```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Författare: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Sammanfattning Osäker utsortering av kasserade batterier med varierande katodmaterial hindrar direkt återvinning på grund av deras katodspecifika natur. Den ökande mängden kasserade batterier kräver exakt sortering för effektiv direkt återvinning, men utmaningar uppstår från varierande driftshistorik, olika tillverkare och dataintegritetsproblem hos återvinningssamarbetspartners (dataägare). Här visar vi, från en unik dataset av 130 litiumjonbatterier som spänner över 5 katodmaterial och 7 tillverkare, att ett federerat maskininlärningsmetod kan klassificera dessa kasserade batterier utan att förlita sig på tidigare driftsdata, vilket skyddar dataintegriteten hos återvinningssamarbetspartners. Genom att utnyttja egenskaperna som extraherats från den sista laddnings-urladdningscykeln, uppvisar vår modell 1% och 3% fel vid sortering av katoder under homogena och heterogena batteriåtervinningsinställningar respektive, vilket tillskrivs vår innovativa Wasserstein-avstånds-röstningsstrategi. Ekonomiskt understryker den föreslagna metoden värdet av exakt batterisortering för en blomstrande och hållbar återvinningsindustri. Denna studie markerar ett nytt paradigm av att använda integritetskänsliga data från olika källor, vilket underlättar samarbetsinriktat och integritetsrespekterande beslutsfattande för distribuerade system. Introduktion Litiumjonbatterier (LIB), som fungerar som energilagringsenheter, har fått en bred användning inom olika områden, från industriproduktion till vardagsliv som en accepterad teknisk väg. Prognoser tyder på att den globala produktionsskalan av LIB kommer att överstiga 1,3 TWh år 2030 , då den ökande efterfrågan på batterier kommer att vida överstiga tillgången på viktiga metallresurser som litium och kobolt , . Livslängden för LIB-produkter är dock i genomsnitt 5–8 år, vilket leder till en överhängande ökning av kasserade batterier i många länder. Om de inte hanteras på rätt sätt kommer kasserade batterier att resultera i ohållbart resursspill och miljöskador. Med tanke på dessa omständigheter är utvecklingen av batteriåtervinningsteknik av avgörande betydelse när vi står inför den annalkande vågen av LIB-kasserade batterier . 1 2 3 4 Senaste framsteg inom forskning om batteriåtervinning har fokuserat på pyrometallurgiska, hydrometallurgiska och direkta återvinningsmetoder . I motsats till pyrometallurgiska och hydrometallurgiska metoder skiljer sig direkt återvinning som ett distinkt tillvägagångssätt. Denna process orsakar ingen sekundär skada på materialstrukturen, vilket möjliggör effektivare strukturell reparation och prestandaåterställning. Dessutom uppvisar direkt återvinning högre lönsamhet, eftersom den medför lägre energiförbrukning, minskade växthusgasutsläpp och lättare miljöavtryck , . I faktisk produktion stöter batteriåtervinnare dock ofta på LIB som består av okända komponenter eller batterimoduler som består av en blandning av olika katodmaterialtyper. Med tanke på att direkt återvinning kan vara starkt katodspecifik, gör en sådan komplexitet tillämpningen av direkt återvinning ogenomförbar för att uppnå värdeomvandling av de kasserade batterierna . Det är viktigt att betona att även om de viktiga metallerna från blandade katodmaterialtyper kan extraheras med konventionella återvinningsstrategier, kan samspelet mellan olika katodmaterial under återvinningsprocessen negativt påverka produktkvaliteten . Därför påverkar förståelsen av katodmaterialtypinformation på återvinningssidan markant valet av direkt återvinningsrutt och förbättrar i slutändan produktkvalitet, lönsamhet och hållbarhet. 5 6 7 8 9 Mänskligt assisterad direkt återvinning har föreslagits för att identifiera katodmaterialtypinformation för kasserade batterier i förbehandlingslänken, vilket fortfarande inte är ekonomiskt lönsamt när återvinningsindustrin skalar upp . För att effektivt hämta katodtypinformationen för kasserade batterier har det vetenskapliga och industriella samfundet nyligen initierat ett spårningssystem för batterilivslängd  och nya koncept som batteripass  och batteridata-genom . Även om betydande mängder batterier har använts före dessa initiativ, finns det en växande konsensus om att batteriinformation bör vara tillgänglig under hela livskedjan för att underlätta beslutsfattande för andra livscykler . Detta är särskilt fallet för batteriåtervinningssektorn, den sista stationen i batteriets andra livscykel, eftersom återvinningsrutten kan vara starkt katodspecifik. Spårningssystem för batterilivslängd eller batteripass möjliggörs dock av elektroniska prylar som streckkoder och närfältskommunikation, vilket kan medföra intensiv investering och vara allmänt inkompatibelt med olika batteridesigner. Dessutom är elektroniska prylar fortfarande utmanande att konsekvent hantera under hela sin livslängd, vilket leder till utslitna enheter och otillgänglighet i återvinningsstadiet eftersom den moderna tillverkningsprocessen för LIB fortfarande inte är integrerad från produktion till återvinning . Därför behövs det akut fler genombrott för att uppnå effektiv sortering av batterikatodtyper endast med hjälp av lättillgänglig fältinformation , , i motsats till historiska inspelade data eller på mänskligt assisterat sätt, vilket underlättar antagandet av direkt återvinning för att förbättra kvaliteten och lönsamheten hos återvunna produkter. 1 10 11 12 13 14 15 16 Under de senaste åren har maskininlärning framstått som ett gångbart verktyg för att lösa öppna frågor inom alla batterifält. I andra batterirelaterade ämnen har maskininlärning nyligen möjliggjort automatisk upptäckt av komplexa batterimekanismer , , , förutsägelse av återstående användbar livslängd , , , , , utvärdering av hälsotillståndet , , , optimering av cyklingsprofilen , , approximation av felfördelningen , även för att styra batteridesignen , , och förutsägelse av livslång prestanda omedelbart efter tillverkning . När det gäller batteriåtervinning har få arbeten undersökt maskininlärning angående katodmaterial , , vilket skyller på den knappa batteridata, särskilt för de som har cyklats till slutet av livscykeln. Den stora majoriteten av publicerade studier visar mycket begränsade provstorlekar  och är ännu mer begränsade i batterikatodens mångfald . Knappheten tillskrivs de intensiva kostnaderna, den långa testtiden , och framför allt, dataintegriteten på grund av kommersiella eller intresseintressen. Följaktligen stelnar integritetsproblemet dilemmat där befintliga batteridata, även om de är betydande i volym och mångfald från flera parter som batteritillverkare, praktiska applikationer, akademiska institutioner och tredjepartsplattformar, inte kan delas. Ett sådant dilemma kräver studier av sortering av katodmaterial för att optimera valet av återvinningsrutt för batterier på ett samarbetsinriktat men integritetsbevarande sätt. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Federerad maskininlärning, som ett distribuerat och integritetsbevarande paradigm, har potential att lösa både flerpartssamarbete (motsvarande batteridatavolym och mångfald) och integritetsproblem genom samarbetsinriktad maskininlärning , , . I varje träningsiteration utför de distribuerade dataägarna lokal träning med sin lokala beräkningskraft, krypterar de tränade modellparametrarna/resultaten och laddar upp dem till en central koordinator för aggregering. Fakta är att rådata aldrig lämnar sina respektive dataägare och att överförda parametrar/resultat är korrekt krypterade för att skydda dataintegriteten. Federerad maskininlärning har undersökts ingående inom många tillämpningsområden, inklusive folkhälsa , , klinisk diagnos , , , e-handel , Internet of Things , mobil databehandling , och smarta nät , , . Detta tillvägagångssätt kan revolutionera den datadrivna forskningsparadigmen inom breda energisektorer genom att möjliggöra integritetsbevarande samarbete, särskilt för dem med begränsad dataåtkomst. När det gäller batteriåtervinningssektorn, antar federerad maskininlärning lovande möjligheter att utnyttja den enorma mängden batteridata som redan finns men som inte kan delas på grund av integritetsbekymmer. Med ett sådant samarbetsinriktat men integritetsbevarande paradigm kan sortering av kasserade batterier implementeras med hög noggrannhet, effektivitet, skalbarhet och generalisering, vilket optimerar produktkvaliteten och lönsamheten hos återvunna produkter. Såvitt vi vet har studier om federerad maskininlärning fokuserade på batteriåtervinning aldrig rapporterats. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 I denna studie utför vi en sortering av katodmaterial för kasserade batterier, genom att utnyttja befintlig batteridata från flera samarbetspartners, såsom batteritillverkare, operatörer av praktiska applikationer, akademiska forskningsinstitutioner och tredjepartsplattformar, på ett samarbetsinriktat men integritetsbevarande maskininlärningssätt som illustreras i Fig.  . Vår federerade maskininlärningsmodell tränades med endast en cykel av fälttestdata via en standardiserad extraheringsprocess av egenskaper, utan någon förkunskap om de historiska driftsförhållandena. Vi jämför den prediktiva kraften hos vår federerade maskininlärningsmodell med den hos oberoende inlärda lokala modeller baserade på lokala data under både homogena och heterogena batteriåtervinningsförhållanden. Heterogenitetsproblemet löses av vår föreslagna Wasserstein-avstånds-röstningsstrategi. En ekonomisk utvärdering av återvinning av kasserade batterier med vårt föreslagna federerade maskininlärningsramverk genomförs, vilket belyser relevansen och nödvändigheten av noggrann sortering av kasserade batterier. Vi diskuterar heltäckande modellens tolkningsbarhet, implikationer för batteriåtervinning och bredare framtidsutsikter för framtida batteriåtervinningspraxis integrerad med federerad maskininlärning. 1    Flera datakällor, såsom batteritillverkare (Bild med tillstånd av Addionics), operatörer av praktiska applikationer (batteripack i bottenplattan på en Tesla. Bild med tillstånd av Tesla), akademiska forskningsinstitutioner och tredjepartsplattformar, kan vara dataleverantörer. Batteridata utbyts varken mellan bidragsgivare eller laddas upp till batteriåtervinnaren. Istället tränar dataleverantörer lokala modeller och delar modellparametrar med batteriåtervinnaren för att bygga en global modell. Den föreslagna Wasserstein-avstånds-röstningstekniken sammanfogar de lokala modellerna till den globala modellen, som är robust mot obalans och brus i data. Batteriåtervinnare kan använda den gemensamt byggda modellen för batterisortering, i kombination med lättillgängliga fälttestdata.   Vårt federerade maskininlärningsramverk uppmuntrar samarbetspartners att dela data samtidigt som dataintegriteten bevaras, till skillnad från det traditionella dataisoleringsparadigmet. a b Resultat Datainsamling och standardisering De unika batterikinetikerna i olika batterityper är ofta högdimensionella och svåra att karakterisera på grund av avvikande driftssituationer, tillverkningsvariationer och historisk användning . För att hitta en lösning på detta dilemma samlade vi in och standardiserade 130 kasserade batterier med 5 katodmaterialtyper från 7 tillverkare för att konstruera en out-of-distribution, likvärdigt heterogen dataset. Med tanke på olika historisk användning är kapaciteten hos de insamlade batterierna under 90% av nominell kapacitet. Batterikatodmaterialen är litiumkoboltoxid (LCO), nickel-mangan-kobolt (NMC), litiumjärnfosfat (LFP), nickel-kobolt-aluminiumoxid (NCA) och NMC-LCO blandade typer, som ytterligare grupperas i 9 klasser baserat på tillverkarna (kompletterande tabell  ). Vi inkluderar avsiktligt batterier med avvikande historisk användning, från laboratorietester till körprofiler för elfordon, för att träna en generaliserad modell för batteriåtervinnaren oberoende av historisk användning och batterityper. 52 1 För standardisering krävs all data från återvinnaren den för närvarande undersökta (fältprovade) cykeln med en laddnings- och urladdningstest, vilket är lätt att implementera i praktiska fall. De undersökta data rensas först från brus genom att fylla i saknade värden, ersätta extremvärden och utföra medianfiltrering. Mänskligt inducerat och katod-heterogenitetsinducerat brus behålls dock medvetet för att göra modellen robust mot ofullständiga indata. Data interpoleras sedan linjärt för kurvutfyllnad (kompletterande fig.  ) och egenskaperna utvinns för dimensionsreducering, med en gemensam uppsättning standardiseringsparametrar (kompletterande anmärkning  ). Egenskaper som extraherats från standardiseringspipelinen är väl tolkningsbara, en fråga av betydande kommersiellt intresse. Såvitt vi vet är det första gången heterogena batteridata från flera källor och historisk användning används för att stödja designstrategin för batteriåtervinning. 1 1 Figur  a,   visar processen för egenskapsextraktion. Vi fokuserar på laddnings- och urladdningskurvan för de kasserade batterierna i den sista cykeln, dvs. en laddnings- och en urladdningscykel (kompletterande figurer  – ). I laddningscykeln extraheras 15 egenskaper från spännings-kapacitets- och dQ/dV-kurvorna, där V och Q hänvisar till spännings- och kapacitetsvärdena respektive. Samma uppsättning egenskaper extraheras för urladdningscykeln. Som ett resultat extraheras totalt 30 egenskaper, som indikerats från F1 till F30. Se kompletterande tabell   och kompletterande anmärkning   för en detaljerad förklaring av egenskaperna. Figur  c visar de absoluta och relativa egenskapsvärdena för de utvalda batterierna från varje klass. De flesta relativa egenskapsvärden i olika klasser överlappar i regionen -1 till 0 (med ljusgröna färgen) och är omöjliga att skilja åt, vilket illustrerar svårigheten att klassificera batterityper med en enda cykel av batteridata. Svårigheten är förväntad eftersom de avvikande historiska driftsförhållandena kan påverka batteriernas laddnings-urladdningskinetik så att de extraherade egenskaperna kan vara till stor del korrelerade trots de olika batterityperna (kompletterande fig.  ). Istället för att direkt tolka de extraherade egenskaperna med expertkunskap, använder vi ett alternativt datadrivet tillvägagångssätt som automatiskt utnyttjar de latenta mönstren över olika batterityper. 2 b 2 5 2 2 2 6    För laddningsprocessen extraheras 15 egenskaper från spännings-kapacitetskurvan (vänster) och dQ/dV-kurvan (höger).   Samma uppsättning egenskaper gäller för urladdningsprocessen som F16 till F30.   Egenskaperna visualiseras efter klass, enligt formatet CxBn, vilket indikerar det n:te batteriet från klass x. Storleken på en cirkel motsvarar det absoluta egenskapsvärdet. Källdata tillhandahålls som en källdatafil. a b c Sortering av kasserade batterier med homogen dataåtkomst Vi överväger först en situation där batteridata är homogent fördelade över samarbetspartners (dvs. klienter). Homogeniteten innebär att varje klient erbjuder sig att dela batteridata över alla 9 klasser, även om det specifika antalet batterier inte är begränsat (kompletterande tabell  ). Vi tränar vår federerade maskininlärningsmodell utan krav på information om den historiska användningen av de kasserade batterierna. I vårt arbete behöver återvinnaren och klienterna bara testa de kasserade batterierna i den aktuella (fältprovade) cykeln, specifikt med en komplett laddnings-urladdningscykel för en standardiserad egenskapsextraktionsprocess initierad av återvinnaren. Lokala modeller tränas baserat på egenskaper extraherade från deras privata batteridata. Det federerade maskininlärningsramverket aggregerar de lokala modellparametrarna, snarare än de privata batteridata, för att återvinnaren ska kunna klassificera de kasserade batterierna. 3 Figur   visar sorteringsresultaten när klienterna bidrar med homogen batteridata. Figur  a jämför två metoder för federerad maskininlärning, dvs. majoritetsröstning (MV) och vår föreslagna Wasserstein-avstånds-röstning (WDV), med det oberoende inlärningsparadigmet (IL). Det bör noteras att noggrannheten för IL är genomsnittlig över alla klienter på ett icke-federerat sätt. Jämfört med IL offrar MV inte sorteringsprestandan, med en genomsnittlig noggrannhet på 95%, samtidigt som den kan skydda dataintegriteten och minska den beräkningsmässiga bördan. Dock missorterades 3 klasser med MV. Till exempel missorterades 3 batterier i NMC (SNL, klass 8, 15 totalt) till NCA (SNL, klass 7), vilket resulterar i en sorteringsnoggrannhet på 80%. Sorteringsnoggrannheten för NCA (UL-PUR, klass 9) är 81%, med 2 batterier missorterade till NMC (MICH_Form, klass 4) och 1 batteri missorterat till NMC/LCO blandad typ (HNEI, klass 2), respektive. I motsats, WDV överträffar MV eftersom den bara missorterade ett batteri, vilket resulterar i en sorteringsnoggrannhet på 99%. Vi utvärderar också prediktionssannolikheten för varje klass för MV respektive WDV. Det visar sig att WDV gör en mer säker sortering än MV eftersom prediktionssannolikheterna för WDV generellt är rättvridna till ett högre sannolikhetsvärde. Därför ger vår föreslagna WDV högre sorteringsnoggrannheter över alla klasser, och sorteringen har rikare sannolikhetskonfidensmarginaler. 3 3  

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

Det här ljudet är producerat på berättelsens originalspråk!

Säker AI som skyddar integriteten kan omvandla batteriavfall till stor vinst

About Author

KOMMENTARER

HÄNG TAGGAR

DENNA ARTIKEL PRESENTERAS I

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps