
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autori: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Šengju Tao Hajdžou Liu Čongbo Sun Haočeng Ji Guanđun Ji Džijuan Han Runhua Gao Džun Ma Ruifei Ma Juou Čen Šiji Fu Ju Vang Jaođie Sun Ju Rong Sjuan Džang Guangmin Džou Hongbin Sun Sažetak Neuređene otpadne baterije sa različitim materijalima katode otežavaju usvajanje direktnog recikliranja zbog njihove specifičnosti za katodu. Porast broja otpadnih baterija zahteva precizno sortiranje za efikasno direktno recikliranje, ali postoje izazovi zbog različitih operativnih istorija, različitih proizvođača i zabrinutosti oko privatnosti podataka saradnika za reciklažu (vlasnika podataka). Ovde pokazujemo, na osnovu jedinstvenog skupa podataka od 130 litijum-jonskih baterija koje obuhvataju 5 katodnih materijala i 7 proizvođača, da pristup mašinskog učenja zasnovan na federativnom učenju može klasifikovati ove otpadne baterije bez oslanjanja na prošle operativne podatke, čuvajući privatnost podataka saradnika. Korišćenjem karakteristika izvučenih iz poslednjeg ciklusa punjenja-pražnjenja, naš model pokazuje greške u sortiranju katode od 1% i 3% pod homogenim i heterogenim postavkama reciklaže baterija, respektivno, što je pripisano našoj inovativnoj strategiji glasanja pomoću Vaserštajnove udaljenosti. Ekonomski, predložena metoda naglašava vrednost preciznog sortiranja baterija za prosperitetnu i održivu industriju reciklaže. Ova studija najavljuje novi paradigm korišćenja osetljivih podataka o privatnosti iz različitih izvora, olakšavajući kolaborativno donošenje odluka koje poštuje privatnost za distribuirane sisteme. Uvod Litijum-jonske baterije (LIB), koje služe kao uređaji za skladištenje energije, dobile su široku primenu u različitim domenima, od industrijske proizvodnje do svakodnevnog života kao prihvaćena tehnička ruta. Projekcije sugerišu da će globalni obim proizvodnje LIB premašiti 1,3 TWh do 2030. godine , kada će rastuća potražnja za baterijama daleko premašiti dostupnost vitalnih metalnih resursa poput litijuma i kobalta , . Međutim, prosečan životni vek LIB proizvoda iznosi 5–8 godina, što dovodi do neposrednog porasta broja otpadnih baterija u mnogim zemljama. Ako se ne upravlja pravilno, otpadne baterije će dovesti do neodrživog gubitka resursa i štete po životnu sredinu. S obzirom na ove okolnosti, razvoj tehnologije reciklaže baterija preuzima ključni značaj dok se suočavamo sa nadolazećim talasom otpadnih LIB . 1 2 3 4 Nedavna dostignuća u istraživanju reciklaže baterija fokusirana su na pirometalurške, hidrometalurške i direktne pristupe reciklaži . Za razliku od pirometalurških i hidrometalurških metoda, direktno recikliranje se izdvaja kao poseban pristup. Ovaj proces ne nanosi sekundarnu štetu strukturi materijala, omogućavajući efikasniju popravku strukture i obnavljanje performansi. Štaviše, direktno recikliranje pokazuje veću profitabilnost, jer podrazumeva nižu potrošnju energije, smanjene emisije gasova staklene bašte i lakši ekološki otisak , . Međutim, u stvarnoj proizvodnji, reciklaže baterija često nailaze na LIB koje sadrže nepoznate komponente ili baterijske module koji se sastoje od mešavine različitih tipova katodnih materijala. S obzirom da direktno recikliranje može biti snažno specifično za katodu, takva složenost čini primenu direktnog recikliranja neizvodljivom za ostvarivanje konverzije vrednosti otpadnih baterija . Ključno je naglasiti da čak i ako se vitalni metali iz mešovitih tipova katodnih materijala mogu ekstrahovati konvencionalnim strategijama reciklaže, međudejstvo između različitih katodnih materijala tokom procesa reciklaže može negativno uticati na kvalitet proizvoda . Stoga, razumevanje informacija o tipu katodnog materijala na strani reciklaže značajno utiče na izbor rute za direktno recikliranje i na kraju poboljšava kvalitet proizvoda, profitabilnost i održivost. 5 6 7 8 9 Direktno recikliranje uz pomoć čoveka predloženo je za identifikaciju informacija o tipu katodnog materijala otpadnih baterija u pretprerade, što još uvek nije finansijski isplativo kada se industrija reciklaže povećava . Da bi se efikasno povratile informacije o tipu katode otpadnih baterija, naučna i industrijska zajednica je nedavno pokrenula sistem praćenja životnog veka baterija  i nove koncepte poput pasoša baterije  i genoma podataka baterije . Iako je značajan broj baterija korišćen pre ovih inicijativa, postoji rastući konsenzus da informacije o baterijama treba da budu dostupne tokom celog životnog veka kako bi se olakšalo donošenje odluka za drugu upotrebu . Ovo je posebno slučaj za sektor reciklaže baterija, poslednju stanicu drugog života baterije, jer ruta reciklaže može biti snažno specifična za katodu. Međutim, sistemi za praćenje životnog veka baterija ili pasoši baterija omogućeni su elektronskim uređajima poput barkodova i komunikacija bliskog polja, što bi moglo predstavljati intenzivna ulaganja i moglo bi biti široko nekompatibilno sa različitim dizajnerima baterija. Štaviše, elektronski uređaji ostaju izazovni za dosledno upravljanje tokom svog životnog veka, što dovodi do istrošenih uređaja i nedostupnosti u fazi reciklaže, jer savremeni proizvodni proces LIB još uvek nije integrisan od proizvodnje do reciklaže . Stoga su proboji hitno potrebni za postizanje efikasnog sortiranja tipova katoda otpadnih baterija samo korišćenjem lako dostupnih terenskih informacija , , za razliku od istorijskih zabeleženih podataka ili načina uz pomoć čoveka, olakšavajući usvajanje direktnog recikliranja za poboljšanje kvaliteta i profitabilnosti recikliranih proizvoda. 1 10 11 12 13 14 15 16 Poslednjih nekoliko godina, mašinsko učenje se pojavilo kao održiv alat za rešavanje otvorenih pitanja u svim oblastima baterija. U drugim temama vezanim za baterije, mašinsko učenje nam je nedavno omogućilo automatsko otkrivanje složenih mehanizama baterija , , , predviđanje preostalog korisnog veka , , , , , procenu zdravstvenog stanja , , , optimizaciju profila ciklusa , , aproksimaciju raspodele kvarova , čak i za vođenje dizajna baterija , , i predviđanje performansi tokom celog životnog veka odmah nakon proizvodnje . U slučaju reciklaže baterija, malo radova je istraživalo mašinsko učenje u vezi sa katodnim materijalima , , što se pripisuje oskudnim podacima o baterijama, posebno za one korišćene do kraja životnog veka. Ogromna većina objavljenih studija prikazuje veoma ograničene veličine uzoraka  i još su ograničenije u raznolikosti katoda baterija . Oskudica se pripisuje intenzivnim troškovima, dugom vremenu testiranja  i, najvažnije, privatnosti podataka zbog komercijalnih ili interesnih razloga. Posledično, problem privatnosti učvršćuje dilemu gde postojeći podaci o baterijama, iako značajni po obimu i raznolikosti od više strana poput proizvođača baterija, praktičnih aplikacija, akademskih institucija i platformi trećih strana, ne mogu biti deljeni. Takva dilema poziva na izučavanje sortiranja katodnog materijala radi optimizacije izbora rute za reciklažu baterija na kolaborativan, a istovremeno čuva privatnost. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Federativno mašinsko učenje, kao distribuirana paradigma koja čuva privatnost, ima potencijal da reši probleme kolaboracije više strana (ekvivalentno, obim i raznolikost podataka o baterijama) i probleme privatnosti kroz kolaborativno mašinsko učenje , , . U svakoj iteraciji obuke, distribuirani vlasnici podataka sprovode lokalnu obuku koristeći svoju lokalnu računarsku snagu, šifruju parametre/rezultate obučenog modela i otpremaju ih centralnom koordinatoru na agregaciju. Činjenica je da sirovi skupovi podataka nikada ne napuštaju svoje respective vlasnike podataka, a preneseni parametri/rezultati su pravilno šifrovani radi zaštite privatnosti podataka. Federativno mašinsko učenje je opširno istraživano u brojnim aplikativnim poljima, uključujući javno zdravstvo , , kliničku dijagnostiku , , , e-trgovinu , Internet stvari , mobilno računarstvo , i pametnu mrežu , , . Ovaj pristup može da revolucionira paradigma istraživanja zasnovanog na podacima u širokim energetskim sektorima omogućavajući kolaboraciju koja čuva privatnost, posebno za one sa ograničenim pristupom podacima. U pogledu sektora reciklaže baterija, federativno mašinsko učenje pretpostavlja obećavajuće mogućnosti za korišćenje ogromne količine podataka o baterijama koje već postoje, ali ne mogu biti deljeni zbog zabrinutosti oko privatnosti. Sa takvom kolaborativnom, a istovremeno čuvajućom privatnost paradigme, sortiranje otpadnih baterija može biti implementirano sa visokom tačnošću, efikasnošću, skalabilnošću i generalizacijom, optimizujući kvalitet i profitabilnost recikliranih proizvoda. Koliko nam je poznato, studije federativnog mašinskog učenja fokusirane na reciklažu baterija nikada nisu bile prijavljene. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 U ovoj studiji, vršimo sortiranje katodnog materijala otpadnih baterija, koristeći postojeće podatke o baterijama od više saradnika, kao što su proizvođači baterija, operateri praktičnih aplikacija, akademske istraživačke institucije i platforme trećih strana, na kolaborativan, a istovremeno čuva privatnost mašinskog učenja, kako je ilustrovano na slici 1. Naš federativni model mašinskog učenja obučen je korišćenjem samo jednog ciklusa terenskih testnih podataka putem standardizovanog procesa ekstrakcije karakteristika, bez ikakvog prethodnog znanja o uslovima rada u istoriji. Upoređujemo prediktivnu moć našeg federativnog modela mašinskog učenja sa nezavisno naučenim lokalnim modelima zasnovanim na lokalnim podacima pod oba, homogenim i heterogenim, okolnostima reciklaže baterija. Problem heterogenosti rešava naša predložena strategija glasanja pomoću Vaserštajnove udaljenosti. Sprovodi se ekonomska evaluacija reciklaže otpadnih baterija korišćenjem našeg predloženog federativnog okvira mašinskog učenja, ističući relevantnost i neophodnost preciznog sortiranja otpadnih baterija. Sveobuhvatno diskutujemo interpretaciju modela, implikacije reciklaže baterija i šire perspektive buduće prakse reciklaže baterija integrisane sa federativnim mašinskim učenjem.    Višestruki izvori podataka, poput proizvođača baterija (slika ljubaznošću Addionics), operatera praktičnih aplikacija (baterijski paket u podu Teslinog automobila. Slika ljubaznošću Tesle), akademskih istraživačkih institucija i platformi trećih strana, mogu biti doprinosioci podataka. Podaci o baterijama se ne razmenjuju između saradnika niti se otpremaju recikleru baterija. Umesto toga, doprinosioci podataka obučavaju lokalne modele i dele parametre modela sa reciklerom baterija radi izgradnje globalnog modela. Predložena tehnika glasanja Vaserštajnove udaljenosti spaja lokalne modele u globalni model, koji je otporan na neuravnoteženost podataka i šum. Recikleri baterija mogu koristiti zajednički izgrađeni model za sortiranje baterija, u kombinaciji sa lako dostupnim podacima iz terenskih testova.   Naš federativni okvir mašinskog učenja podstiče saradnike na deljenje podataka uz očuvanje privatnosti podataka, za razliku od tradicionalne paradigme izolovanih podataka. a b Rezultati Prikupljanje i standardizacija podataka Jedinstvena kinetika baterija u različitim tipovima baterija je često visokodimenzionalna i teško se karakteriše zbog različitih operativnih slučajeva, varijabilnosti proizvodnje i istorijske upotrebe . Da bismo pronašli rešenje za ovu dilemu, prikupili smo i standardizovali 130 otpadnih baterija sa 5 tipova katodnih materijala od 7 proizvođača kako bismo konstruisali skup podataka van distribucije, ekvivalentno heterogen skup podataka. S obzirom na različitu istorijsku upotrebu, kapaciteti prikupljenih baterija su ispod 90% nominalnog kapaciteta. Katodni materijali baterija su litijum-kobalt-oksid (LCO), nikl-mangan-kobalt (NMC), litijum-ferofosfat (LFP), nikl-kobalt-aluminijum oksid (NCA) i mešani tipovi NMC-LCO, koji su dalje grupisani u 9 klasa na osnovu proizvođača (Tabela dopuna br. 1). Namerno smo uključili baterije sa različitom istorijskom upotrebom, od laboratorijskog testiranja do profila vožnje u električnim vozilima, kako bismo obučili generalizovan model za reciklere baterija nezavisno od istorijske upotrebe i tipova baterija. 52 Za standardizaciju, svi podaci potrebni od reciklera su trenutno provereni (terenski test) ciklus sa jednim testom punjenja i pražnjenja, što je lako implementirati u praktičnim slučajevima. Podaci iz proverenog ciklusa se prvo odšume popunjavanjem nedostajućih vrednosti, zamenom odstupanja i filtriranjem medijana. Ljudski indukovani i šumovi izazvani heterogenošću katode se namerno zadržavaju, kako bi model bio otporan na nesavršene ulaze. Podaci se zatim linearno interpoliraju za popunjavanje krivulje (Slika dopuna br. 1) i inženjerstvo karakteristika za smanjenje dimenzionalnosti, sa zajedničkim skupom parametara standardizacije (Napomena dopuna br. 1). Karakteristike ekstrahovane iz pipeline-a standardizacije su dobro interpretabilne, što je od značajnog komercijalnog interesa. Koliko nam je poznato, ovo je prvi put da se heterogeni podaci o baterijama iz više izvora i istorijske upotrebe koriste za pomoć u dizajnu strategije reciklaže baterija. Slika 2a, 2b demonstriraju proces inženjerstva karakteristika. Fokusiramo se na krivulju punjenja i pražnjenja otpadnih baterija u poslednjem ciklusu, tj. jedan ciklus punjenja i jedan ciklus pražnjenja (Slike dopuna br. 2–5). U ciklusu punjenja, 15 karakteristika se ekstrahuje iz krivulja napona-kapaciteta i dQ/dV, gde V i Q označavaju vrednosti napona i kapaciteta, respektivno. Ista grupa karakteristika se ekstrahuje za ciklus pražnjenja. Kao rezultat, ukupno se ekstrahuje 30 karakteristika, kako je naznačeno od F1 do F30. Pogledajte Tabelu dopuna br. 2 i Napomenu dopuna br. 2 za detaljno objašnjenje karakteristika. Slika 2c prikazuje apsolutne i relativne vrednosti karakteristika odabranih baterija iz svake klase. Većina relativnih vrednosti karakteristika u različitim klasama se preklapa u regionu od -1 do 0 (sa svetlo zelenom bojom) i ne mogu se razlikovati, što ilustruje poteškoću u klasifikaciji tipa baterije korišćenjem jednog ciklusa podataka o bateriji. Poteškoća je očekivana jer divergentni istorijski uslovi rada mogu uticati na kinetiku punjenja-pražnjenja baterija tako da ekstrahovane karakteristike mogu biti u velikoj meri korelirane uprkos različitim tipovima baterija (Slika dopuna br. 6). Umesto direktnog tumačenja ekstrahovanih karakteristika korišćenjem stručnog znanja, primenjujemo alternativni pristup zasnovan na podacima koji automatski koristi latentne obrasce u različitim tipovima baterija.    Za proces punjenja, 15 karakteristika se ekstrahuje iz krivulje napona-kapaciteta (levo) i dQ/dV (desno).   Isti set karakteristika je i za proces pražnjenja kao F16 do F30.   Karakteristike su vizualizovane po klasama, prateći format CxBn, koji označava nth bateriju iz klase x. Veličina kruga prikazuje apsolutnu vrednost karakteristike. Izvor podataka je dat kao Source Data fajl. a b c Sortiranje otpadnih baterija sa homogenim pristupom podacima Prvo razmatramo postavku gde su podaci o baterijama homogeno raspoređeni među saradnicima (imeđu klijenata). Homogenost znači da svaki klijent nudi deljenje podataka o baterijama za svih 9 klasa, iako specifičan broj baterija nije ograničen (Tabela dopuna br. 3). Obučavamo naš federativni model mašinskog učenja bez zahteva za informacijama o istorijskoj upotrebi otpadnih baterija. U našem radu, recikler i klijenti samo treba da testiraju otpadne baterije u trenutnom (terenskom test) ciklusu, posebno, sa kompletnim ciklusom punjenja-pražnjenja za standardni proces inženjerstva karakteristika koji pokreće recikler. Lokalni modeli se obučavaju na osnovu karakteristika ekstrahovanih iz njihovih privatnih podataka o baterijama. Federativni okvir mašinskog učenja agregira parametre lokalnih modela, umesto privatnih podataka o baterijama, za klasifikaciju otpadnih baterija od strane reciklera. Slika 3 pokazuje rezultate sortiranja kada klijenti doprinose homogenim podacima o baterijama. Slika 3a upoređuje dva federativna metoda mašinskog učenja, tj. većinsko glasanje (MV) i naš predloženi Vaserštajnovo glasanje udaljenošću (WDV), sa nezavisnim učenjem (IL) paradigme. Treba napomenuti da je tačnost za IL prosečna preko svih klijenata na nefederativan način. U poređenju sa IL, MV ne žrtvuje performanse sortiranja, sa prosečnom tačnošću od 95%, dok je sposoban da zaštiti privatnost podataka i ublaži računarsko opterećenje. Međutim, 3 klase su pogrešno sortirane korišćenjem MV. Na primer, 3 baterije u NMC (SNL, klasa 8, 15 ukupno) su pogrešno sortirane u NCA (SNL, klasa 7), što rezultira tačnošću sortiranja od 80%. Tačnost sortiranja za NCA (UL-PUR, klasa 9) je 81%, sa 2 baterije pogrešno sortirane u NMC (MICH_Form, klasa 4) i 1 baterija pogrešno sortirana u mešani tip NMC/LCO (HNEI, klasa 2), respektivno. Nasuprot tome, WDV nadmašuje MV jer je samo jednu bateriju pogrešno sortirao, što rezultira tačnošću sortiranja od 99%. Takođe procenjujemo prediktivnu verovatnoću svake klase za MV i WDV, respektivno. Pokazuje se da WDV pravi sigurnije sortiranje od MV jer su prediktivne verovatnoće WDV generalno desno zakošene ka većoj vrednosti verovatnoće. Stoga, naš predloženi WDV proizvodi više tačnosti sortiranja u svim klasama, a sortiranje je bogatije marginama poverenja u verovatnoći.    Matrica zabune za metode većinskog glasanja (MV) i Vaserštajnovog glasanja udaljenošću (WDV), respektivno. Razmatramo raspodelu prediktivne verovatnoće za svaku klasu. Sortiranje nezavisnog učenja (IL) je anotirano.   Raspodela tačnosti sortiranja i budžet privatnosti (PB) IL, MV i WDV u prisustvu slučajnog šuma. Vrednost PB se odnosi na nivo tačnosti od 90%.   Prosečni F1-rezultat rezultata sortiranja i PB u svakoj klasi koristeći IL, MV i WDV. Svi PB se odnose na nivo F1-rezultata od 0,9. Podaci su predstavljeni kao srednje vrednosti ±1 standardna devijacija.   Važnost karakteristika, u opadajućem redosledu. Pod-grafikon prikazuje prostor karakteristika definisan prvim dvema najistaknutijim karakteristikama. Podaci su predstavljeni kao srednje vrednosti ±1 standardna devijacija. Izvor podataka je dat kao Source Data fajl. a b c d Takođe procenjujemo budžet privatnosti (PB, odeljak "Metode"), uzimajući u obzir da podaci k

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

Овај аудио је произведен на оригиналном језику приче!

Ova AI bezbedna za privatnost mogla bi da pretvori otpad od baterija u veliki profit

About Author

КОМЕНТАРИ

ХАНГ ТАГС

ОВАЈ ЧЛАНАК ЈЕ ПРЕДСТАВЉЕН У

Related Stories

Building the Cloud Future: Sreedevi Velagala's Trek in AWS Architecture

Scaling Web Testing with Automation: Srikanth Srinivas’s Digital Strategy Breakthrough

Leadership Success Story: Srinath Muralinathan's Transformative Projects at Amazon

Building a website with React and Bulma

Building the Cloud Future: Sreedevi Velagala's Trek in AWS Architecture

Scaling Web Testing with Automation: Srikanth Srinivas’s Digital Strategy Breakthrough

Leadership Success Story: Srinath Muralinathan's Transformative Projects at Amazon

Building a website with React and Bulma

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps