```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 batérie s rôznymi katódovými materiálmi bránia prijatiu priameho recyklovania kvôli svojej špecifickej povähe katódy. Nárast batérií po skončení životnosti si vyžaduje presné triedenie pre efektívne priame recyklovanie, ale výzvy vznikajú z rozdielnych prevádzkových histórií, rôznych výrobcov a obáv o súkromie údajov spolupracovníkov pri recyklovaní (vlastníkov údajov). Tu ukazujeme, že z jedinečnej databázy 130 lítiovo-iónových batérií pokrývajúcich 5 katódových materiálov a 7 výrobcov môže federovaný prístup strojového učenia klasifikovať tieto batérie po skončení životnosti bez toho, aby sa spoliehal na minulé prevádzkové údaje, čím chráni súkromie údajov spolupracovníkov pri recyklovaní. Využitím vlastností extrahovaných z cyklu nabíjania-vybíjania na konci životnosti náš model vykazuje 1% a 3% chybovosť pri triedení katód za homogénnych a heterogénnych podmienok recyklovania batérií, v danom poradí, čo je pripísané našej inovatívnej stratégii hlasovania pomocou Wassersteinovej vzdialenosti. Z ekonomického hľadiska navrhovaný prístup podčiarkuje hodnotu presného triedenia batérií pre prosperujúci a udržateľný recyklačný priemysel. Táto štúdia otvára nový program používania údajov z rôznych zdrojov, ktoré sú citlivé na súkromie, čím uľahčuje spoločné rozhodovanie s rešpektovaním súkromia pre distribuované systémy. Úvod Lítiovo-iónové batérie (LIB), slúžiace ako zariadenia na skladovanie energie, si získali široké využitie v rôznych oblastiach, od priemyselnej výroby až po každodenný život ako uznávaná technická cesta. Projekcie naznačujú, že celosvetová produkcia LIB do roku 2030 presiahne 1,3 TWh , pričom rastúci dopyt po batériách ďaleko predstihne 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 batérií po skončení životnosti v mnohých krajinách. Ak nebudú batérie po skončení životnosti riadne spravované, povedú k neudržateľnému plytvaniu zdrojmi a poškodeniu životného prostredia. Vzhľadom na tieto okolnosti má vývoj technológie recyklácie batérií zásadný význam pri konfrontácii s blížiacou sa vlnou vyraďovania LIB . 1 2 3 4 Nedávne pokroky vo výskume recyklácie batérií sa zamerali 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 obnovu výkonu. Okrem toho má priame recyklovanie vyššiu ziskovosť, pretože zahŕňa nižšiu spotrebu energie, znížené emisie skleníkových plynov a menšiu environmentálnu stopu , . V skutočnej výrobe sa však recyklátori batérií často stretávajú s LIB zloženými z neznámych komponentov alebo s batériovými modulmi, ktoré pozostávajú zo zmesi rôznych typov katódových materiálov. Vzhľadom na to, že priame recyklovanie môže byť silne závislé od katódy, takáto zložitosť znemožňuje aplikáciu priameho recyklovania na dosiahnutie konverzie hodnoty batérií po skončení životnosti . Je dôležité zdôrazniť, že aj keď sa životne dôležité kovy zo zmesí katódových materiálov dajú získať konvenčnými recyklačnými stratégiami, vzájomné pôsobenie rôznych katódových materiálov počas recyklačného procesu môže nepriaznivo ovplyvniť kvalitu produktu . Preto pochopenie informácií o type katódového materiálu na strane recyklácie výrazne ovplyvňuje voľbu trasy priameho recyklovania a nakoniec zlepšuje kvalitu produktu, ziskovosť a udržateľnosť. 5 6 7 8 9 Priame recyklovanie s asistenciou človeka bolo navrhnuté na identifikáciu informácií o type katódového materiálu batérií po skončení životnosti v predbežnom spracovaní, čo stále nie je finančne životaschopné, keď sa recyklačný priemysel zväčšuje . Na efektívne získanie informácií o type katódy batérií po skončení životnosti vedecká a priemyselná komunita nedávno iniciovala systém sledovania životnosti batérií  a vznikajúce koncepty ako pas batérie  a genóm údajov batérie . Hoci sa pred týmito iniciatívami používalo značné množstvo batérií, panuje rastúci konsenzus, že informácie o batériách by mali byť dostupné počas celého životného reťazca, aby sa uľahčilo rozhodovanie o druhom živote . Toto platí najmä pre sektor recyklácie batérií, poslednú stanicu druhého života batérie, pretože recyklačná trasa môže byť silne závislá od katódy. Systémy sledovania životnosti batérií alebo pasy batérií sú však umožnené elektronickými zariadeniami, ako sú čiarové kódy a komunikácia blízkeho poľa (NFC), ktoré by mohli predstavovať intenzívne investície a mohli by byť široko nekompatibilné s rôznymi dizajnérmi batérií. Okrem toho je pre elektronické zariadenia stále náročné konzistentne spravovať počas ich životnosti, čo vedie k opotrebovaným zariadeniam a nedostupnosti v štádiu recyklácie, keďže moderný výrobný proces LIB stále nie je integrovaný od výroby k recyklácii . 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 spôsobu s asistenciou človeka, čím sa uľahčí prijatie priameho recyklovania na zlepšenie kvality a ziskovosti recyklovaných produktov. 1 10 11 12 13 14 15 16 V posledných rokoch sa strojové učenie ukázalo ako životaschopný nástroj 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 cyklovací profil , , aproximovať rozdelenie porúch , dokonca aj viesť návrh batérie , , a predpovedať celoživotný výkon okamžite po výrobe . V prípade recyklácie batérií bolo len málo prác, ktoré skúmali strojové učenie týkajúce sa katódových materiálov , , čo je dôsledkom nedostatku údajov o batériách, najmä pre tie, ktoré boli cyklované do štádia konca životnosti. Drtivá väčšina publikovaných štúdií vykazuje veľmi obmedzené veľkosti vzoriek  a ešte viac obmedzenú v diverzite katód batérií . Nedostatok je pripísaný intenzívnym nákladom, dlhému testovaciemu času  a predovšetkým súkromiu údajov kvôli komerčným alebo záujmovým dôvodom. V dôsledku toho problém súkromia rigidne vytvára dilemu, kde existujúce údaje o batériách, hoci sú rozsiahle v objeme a diverzite od viacerých strán, ako sú výrobcovia batérií, praktickí operátori, akademické inštitúcie a platformy tretích strán, nemôžu byť zdieľané. Takáto dilema si vyžaduje štúdium triedenia katódových materiálov na optimalizáciu voľby recyklačnej trasy batérií v kolaboratívnom a zároveň rešpektujúcom súkromie. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Federované strojové učenie, ako distribuovaný a na súkromie orientovaný paradigmatický prístup, má potenciál vyriešiť ako viacstrannú spoluprácu (ekvivalentne, objem a diverzita údajov o batériách) tak aj problémy súkromia prostredníctvom kolaboratívneho strojového učenia , , . V každej iteračnej fáze učenia dátoví vlastníci vykonávajú lokálne učenie pomocou svojej lokálnej výpočtovej kapacity, šifrujú parametre/výsledky naučeného modelu a nahrávajú ich do centrálneho koordinátora na agregáciu. Fakty, že surové databázy nikdy neopustia svojich príslušných dátových vlastníkov a že prenesené parametre/výsledky sú správne šifrované na ochranu súkromia údajov. Federované strojové učenie bolo rozsiahlo preskúmané v mnohých aplikačných oblastiach, vrátane verejného zdravia , , klinickej diagnostiky , , , elektronického obchodu , internetu vecí , mobilného počítania  a inteligentných sietí , , . Tento prístup môže revolucionalizovať paradigmu dátovo orientovaného výskumu v širokých energetických sektoroch tým, že umožní spoluprácu s ochranou súkromia, najmä pre tie, ktoré majú obmedzený prístup k údajom. Pokiaľ ide o sektor recyklácie batérií, federované strojové učenie predpokladá sľubné možnosti využitia obrovského množstva existujúcich údajov o batériách, ktoré však nemožno zdieľať kvôli obavám o súkromie. S takýmto kolaboratívnym a zároveň na súkromie orientovaným paradigmatickým prístupom môže byť triedenie batérií po skončení životnosti implementované s vysokou presnosťou, efektívnosťou, škálovateľnosťou a generalizáciou, čím sa optimalizuje kvalita a ziskovosť recyklovaných produktov. Pokiaľ vieme, štúdie federovaného 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 katódových materiálov batérií po skončení životnosti, pričom využívame existujúce údaje o batériách od viacerých spolupracovníkov, ako sú výrobcovia batérií, prevádzkovatelia praktických aplikácií, akademické výskumné inštitúcie a platformy tretích strán, v kolaboratívnom a zároveň na súkromie orientovanom strojovom učení, ako je znázornené na obr.  . Náš federovaný model strojového učenia bol trénovaný pomocou iba jedného cyklu údajov z terénneho testovania prostredníctvom štandardizovaného procesu extrakcie funkcií, bez akýchkoľvek predchádzajúcich znalostí historických prevádzkových podmienok. Porovnávame prediktívnu silu nášho federovaného modelu strojového učenia s prediktívnou silou nezávisle naučených lokálnych modelov založených na lokálnych údajoch za homogénnych aj heterogénnych okolností recyklácie batérií. Problém heterogénnosti je vyriešený našou navrhovanou stratégiou hlasovania pomocou Wassersteinovej vzdialenosti. Vykonáva sa ekonomické hodnotenie recyklácie batérií po skončení životnosti pomocou nášho navrhovaného federovaného rámca strojového učenia, ktoré poukazuje na relevantnosť a nevyhnutnosť presného triedenia batérií po skončení životnosti. Komplexne diskutujeme interpretovateľnosť modelu, dôsledky recyklácie batérií a širšie vyhliadky budúcej praxe recyklácie batérií integrovanej s federovaným strojovým učením. 1    Viaceré zdroje údajov, ako sú výrobcovia batérií (obrázok s láskavým dovolením Addionics), prevádzkovatelia praktických aplikácií (batériový modul v podvozku 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 odolný voči nevyváženosti údajov a šumu. Recyklátori batérií môžu použiť spoločne vytvorený model na triedenie batérií, v kombinácii s ľahko dostupnými údajmi z terénneho testovania.   Náš federovaný rámec strojového učenia podporuje spolupracovníkov pri zdieľaní údajov pri zachovaní súkromia údajov, na rozdiel od tradičného prístupu izolácie 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, výrobnej variabilite a historickému použitiu . Na nájdenie riešenia tejto dilemy sme zhromaždili a štandardizovali 130 batérií po skončení životnosti s 5 typmi katódových materiálov od 7 výrobcov, aby sme vytvorili distribuovanú, ekvivalentne heterogénnu databázu. Vzhľadom na odlišné historické použitie sú kapacity zozbieraných batérií pod 90 % nominálnej kapacity. Katódové materiály batérií sú oxid lítium-kobaltový (LCO), nikel-mangán-kobaltový (NMC), lítium-železo-fosfátový (LFP), oxid nikel-kobalt-hliníkový (NCA) a zmesi NMC-LCO, ktoré sú ďalej rozdelené do 9 tried na základe výrobcov (doplňujúca tabuľka  ). Zámerne sme zahrnuli batérie s rozdielnymi historickými použitiami, od laboratórneho testovania po profily jazdy elektromobilov, aby sme trénovali generalizovaný model pre recyklátora batérií nezávislý od historického použitia a typov batérií. 52 1 Pre štandardizáciu sú všetky požadované údaje od recyklátora aktuálne testovaný (poľný test) cyklus s jedným testom nabíjania a vybíjania, čo je ľahko implementovateľné v praktických prípadoch. Surové testované údaje sú najprv denoised doplnením chýbajúcich hodnôt, nahradením odľahlých hodnôt a vykonaním mediánového filtrovania. Šumy spôsobené človekom a šumy spôsobené heterogénnosťou katódy sú však zámerne zachované, aby bol model odolný voči nedokonalým vstupom. Údaje sú potom lineárne interpolované na vyplnenie kriviek (doplnkový obr.  ) a extrahované funkcie na redukciu dimenzionality, so spoločným súborom štandardizačných parametrov (doplnková poznámka  ). Vlastnosti extrahované zo štandardizačného pipeline sú dobre interpretovateľné, čo je otázka značného komerčného záujmu. Pokiaľ vieme, je to prvýkrát, čo sa na pomoc pri návrhu stratégie recyklácie batérií využívajú heterogénne údaje o batériách z viacerých zdrojov a historického použitia. 1 1 Obrázky  a, a  b demonštrujú proces extrakcie funkcií. Zameriavame sa na krivku nabíjania a vybíjania batérií po skončení životnosti v poslednom cykle, t.j. jednom cykle nabíjania a jednom cykle vybíjania (doplňujúce obrázky  – ). V cykle nabíjania je z napäťovo-kapacitných a dQ/dV kriviek extrahovaných 15 vlastností, kde V a Q označujú hodnoty napätia a kapacity, resp. Rovnaká sada vlastností je extrahovaná pre cyklus vybíjania. V dôsledku toho je celkovo extrahovaných 30 vlastností, ako je uvedené od F1 do F30. Podrobný popis vlastností nájdete v doplňujúcej tabuľke   a doplnňujúcej poznámke  . Obrázok  c ukazuje absolútne a relatívne hodnoty vlastností vybraných batérií z každej triedy. Väčšina relatívnych hodnôt vlastností v rôznych triedach sa prekrýva v regióne −1 až 0 (svetlozelená farba) a je nerozoznateľná, čo ilustruje ťažkosti pri klasifikácii typu batérie pomocou jedného cyklu údajov o batérii. Ťažkosť je očakávaná, pretože rozdielne historické prevádzkové podmienky môžu ovplyvniť kinetiku nabíjania-vybíjania batérií tak, že extrahované vlastnosti môžu byť do značnej miery korelované napriek rozdielnym typom batérií (doplnkový obr.  ). Namiesto priamej interpretácie extrahovaných vlastností pomocou expertných znalostí, používame alternatívny dátovo orientovaný prístup, ktorý automaticky využíva skryté vzory naprieč rôznymi typmi batérií. 2 2 2 5 2 2 2 6    Pre proces nabíjania je z napäťovo-kapacitnej krivky (vľavo) a dQ/dV krivky (vpravo) extrahovaných 15 vlastností.   Rovnaká sada vlastností je pre proces vybíjania ako F16 až F30.   Vlastnosti sú vizualizované podľa tried, v poradí CxBn, čo označuje n-tú batériu z triedy x. Veľkosť kruhu zodpovedá absolútnej hodnote vlastnosti. Zdrojové údaje sú poskytnuté ako súbor zdrojových údajov. a b c Triedenie batérií po skončení životnosti s homogénnym prístupom k údajom Najprv zvažujeme nastavenie, kde sú údaje o batériách homogénne distribuované medzi spolupracovníkmi (klientmi). Homogenita znamená, že každý klient ponúka zdieľanie údajov o batériách naprieč všetkými 9 triedami, hoci konkrétny počet batérií nie je obmedzený (doplňujúca tabuľka  ). Trénujeme náš federovaný model strojového učenia bez toho, aby sme potrebovali informácie o historickom použití batérií po skončení životnosti. V našej práci recyklátor a klienti iba testujú batérie po skončení životnosti v aktuálnom (poľnom testovacom) cykle, konkrétne s kompletným cyklom nabíjania-vybíjania pre štandardný proces extrakcie funkcií iniciovaný recyklátorom. Lokálne modely sa trénujú na základe vlastností extrahovaných z ich súkromných údajov o batériách. Federovaný rámec strojového učenia agreguje parametre lokálnych modelov, namiesto súkromných údajov o batériách, pre 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!

Táto AI bezpečná voči súkromiu by mohla premeniť batériový odpad na veľký zisk

About Author

KOMENTÁRE

ZAVISTE ŠTÍTKY

TENTO ČLÁNOK BOL PREDSTAVENÝ V

Related Stories

Mutmut: a Python mutation testing system

When Blood Told

16 Best Sklearn Datasets for Building Machine Learning Models

Behavior of a shapely Spider

Mutmut: a Python mutation testing system

When Blood Told

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