cu 5 tipuri de materiale catodice de la 7 producători pentru a construi un set de date eterogen, echivalent, din afara distribuției. Având în vedere utilizările istorice diferite, capacitățile bateriilor colectate sunt sub 90% din capacitatea nominală. Materialele catodice ale bateriilor sunt oxid de litiu-cobalt (LCO), nichel-mangan-cobalt (NMC), fosfat de litiu și fier (LFP), oxid de nichel-cobalt-aluminiu (NCA) și tipuri mixte NMC-LCO, care sunt ulterior grupate în 9 clase pe baza producătorilor (Tabelul Suplimentar  ). Am inclus intenționat baterii cu utilizări istorice divergente, de la testarea în laborator la profiluri de condus ale vehiculelor electrice, pentru a antrena un model generalizat pentru reciclorul de baterii, independent de utilizările istorice și de tipurile de baterii. 52 1 Pentru standardizare, toate datele necesare de la reciclor sunt ciclul curent sondat (testare pe teren) cu un test de încărcare și descărcare, care este ușor de implementat în cazuri practice. Datele sondate sunt mai întâi curățate prin completarea valorilor lipsă, înlocuirea valorilor aberante și efectuarea filtrării mediane. Cu toate acestea, zgomotele induse de om și cele induse de eterogenitatea catodului sunt păstrate deliberat, pentru a face modelul robust la intrări imperfecte. Datele sunt apoi interpolate liniar pentru umplerea curbelor (Figura Suplimentară  ) și caracterizate pentru reducerea dimensionalității, cu un set comun de parametri de standardizare (Notă Suplimentară  ). Caracteristicile extrase din pipeline-ul de standardizare sunt bine interpretabile, o preocupare de mare interes comercial. După cunoștințele noastre, este prima dată când datele eterogene ale bateriilor din multiple surse și utilizări istorice sunt utilizate pentru a asista în proiectarea strategiei de reciclare a bateriilor. 1 1 Figura  a,   demonstrează procesul de inginerie a caracteristicilor. Ne concentrăm pe curba de încărcare și descărcare a bateriilor scoase din uz în ultimul ciclu, adică un ciclu de încărcare și un ciclu de descărcare (Figurile Suplimentare  – ). În ciclul de încărcare, sunt extrase 15 caracteristici din curbele tensiune-capacitate și dQ/dV, unde V și Q se referă la valorile tensiunii și capacității, respectiv. Același set de caracteristici este extras pentru ciclul de descărcare. Ca rezultat, sunt extrase 30 de caracteristici în total, așa cum este indicat de la F1 la F30. Consultați Tabelul Suplimentar   și Notă Suplimentară   pentru o explicație detaliată a caracteristicilor. Figura  c prezintă valorile absolute și relative ale caracteristicilor bateriilor selectate din fiecare clasă. Majoritatea valorilor relative ale caracteristicilor din diferite clase se suprapun în regiunea de la −1 la 0 (cu culoarea verde deschis) și sunt indistinguibile, ilustrând dificultatea clasificării tipului de baterie folosind un ciclu de date al bateriei. Dificultatea este așteptată, deoarece condițiile istorice de funcționare divergente pot influența cinetica de încărcare-descărcare a bateriilor, astfel încât caracteristicile extrase pot fi în mare măsură corelate, în ciuda tipurilor diferite de baterii (Figura Suplimentară  ). Mai degrabă decât interpretarea directă a caracteristicilor extrase folosind cunoștințe de expert, utilizăm o abordare alternativă bazată pe date care valorifică automat tiparele latente din diverse tipuri de baterii. 2 b 2 5 2 2 2 6    Pentru procesul de încărcare, 15 caracteristici sunt extrase din curba tensiune-capacitate (stânga) și dQ/dV (dreapta).   Același set de caracteristici este pentru procesul de descărcare, ca F16 până la F30.   Caracteristicile sunt vizualizate pe clase, urmând formatul CxBn, indicând al n-lea baterie din clasa x. Dimensiunea unui cerc mapează valoarea absolută a caracteristicii. Datele sursă sunt furnizate ca fișier de date sursă. a b c Sortarea bateriilor scoase din uz cu acces omogen la date Considerăm mai întâi o setare în care datele bateriilor sunt distribuite omogen între colaboratori (adică, clienți). Omogenitatea înseamnă că fiecare client oferă să partajeze datele bateriilor din toate cele 9 clase, chiar dacă numărul specific de baterii nu este restricționat (Tabelul Suplimentar  ). Antrenăm modelul nostru federativ de învățare automată fără a necesita informații despre utilizarea istorică a bateriilor scoase din uz. În munca noastră, reciclorul și clienții trebuie doar să testeze bateriile scoase din uz în ciclul curent (testare pe teren), în mod specific, cu un ciclu complet de încărcare-descărcare pentru un proces standard de inginerie a caracteristicilor inițiat de reciclor. Modelele locale sunt antrenate pe baza caracteristicilor extrase din datele lor private despre baterii. Cadrul federativ de învățare automată agregă parametrii modelului local, mai degrabă decât datele private despre baterii, pentru ca reciclorul să clasifice bateriile scoase din uz. 3 Figura   arată rezultatele sortării atunci când clienții contribuie cu date omogene despre baterii. Figura  a compară două metode federative de învățare automată, adică votul majoritar (MV) și votul nostru propus bazat pe distanța Wasserstein (WDV), cu paradigma de învățare independentă (IL). Trebuie menționat că acuratețea pentru IL este medie peste toți clienții într-un mod nefederativ. Comparativ cu IL, MV nu sacrifică performanța de sortare, cu o acuratețe medie de 95%, fiind capabil să protejeze confidențialitatea datelor și să atenueze sarcina computațională. Cu toate acestea, 3 clase sunt sortate greșit folosind MV. De exemplu, 3 baterii din NMC (SNL, clasa 8, 15 în total) sunt sortate greșit în NCA (SNL, clasa 7), rezultând o acuratețe de sortare de 80%. Acuratețea de sortare pentru NCA (UL-PUR, clasa 9) este de 81%, cu 2 baterii sortate greșit în NMC (MICH_Form, clasa 4) și 1 baterie sortată greșit în 3 3

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

Acest audio este produs în limba originală a poveștii!

This Privacy-Safe AI Could Turn Battery Waste Into Big Profit

About Author

COMENTARII

Etichete suspendate

ACEST ARTICOL A FOST PREZENTAT IN

Related Stories

The TechBeat: Digital Transformation Success Stories in Mezzanine Lending (3/3/2024)

The World is Finally Ready for a New Internet

The Robots Are Taking Over

Holy 🎅 HackerNoon's Web 2.5 Documentary is Out! 😮

The TechBeat: Digital Transformation Success Stories in Mezzanine Lending (3/3/2024)

The World is Finally Ready for a New Internet

The Robots Are Taking Over

Holy 🎅 HackerNoon's Web 2.5 Documentary is Out! 😮

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps