
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Netriedené vyradené batérie s rôznymi katódovými materiálmi bránia prijatiu priamej recyklácie kvôli ich špecifickosti ku katóde. Nárast vyradených batérií si vyžaduje presné triedenie pre efektívnu priamu recykláciu, ale výzvy vyplývajú z rôznych prevádzkových histórií, rôznych výrobcov a obáv o súkromie údajov recyklačných spolupracovníkov (vlastníkov údajov). Tu ukazujeme, že z jedinečnej databázy 130 lítiovo-iónových batérií pokrývajúcich 5 katódových materiálov a 7 výrobcov dokáže federatívny prístup strojového učenia 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 pri triedení katód v homogénnych a heterogénnych prostrediach 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, si získali široké využitie v rôznych oblastiach, od priemyselnej výroby až po každodenný život ako akceptovaná technická cesta. Projekcie naznačujú, že globálny výrobný rozsah LIB do roku 2030 presiahne 1,3 TWh , kedy eskalujúci dopyt po batériách ďaleko prevýši dostupnosť kľúčových kovových zdrojov, ako je lítium a kobalt , . Priemerná životnosť produktov LIB však v súčasnosti predstavuje 5–8 rokov, čo vedie k bezprostrednému nárastu vyradených batérií v mnohých krajinách. Ak nebudú vyradené batérie riadne spravované, povedú k neudržateľnému plytvaniu zdrojmi a environmentálnej škode. Vzhľadom na tieto okolnosti má vývoj technológie recyklácie batérií kľúčový význam, keď čelíme nadchádzajúcej vlne vyradených LIB . 1 2 3 4 Najnovšie pokroky vo výskume recyklácie batérií sa zamerali na pyrometalurgické, hydrometalurgické a priame recyklačné prístupy . Na rozdiel od pyrometalurgických a hydrometalurgických metód sa priama recyklácia odlišuje ako samostatný prístup. Tento proces nespôsobuje sekundárne poškodenie štruktúry materiálu, čo umožňuje efektívnejšiu opravu štruktúry a obnovenie výkonu. Okrem toho priama recyklácia vykazuje vyššiu ziskovosť, pretože zahŕňa nižšiu spotrebu energie, znížené emisie skleníkových plynov a menšiu environmentálnu záťaž , . V skutočnej výrobe sa však recyklátori batérií často stretávajú s LIB obsahujúcimi neznáme komponenty alebo batériové moduly, ktoré pozostávajú zo zmesi rôznych typov katódových materiálov. Vzhľadom na to, že priama recyklácia môže byť silne špecifická pre katódu, takáto komplexnosť znemožňuje aplikáciu priamej recyklácie na dosiahnutie konverzie hodnoty vyradených batérií . Je dôležité zdôrazniť, že aj keď sa kľúčové kovy zo zmesí katódových materiálov dajú získať konvenčnými recyklačnými stratégiami, vzájomné pôsobenie medzi rôznymi katódovými materiálmi počas recyklačného procesu môže negatívne ovplyvniť kvalitu produktu . Preto porozumenie informáciám o type katódového materiálu na strane recyklácie výrazne ovplyvňuje výber cesty priamej recyklácie a v konečnom dôsledku zlepšuje kvalitu produktu, ziskovosť a udržateľnosť. 5 6 7 8 9 Priama recyklácia pomocou človeka bola navrhnutá na identifikáciu informácií o type katódového materiálu vyradených batérií v pred-liečebnom kroku, čo stále nie je finančne životaschopné, 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 pred týmito iniciatívami bolo využitých značné množstvo batérií, rastie konsenzus, že informácie o batériách by mali byť dostupné 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 technológia Near-Field Communication, ktoré by mohli predstavovať intenzívne investície a mohli by byť široko nekompatibilné s rôznymi konštruktérmi batérií. Okrem toho elektronické zariadenia zostávajú výzvou na konzistentnú správu počas celej ich životnosti, čo vedie k opotrebovaným zariadeniam a nedostupnosti v recyklačnom štádiu, pretože moderný výrobný proces LIB stále nie je integrovaný od výroby po recykláciu . Preto je naliehavo potrebných viac prielomov na dosiahnutie efektívneho triedenia katódových typov batérií iba pomocou ľahko dostupných informácií z terénu , , na rozdiel od historických zaznamenaných údajov alebo manuálneho spôsobu, čo uľahčuje prijatie priamej recyklácie 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 cyklový profil , , aproximovať distribúciu porúch , dokonca aj viesť návrh batérie ,  a predpovedať celoživotný výkon ihneď po výrobe . V prípade recyklácie batérií len málo prác skúmalo strojové učenie týkajúce sa katódových materiálov , , čo obviňuje nedostatok údajov o batériách, najmä pre tie, ktoré boli cyklované do štádia konca životnosti. Veľká väčšina publikovaných štúdií vykazuje veľmi obmedzené veľkosti vzoriek  a sú ešte viac obmedzené v diverzite katód batérií . Nedostatok sa pripisuje intenzívnym nákladom, dlhému testovaciemu času  a predovšetkým súkromiu údajov z dôvodu komerčných záujmov alebo záujmových otázok. V dôsledku toho problém súkromia rigidne komplikuje dilemu, kde existujúce údaje o batériách, hoci sú objemné a rozmanité od viacerých strán, ako sú výrobcovia batérií, praktickí prevádzkovatelia, akademické inštitúcie a platformy tretích strán, nemožno zdieľať. Takáto dilema si vyžaduje štúdium triedenia katódových materiálov na optimalizáciu výberu recyklačnej cesty batérií kolaboratívnym a zároveň zachovávajúcim súkromie spôsobom. 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 a na súkromie orientovaná paradigma, má potenciál vyriešiť problémy viacstrannej spolupráce (ekvivalentne, objem a rozmanitosť údajov o batériách) a problémy súkromia prostredníctvom kolaboratívneho strojového učenia , , . V každej tréningovej iterácii vlastníci distribuovaných údajov vykonávajú lokálne tréningy s vlastnou lokálnou výpočtovou silou, šifrujú parametre/výsledky natrénovaného modelu a nahrávajú ich do centrálneho koordinátora na agregáciu. Skutočnosť, že surové databázy nikdy neopustia svojich príslušných vlastníkov údajov a že prenesené parametre/výsledky sú riadne zašifrované na ochranu súkromia údajov. Federatívne strojové učenie bolo rozsiahle skúmané v mnohých aplikatívnych oblastiach, vrátane verejného zdravia , , klinická diagnostika , , , elektronický obchod , internet vecí , mobilné výpočty , a inteligentné siete , , . Tento prístup môže zrevolutionizovať paradigmu výskumu riadeného údajmi v širokých energetických sektoroch tým, že umožní spoluprácu zachovávajúcu súkromie, najmä pre tých s obmedzeným prístupom k údajom. Pokiaľ ide o recykláciu batérií, federatívne strojové učenie predpokladá sľubné možnosti využitia obrovského množstva existujúcich údajov o batériách, ktoré však nemožno zdieľať z dôvodu obáv o súkromie. S takouto kolaboratívnou, ale na súkromie orientovanou paradigmou je možné triedenie vyradených batérií implementovať s vysokou presnosťou, efektívnosťou, škálovateľnosťou a zovšeobecnením, čím sa optimalizuje kvalita a ziskovosť recyklovaných produktov. Podľa našich vedomostí štúdie federatívneho strojového učenia zamerané na recykláciu batérií neboli doteraz publikované. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 V tejto štúdii vykonávame triedenie katódového materiálu vyradených batérií s využitím existujúcich údajov o batériách od viacerých spolupracovníkov, ako sú výrobcovia batérií, prevádzkovatelia praktických aplikácií, akademické výskumné inštitúcie a platformy tretích strán, kolaboratívnym a zároveň na súkromie orientovaným spôsobom strojového učenia, ako je znázornené na obr. 1. Náš federatívny model strojového učenia bol natrénovaný pomocou iba jedného cyklu údajov z terénneho testovania prostredníctvom štandardizovaného procesu extrakcie funkcií, bez akýchkoľvek predchádzajúcich znalostí historických prevádzkových podmienok. Porovnávame prediktívnu silu nášho federatívneho modelu strojového učenia s prediktívnou silou nezávisle naučených lokálnych modelov založených na lokálnych údajoch za homogénnych aj heterogénnych okolností recyklácie batérií. Problém heterogenity je vyriešený našou navrhovanou stratégiou hlasovania pomocou Wassersteinovej vzdialenosti. Vykonáva sa ekonomické hodnotenie recyklácie vyradených batérií pomocou navrhovaného federatívneho rámca strojového učenia, ktoré zdôrazňuje relevanciu a nevyhnutnosť presného triedenia vyradených batérií. Komplexne diskutujeme interpretovateľnosť modelu, dôsledky recyklácie batérií a širšie vyhliadky budúcej praxe recyklácie batérií integrovanej s federatívnym strojovým učením.    Viacero zdrojov údajov, ako sú výrobcovia batérií (obrazová dokumentácia Addionics), prevádzkovatelia praktických aplikácií (batériový modul v podlahe Tesly. Obrazová dokumentácia 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 modelov s recyklátorom batérií na vytvorenie globálneho modelu. Navrhovaná technika hlasovania pomocou Wassersteinovej vzdialenosti spája lokálne modely do globálneho modelu, ktorý je robustný 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 federatívny rámec strojového učenia podporuje spolupracovníkov pri zdieľaní údajov pri zachovaní súkromia údajov na rozdiel od tradičného prístupu s ostrovmi údajov. a b Výsledky Zber a štandardizácia údajov Jedinečná kinetika batérií v rôznych typoch batérií je často vysoko dimenzionálna a ťažko charakterizovateľná kvôli rozdielnym prevádzkovým prípadom, variabilite výroby a historickým používaniam . Na nájdenie riešenia tejto dilemy sme zozbierali a štandardizovali 130 vyradených batérií s 5 typmi katódových materiálov od 7 výrobcov, aby sme vytvorili heterogénnu databázu mimo distribúcie. Vzhľadom na rôzne historické používania sú kapacity zozbieraných batérií pod 90% nominálnej kapacity. Katódové materiály batérií sú oxid lítno-kobaltový (LCO), niklovo-mangánovo-kobaltový (NMC), lítno-železný fosfát (LFP), oxid niklovo-kobaltovo-hliníkový (NCA) a zmesové typy NMC-LCO, ktoré sú ďalej zoskupené do 9 tried na základe výrobcov (doplnková tabuľka 1). 52 Úmyselne sme zahrnuli batérie s rozdielnymi historickými používaniami, od laboratórneho testovania po profily jazdy elektrických vozidiel, aby sme natrénovali zovšeobecnený model pre recyklátora batérií nezávislý od historických používaní a typov batérií. Pre štandardizáciu sú všetky údaje požadované od recyklátora aktuálne (v teréne) testovaný cyklus s jedným nabíjacím a vybíjacím testom, ktorý je ľahko implementovateľný v praktických prípadoch. Testované údaje sú najprv vyhladené odstránením chýbajúcich hodnôt, nahradením odľahlých hodnôt a vykonaním mediánového filtra. Šumy spôsobené človekom a šumy spôsobené heterogenitou katód sú však zámerne zachované, aby bol model robustný voči nedokonalým vstupom. Údaje sú potom lineárne interpolované pre vyplnenie krivky (doplnkový obr. 1) a funkčne inžinierované na zníženie dimenzionalnosti, so spoločným súborom štandardizačných parametrov (doplnková poznámka 1). Vlastnosti extrahované zo štandardizačného potrubia sú dobre interpretovateľné, čo je záležitosť významného komerčného záujmu. Pokiaľ je nám známe, je to prvýkrát, čo sa využili heterogénne údaje o batériách z viacerých zdrojov a historických používaní na pomoc pri návrhu stratégie recyklácie batérií. Obrázky 2a, 2b demonštrujú proces funkčného inžinierstva. 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 je 15 vlastností extrahovaných z kriviek napätia-kapacity a dQ/dV, kde V a Q odkazujú na hodnoty napätia a kapacity. Rovnaký súbor vlastností je extrahovaný pre cyklus vybíjania. V dôsledku toho je celkovo extrahovaných 30 vlastností, ako je uvedené od F1 do F30. Podrobný popis vlastností nájdete v doplnkovkej tabuľke 2 a doplnnovej 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 −1 až 0 (so svetlozelenou farbou) a je nerozoznateľná, čo ilustruje ťažkosť klasifikácie 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. 6). Namiesto priamej interpretácie extrahovaných vlastností pomocou odborných znalostí používame alternatívny prístup riadený údajmi, ktorý automaticky využíva latentné vzory naprieč rôznymi typmi batérií.    Pre proces nabíjania je 15 vlastností extrahovaných z krivky napätie-kapacita (vľavo) a krivky dQ/dV (vpravo).   Rovnaký súbor 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 mapuje absolútnu hodnotu vlastnosti. Zdrojové údaje sú poskytnuté ako súbor zdrojových údajov. a b c Triedenie vyradených batérií s homogénnym prístupom k údajom Najprv zvažujeme nastavenie, kde sú údaje o batériách homogénne distribuované medzi spolupracovníkov (klientov). Homogenita znamená, že každý klient ponúka zdieľanie údajov o batériách naprieč všetkými 9 triedami, aj keď počet batérií nie je obmedzený (doplnková tabuľka 3). Trénujeme náš federatívny model strojového učenia bez toho, aby sme vyžadovali informácie o historickom použití vyradených batérií. V našej práci recyklátor a klienti iba potrebujú testovať vyradené batérie v aktuálnom (terénnom) cykle, konkrétne s kompletným cyklom nabíjania-vybíjania pre štandardný proces funkčného inžinierstva 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, pre recyklátora na klasifikáciu vyradených batérií. Obrázok 3 ukazuje výsledky triedenia, keď klienti prispievajú homogénnymi údajmi o batériách. Obrázok 3a porovnáva dve federatívne metódy strojového učenia, t.j. väčšinové hlasovanie (MV) a našu navrhovanú metódu hlasovania pomocou Wassersteinovej vzdialenosti (WDV), s paradigmom nezávislého učenia (IL). Je potrebné poznamenať, že presnosť pre IL je priemerná naprieč všetkými klientmi nefederatívnym spôsobom. V porovnaní s IL, MV neobetuje výkon triedenia, s priemernou presnosťou 95%, pričom dokáže chrániť súkromie údajov a zmierňovať výpočtovú záťaž. Avšak 3 triedy sú nesprávne triedené pomocou MV. Napríklad 3 batérie v NMC (SNL, trieda 8, celkom 15) sú nesprávne zaradené do NCA (SNL, trieda 7), čo vedie k presnosti triedenia 80%. Presnosť triedenia pre NCA (UL-PUR, trieda 9) je 81%, s 2 batériami nesprávne zaradenými do NMC (MICH_Form, trieda 4) a 1 batériou nesprávne zaradenou do zmesi NMC/LCO (HNEI, trieda 2), resp. Naopak, WDV prekonáva MV, pretože nesprávne zatriedil iba jednu batériu, čo viedlo k presnosti triedenia 99%. Taktiež vyhodnocujeme prediktívnu pravdepodobnosť každej triedy pre MV a WDV, resp. Ukazuje sa, že WDV robí spoľahlivejšie triedenie ako MV, pretože prediktívne pravdepodobnosti WDV sú všeobecne pravostranné k vyššej hodnote pravdepodobnosti. Preto naša navrhovaná WDV produkuje vyššiu presnosť triedenia naprieč všetkými triedami a triedenie má bohatšie marže dôvery v pravdepodobnosti.  <

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 z hľadiska ochrany súkromia, by mohla premeniť odpad z batérií na veľký zisk

About Author

KOMENTÁRE

ZAVISTE ŠTÍTKY

TENTO ČLÁNOK BOL PREDSTAVENÝ V

Related Stories

Behavior of a shapely Spider

When Blood Told

Mutmut: a Python mutation testing system

Code Smell 298 - How to Fix Microsoft Windows Time Waste

Behavior of a shapely Spider

When Blood Told

Mutmut: a Python mutation testing system

Code Smell 298 - How to Fix Microsoft Windows Time Waste

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps