```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Abstrakt Nezotriedené vyradené batérie s rôznymi katódovými materiálmi bránia priamemu recyklovaniu kvôli ich špecifickosti ku katódovému materiálu. Nárast vyradených batérií si vyžaduje presné triedenie pre efektívne priame recyklovanie, ale vznikajú výzvy z rôznych prevádzkových histórií, rôznych výrobcov a obáv o ochranu súkromia údajov recyklačných spolupracovníkov (vlastníkov údajov). Tu ukazujeme, že z unikátnej databázy 130 lítiovo-iónových batérií pokrývajúcich 5 katódových materiálov a 7 výrobcov, federatívny prístup strojového učenia dokáže klasifikovať tieto vyradené batérie bez toho, aby sa spoliehal na minulé prevádzkové údaje, čím chráni súkromie údajov recyklačných spolupracovníkov. Využitím vlastností extrahovaných z cyklu nabíjania-vybíjania na konci životnosti náš model vykazuje 1% a 3% chybovosť triedenia katód v homogénnych a heterogénnych nastaveniach recyklácie batérií, resp., čo pripisujeme našej inovatívnej stratégii hlasovania pomocou Wassersteinovej vzdialenosti. Z ekonomického hľadiska navrhovaná metóda podčiarkuje hodnotu presného triedenia batérií pre prosperujúci a udržateľný recyklačný priemysel. Táto štúdia ohlasuje novú paradigmu využívania údajov citlivých na súkromie z rôznych zdrojov, čím uľahčuje kolaboratívne rozhodovanie rešpektujúce súkromie pre distribuované systémy. Úvod Lítiovo-iónové batérie (LIB), slúžiace ako zariadenia na skladovanie energie, získali široké využitie v rôznych oblastiach, od priemyselnej výroby až po každodenný život ako uznávaná technická cesta. Projekcie naznačujú, že globálny výrobný objem LIB do roku 2030 presiahne 1,3 TWh , keď eskalujúci dopyt po batériách ďaleko prevýši dostupnosť životne dôležitých kovových zdrojov, ako je lítium a kobalt , . Priemerná životnosť produktov LIB je však v súčasnosti 5–8 rokov, čo vedie k bezprostrednému nárastu vyradených batérií v mnohých krajinách. Ak nebudú riadne spravované, vyradené batérie spôsobia neudržateľné plytvanie zdrojmi a poškodenie životného prostredia. Vzhľadom na tieto okolnosti si vývoj technológie recyklácie batérií osvojuje kľúčový význam, keď čelíme blížiacej sa vlne vyraďovania LIB . 1 2 3 4 Nedávny pokrok vo výskume recyklácie batérií sa zameral na pyrometalurgické, hydrometalurgické a priame recyklačné prístupy . Na rozdiel od pyrometalurgických a hydrometalurgických metód sa priame recyklovanie odlišuje ako samostatný prístup. Tento proces nespôsobuje sekundárne poškodenie štruktúry materiálu, čím umožňuje efektívnejšiu opravu štruktúry a obnovenie výkonu. Okrem toho priame recyklovanie vykazuje vyššiu ziskovosť, pretože zahŕňa nižšiu spotrebu energie, znížené emisie skleníkových plynov a ľahšie ekologické stopy , . V reálnej výrobe sa však recyklátori batérií často stretávajú s LIB pozostávajúcimi z neznámych komponentov alebo s batériovými modulmi, ktoré pozostávajú zo zmesi rôznych typov katódových materiálov. Vzhľadom na to, že priame recyklovanie môže byť silne špecifické pre katódu, takáto zložitosť znemožňuje aplikáciu priameho recyklovania na dosiahnutie hodnotovej konverzie vyradených batérií . Je dôležité zdôrazniť, že aj keď sa životne dôležité kovy zo zmiešaných typov katódových materiálov dajú získať konvenčnými recyklačnými stratégiami, vzájomné pôsobenie medzi rôznymi katódovými materiálmi počas recyklačného procesu môže nepriaznivo ovplyvniť kvalitu produktu . Preto pochopenie informácií o type katódového materiálu na strane recyklácie výrazne ovplyvňuje voľbu priamej recyklačnej trasy a nakoniec zlepšuje kvalitu produktu, ziskovosť a udržateľnosť. 5 6 7 8 9 Priame recyklovanie asistované človekom bolo navrhnuté na identifikáciu informácií o type katódového materiálu vyradených batérií v predbežnom spracovaní, čo je stále finančne neudržateľné, keď sa recyklačný priemysel škáluje . Na efektívne získanie informácií o type katódy vyradených batérií vedecká a priemyselná komunita nedávno iniciovala systém sledovania životnosti batérií  a vznikajúce koncepty ako pas batérie  a genóm údajov batérií . Hoci sa pred týmito iniciatívami využilo značné množstvo batérií, rastie konsenzus, že informácie o batériách by mali byť prístupné počas celého životného cyklu, aby sa uľahčilo rozhodovanie o druhom živote . To platí najmä pre sektor recyklácie batérií, poslednú stanicu druhého života batérie, pretože recyklačná cesta môže byť silne špecifická pre katódu. Systémy sledovania životnosti batérií alebo pasy batérií sú však umožnené elektronickými zariadeniami, ako sú čiarové kódy a komunikačné technológie blízkeho poľa, ktoré by mohli zaviesť intenzívne investície a mohli by byť široko nekompatibilné s rôznymi dizajnérmi batérií. Okrem toho elektronické zariadenia zostávajú náročné na konzistentnú správu počas ich životnosti, čo vedie k opotrebovaným zariadeniam a nedostupnosti v štádiu recyklácie, keďže moderný výrobný proces LIB ešte nie je integrovaný od výroby po recykláciu . Preto sú naliehavo potrebné ďalšie prelomové objavy na dosiahnutie efektívneho triedenia typov katód batérií len pomocou ľahko dostupných informácií z terénu , , na rozdiel od historických zaznamenaných údajov alebo manuálneho spôsobu, čím sa uľahčuje prijatie priameho recyklovania na zlepšenie kvality a ziskovosti recyklovaných produktov. 1 10 11 12 13 14 15 16 V posledných rokoch sa strojové učenie stalo životaschopným nástrojom na riešenie otvorených otázok vo všetkých oblastiach batérií. V iných témach súvisiacich s batériami strojové učenie nedávno umožnilo automaticky objavovať zložité mechanizmy batérií , , , predpovedať zostávajúcu užitočnú životnosť , , , , , hodnotiť stav zdravia , , , optimalizovať cyklický profil , , aproximovať distribúciu zlyhania , dokonca aj riadiť návrh batérie , , a predpovedať celoživotný výkon ihneď po výrobe . V prípade recyklácie batérií len málo prác skúmalo strojové učenie týkajúce sa katódových materiálov , , čo je spôsobené nedostatkom údajov o batériách, najmä pre tie, ktoré boli cyklované do štádia konca životnosti. Prevažná väčšina publikovaných štúdií vykazuje veľmi obmedzené veľkosti vzoriek  a sú ešte viac obmedzené v diverzite katód batérií . Nedostatok je pripisovaný intenzívnym nákladom, dlhému testovaciemu času  a predovšetkým súkromiu údajov kvôli obchodným alebo záujmovým dôvodom. V dôsledku toho problém súkromia rigidizuje dilemu, kde existujúce údaje o batériách, hoci sú značné objemom a rozmanitosťou od viacerých strán, ako sú výrobcovia batérií, praktické aplikácie, akademické inštitúcie a platformy tretích strán, nemôžu byť zdieľané. Takáto dilema si vyžaduje štúdium triedenia katódových materiálov na optimalizáciu výberu recyklačnej cesty batérií kolaboratívnym spôsobom, ktorý zároveň rešpektuje súkromie. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Federatívne strojové učenie, ako distribuovaná paradigma chrániaca súkromie, má potenciál vyriešiť viacstrannú spoluprácu (ekvivalentne objem a rozmanitosť údajov o batériách) a problémy súkromia prostredníctvom kolaboratívneho strojového učenia , , . V každej tréningovej iterácii distribuovaní vlastníci údajov vykonávajú lokálne tréningy s ich lokálnou výpočtovou silou, šifrujú natrénované parametre modelu/výsledky a nahrávajú ich do centrálneho koordinátora na agregáciu. Fakty, že surové databázy nikdy neopustia svojich príslušných vlastníkov údajov a že prenesené parametre/výsledky sú riadne šifrované na ochranu súkromia údajov. Federatívne strojové učenie bolo rozsiahlo skúmané v mnohých aplikačných oblastiach vrátane verejného zdravia , , klinická diagnostika , , , e-commerce , internet vecí , mobilné výpočty , a smart grid , , . Tento prístup môže zrevolucionizovať paradigmu výskumu riadeného údajmi v širokých energetických sektoroch tým, že umožní spoluprácu s ochranou súkromia, najmä pre tých s obmedzeným prístupom k údajom. Pokiaľ ide o sektor recyklácie batérií, federatívne strojové učenie predstavuje sľubné možnosti na využitie obrovského množstva existujúcich údajov o batériách, ktoré však nemožno zdieľať z dôvodu obáv o súkromie. S takouto kolaboratívnou, ale súkromie rešpektujúcou paradigmou je možné triedenie vyradených batérií implementovať s vysokou presnosťou, efektivitou, škálovateľnosťou a generalizáciou, čím sa optimalizuje kvalita a ziskovosť recyklovaných produktov. Pokiaľ je nám známe, štúdie federatívneho strojového učenia zamerané na recykláciu batérií neboli doteraz hlásené. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 V tejto štúdii vykonávame triedenie katódového materiálu vyradených batérií, pričom využívame existujúce údaje o batériách od viacerých spolupracovníkov, ako sú výrobcovia batérií, prevádzkovatelia praktických aplikácií, akademické výskumné inštitúcie a platformy tretích strán, kolaboratívnym spôsobom strojového učenia, ktorý zároveň rešpektuje súkromie, ako je znázornené na obr. 1. . Náš federatívny model strojového učenia bol trénovaný s použitím iba jedného cyklu údajov z terénneho testovania prostredníctvom štandardizovaného procesu extrakcie vlastností, bez akýchkoľvek predchádzajúcich znalostí o historických prevádzkových podmienkach. Porovnávame prediktívnu silu nášho federatívneho modelu strojového učenia s prediktívnou silou nezávisle naučených lokálnych modelov založených na lokálnych údajoch za homogénnych aj heterogénnych recyklačných okolností batérií. Problém heterogenity je riešený našou navrhovanou stratégiou hlasovania pomocou Wassersteinovej vzdialenosti. Vykonáva sa ekonomické hodnotenie recyklácie vyradených batérií pomocou navrhnutého federatívneho rámca strojového učenia, ktorý poukazuje na relevantnosť a nevyhnutnosť presného triedenia vyradených batérií. Komplexne diskutujeme interpretovateľnosť modelu, implikácie recyklácie batérií a širšie vyhliadky budúcej praxe recyklácie batérií integrovanej s federatívnym strojovým učením. 1    Viacero zdrojov údajov, ako sú výrobcovia batérií (obrázok s láskavým dovolením Addionics), prevádzkovatelia praktických aplikácií (batériový balík v podlahe Tesly. Obrázok s láskavým dovolením Tesla), akademické výskumné inštitúcie a platformy tretích strán, môžu byť prispievateľmi údajov. Údaje o batériách sa ani nevymieňajú medzi prispievateľmi, ani nenahrávajú recyklátorovi batérií. Namiesto toho prispievatelia údajov trénujú lokálne modely a zdieľajú parametre modelu s recyklátorom batérií na vytvorenie globálneho modelu. Navrhovaná technika hlasovania pomocou Wassersteinovej vzdialenosti spája lokálne modely do globálneho modelu, ktorý je robustný voči nerovnováhe údajov a šumu. Recyklátori batérií môžu použiť spoločne vytvorený model na triedenie batérií v kombinácii s ľahko dostupnými údajmi z terénneho testovania.   Náš federatívny rámec strojového učenia povzbudzuje spolupracovníkov k zdieľaniu údajov pri zachovaní ochrany súkromia údajov, na rozdiel od tradičnej paradigmy izolovaných údajov. a b Výsledky Zber a štandardizácia údajov Jedinečná kinetika batérií v rôznych typoch batérií je často vysokodimenzionálna a ťažko charakterizovateľná kvôli rozdielnym prevádzkovým prípadom, variabilite výroby a historickému používaniu . Na nájdenie riešenia tejto dilemy sme zozbierali a štandardizovali 130 vyradených batérií s 5 typmi katódových materiálov od 7 výrobcov na zostavenie externého, ekvivalentne heterogénneho súboru údajov. Vzhľadom na rôzne historické používania majú batérie zozbierané kapacity pod 90 % nominálnej kapacity. Katódové materiály batérií sú oxid lítno-kobaltnatý (LCO), oxid nikel-mangán-kobaltnatý (NMC), fosforečnan železito-lítiový (LFP), oxid nikel-kobalt-hliníkový (NCA) a zmesi NMC-LCO, ktoré sú ďalej rozdelené do 9 tried na základe výrobcov (Doplnková tabuľka 1). . Úmyselne sme zahrnuli batérie s rozdielnym historickým používaním, od laboratórneho testovania až po profily jazdy v elektrických vozidlách, aby sme trénovali generalizovaný model pre recyklátora batérií nezávislý od historického používania a typov batérií. 52 1 Pre štandardizáciu sú všetky údaje požadované od recyklátora aktuálne skúmaný (poľné testovanie) cyklus s jedným testom nabíjania a vybíjania, ktorý je ľahko implementovateľný v praktických prípadoch. Skúmané údaje sa najprv odšumia vyplnením chýbajúcich hodnôt, nahradením odľahlých hodnôt a vykonaním mediánového filtrovania. Šumy spôsobené človekom a šumy spôsobené heterogenitou katódy sú však úmyselne zachované, aby bol model robustný voči nedokonalým vstupom. Údaje sú potom lineárne interpolované na vyhladenie krivky (Doplnkový obrázok 1)  a vlastnosti sú transformované pre redukciu dimenzionality, so spoločnou sadou štandardizačných parametrov (Doplnková poznámka 1).  Vlastnosti extrahované z štandardizačného pipeline sú dobre interpretovateľné, čo je záujem značného obchodného záujmu. Pokiaľ je nám známe, je to prvýkrát, čo sa heterogénne údaje o batériách z viacerých zdrojov a historického používania využívajú na pomoc pri návrhu stratégie recyklácie batérií. 1 1 Obrázky 2a, 2b  demonštrujú proces extrakcie vlastností. Zameriavame sa na krivku nabíjania a vybíjania vyradených batérií v poslednom cykle, t. j. jeden cyklus nabíjania a jeden cyklus vybíjania (Doplnkové obrázky 2–5). –  V cykle nabíjania sa 15 vlastností extrahuje z kriviek napätia-kapacity a dQ/dV, kde V a Q označujú hodnoty napätia a kapacity. Rovnaká sada vlastností sa extrahuje pre cyklus vybíjania. Výsledkom je celkovo 30 extrahovaných vlastností, ako je uvedené od F1 do F30. Podrobný popis vlastností nájdete v Doplnkovej tabuľke 2 a Doplnkovej poznámke 2. ,  Obrázok 2c zobrazuje absolútne a relatívne hodnoty vlastností vybraných batérií z každej triedy. Väčšina relatívnych hodnôt vlastností v rôznych triedach sa prekrýva v regióne od -1 do 0 (so svetlozelenou farbou) a je nerozoznateľná, čo ilustruje ťažkosti pri klasifikácii typu batérie pomocou jedného cyklu údajov batérie. Ťažkosť sa očakáva, pretože rozdielne historické prevádzkové podmienky môžu ovplyvniť kinetiku nabíjania-vybíjania batérií tak, že extrahované vlastnosti môžu byť do značnej miery korelované napriek rôznym typom batérií (Doplnkový obrázok 6).  Namiesto priameho interpretovania extrahovaných vlastností pomocou expertných znalostí používame alternatívny prístup založený na údajoch, ktorý automaticky využíva latentné vzorce v rôznych typoch batérií. 2 2 5 2 2 6    Pre proces nabíjania sa 15 vlastností extrahuje z krivky napätie-kapacita (vľavo) a dQ/dV (vpravo).   Rovnaká sada vlastností je určená pre proces vybíjania ako F16 až F30.   Vlastnosti sú vizualizované podľa tried, v poradí CxBn, označujúcom n-tú batériu z triedy x. Veľkosť kruhu zodpovedá absolútnej hodnote vlastnosti. Zdrojové údaje sú poskytnuté ako súbor Source Data. a b c Triedenie vyradených batérií s homogénnym prístupom k údajom Najprv zvažujeme nastavenie, kde sú údaje o batériách homogénne distribuované medzi spolupracovníkov (t. j. klientov). Homogenita znamená, že každý klient ponúka zdieľanie údajov o batériách naprieč všetkými 9 triedami, aj keď konkrétny počet batérií nie je obmedzený (Doplnková tabuľka 3).  Náš federatívny model strojového učenia trénujeme bez toho, aby sme potrebovali informácie o historickom používaní vyradených batérií. V našej práci recyklátor a klienti potrebujú iba testovať vyradené batérie v aktuálnom (poľnom testovaní) cykle, konkrétne s kompletným cyklom nabíjania-vybíjania na štandardný proces extrakcie vlastností iniciovaný recyklátorom. Lokálne modely sú trénované na základe vlastností extrahovaných z ich súkromných údajov o batériách. Federatívny rámec strojového učenia agreguje parametre lokálnych modelov, namiesto súkromných údajov o batériách, aby recyklátor mohol klasifikovať vyradené batérie. 3 Obrázok 3  ukazuje výsledky triedenia, keď klienti prispievajú homogénnymi údajmi o batériách. Obrázok 3a porovnáva dve federatívne metódy strojového učenia, t 3

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

Tento zvuk je vyrobený v pôvodnom jazyku príbehu!

Inteligentná umelá inteligencia chrániaca súkromie by mohla premeniť odpad z batérií na veľký zisk

About Author

KOMENTÁRE

ZAVISTE ŠTÍTKY

TENTO ČLÁNOK BOL PREDSTAVENÝ V

Related Stories

112 Stories To Learn About Hackernoon Community

THE CRAB-SPIDER

16 Best Sklearn Datasets for Building Machine Learning Models

Behavior of a shapely Spider

112 Stories To Learn About Hackernoon Community

THE CRAB-SPIDER

16 Best Sklearn Datasets for Building Machine Learning Models

Behavior of a shapely Spider

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps