AI ที่ปลอดภัยต่อความเป็นส่วนตัวนี้สามารถเปลี่ยนขยะแบตเตอรี่ให้เป็นผลกำไรมหาศาล

```html ผู้เขียน: 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 บทคัดย่อ แบตเตอรี่ที่ใช้แล้วซึ่งไม่ได้คัดแยกและมีวัสดุแคโทดหลากหลายชนิดเป็นอุปสรรคต่อการนำการรีไซเคิลโดยตรงมาใช้ เนื่องจากลักษณะเฉพาะของวัสดุแคโทด การเพิ่มขึ้นของแบตเตอรี่ที่ใช้แล้วจำเป็นต้องมีการคัดแยกที่แม่นยำเพื่อการรีไซเคิลโดยตรงอย่างมีประสิทธิภาพ แต่ความท้าทายเกิดขึ้นจากประวัติการใช้งานที่แตกต่างกัน ผู้ผลิตที่หลากหลาย และข้อกังวลเรื่องความเป็นส่วนตัวของข้อมูลของผู้ร่วมมือในการรีไซเคิล (เจ้าของข้อมูล) ที่นี่เราแสดงให้เห็นจากชุดข้อมูลที่ไม่เหมือนใครของแบตเตอรี่ลิเธียมไอออน 130 ก้อนที่ครอบคลุมวัสดุแคโทด 5 ชนิดและผู้ผลิต 7 ราย วิธีการเรียนรู้ของเครื่องแบบสหพันธ์สามารถจำแนกประเภทแบตเตอรี่ที่ใช้แล้วเหล่านี้ได้โดยไม่ต้องอาศัยข้อมูลการใช้งานในอดีต โดยรักษาความเป็นส่วนตัวของข้อมูลของเพื่อนร่วมงานรีไซเคิล ด้วยการใช้คุณลักษณะที่ดึงมาจากรอบการชาร์จ-คายประจุสุดท้าย โมเดลของเราแสดงข้อผิดพลาดในการคัดแยกแคโทด 1% และ 3% ภายใต้การตั้งค่าการรีไซเคิลแบตเตอรี่แบบเอกพันธ์และต่างกันตามลำดับ ซึ่งเป็นผลมาจากกลยุทธ์การลงคะแนนระยะทาง Wasserstein ที่เป็นนวัตกรรมของเรา ในเชิงเศรษฐกิจ วิธีการที่นำเสนอเน้นย้ำถึงคุณค่าของการคัดแยกแบตเตอรี่ที่แม่นยำสำหรับอุตสาหกรรมการรีไซเคิลที่เจริญรุ่งเรืองและยั่งยืน การศึกษานี้เป็นจุดเริ่มต้นของกระบวนทัศน์ใหม่ในการใช้ข้อมูลที่ละเอียดอ่อนต่อความเป็นส่วนตัวจากแหล่งต่างๆ ที่หลากหลาย ซึ่งอำนวยความสะดวกในการตัดสินใจร่วมกันและเคารพความเป็นส่วนตัวสำหรับระบบกระจาย บทนำ แบตเตอรี่ลิเธียมไอออน (LIBs) ซึ่งทำหน้าที่เป็นอุปกรณ์กักเก็บพลังงาน ได้รับการใช้งานอย่างกว้างขวางในหลากหลายสาขา ตั้งแต่การผลิตภาคอุตสาหกรรมไปจนถึงชีวิตประจำวันในฐานะเส้นทางทางเทคนิคที่ได้รับการยอมรับ การคาดการณ์บ่งชี้ว่าขนาดการผลิต LIBs ทั่วโลกจะเกิน 1.3 TWh ภายในปี 2030 เมื่อความต้องการแบตเตอรี่ที่เพิ่มขึ้นจะแซงหน้าความพร้อมของทรัพยากรโลหะที่จำเป็น เช่น ลิเธียมและโคบอลต์ , อย่างไรก็ตาม อายุการใช้งานเฉลี่ยของผลิตภัณฑ์ LIB ในปัจจุบันอยู่ที่ 5-8 ปี ทำให้เกิดการเพิ่มขึ้นของแบตเตอรี่ที่ใช้แล้วในหลายประเทศ หากไม่มีการจัดการที่เหมาะสม แบตเตอรี่ที่ใช้แล้วจะนำไปสู่การสูญเสียทรัพยากรที่ไม่ยั่งยืนและผลกระทบต่อสิ่งแวดล้อม ด้วยสถานการณ์เหล่านี้ การพัฒนาเทคโนโลยีการรีไซเคิลแบตเตอรี่จึงมีความสำคัญอย่างยิ่งเมื่อเราเผชิญกับคลื่นลูกใหญ่ของการปลดประจำการ LIBs ที่กำลังจะมาถึง 1 2 3 4 ความก้าวหน้าล่าสุดในการวิจัยการรีไซเคิลแบตเตอรี่ได้มุ่งเน้นไปที่แนวทางการรีไซเคิลด้วยความร้อน การรีไซเคิลด้วยความร้อนและการรีไซเคิลโดยตรง เมื่อเทียบกับวิธีการรีไซเคิลด้วยความร้อนและการรีไซเคิลด้วยความร้อน การรีไซเคิลโดยตรงถือเป็นแนวทางที่แตกต่าง กระบวนการนี้ไม่ก่อให้เกิดความเสียหายต่อโครงสร้างวัสดุ ทำให้สามารถซ่อมแซมโครงสร้างและฟื้นฟูประสิทธิภาพได้อย่างมีประสิทธิภาพมากขึ้น นอกจากนี้ การรีไซเคิลโดยตรงยังแสดงให้เห็นถึงผลกำไรที่สูงขึ้น เนื่องจากเกี่ยวข้องกับการใช้พลังงานที่ต่ำลง การปล่อยก๊าซเรือนกระจกที่ลดลง และรอยเท้าทางสิ่งแวดล้อมที่เบาลง , ในการผลิตจริง อย่างไรก็ตาม ผู้รีไซเคิลแบตเตอรี่มักพบ LIBs ที่ประกอบด้วยส่วนประกอบที่ไม่ทราบหรือไม่ทราบ หรือโมดูลแบตเตอรี่ที่ประกอบด้วยส่วนผสมของวัสดุแคโทดประเภทต่างๆ เมื่อพิจารณาว่าการรีไซเคิลโดยตรงอาจเฉพาะเจาะจงกับวัสดุแคโทดเป็นอย่างมาก ความซับซ้อนดังกล่าวทำให้การประยุกต์ใช้การรีไซเคิลโดยตรงไม่สามารถนำมาใช้เพื่อแปลงมูลค่าของแบตเตอรี่ที่ใช้แล้วได้ เป็นสิ่งสำคัญที่ต้องเน้นย้ำว่า แม้แต่โลหะที่จำเป็นจากวัสดุแคโทดประเภทผสมก็สามารถสกัดได้โดยใช้กลยุทธ์การรีไซเคิลแบบทั่วไป การทำงานร่วมกันระหว่างวัสดุแคโทดประเภทต่างๆ ในระหว่างกระบวนการรีไซเคิลอาจส่งผลเสียต่อคุณภาพของผลิตภัณฑ์ ดังนั้น การทำความเข้าใจข้อมูลประเภทวัสดุแคโทดในฝั่งการรีไซเคิลจึงส่งผลกระทบอย่างมากต่อการเลือกเส้นทางการรีไซเคิลโดยตรง และในที่สุดก็ปรับปรุงคุณภาพของผลิตภัณฑ์ ความสามารถในการทำกำไร และความยั่งยืน 5 6 7 8 9 การรีไซเคิลโดยตรงโดยมนุษย์ได้รับการเสนอให้ระบุข้อมูลประเภทวัสดุแคโทดของแบตเตอรี่ที่ใช้แล้วในส่วนก่อนการบำบัด ซึ่งยังไม่คุ้มค่าทางการเงินเมื่ออุตสาหกรรมการรีไซเคิลกำลังขยายตัว เพื่อดึงข้อมูลประเภทวัสดุแคโทดของแบตเตอรี่ที่ใช้แล้วอย่างมีประสิทธิภาพ ชุมชนวิทยาศาสตร์และอุตสาหกรรมได้ริเริ่มระบบการติดตามอายุการใช้งานแบตเตอรี่ และแนวคิดที่เกิดขึ้นใหม่ เช่น หนังสือเดินทางแบตเตอรี่ และจีโนมข้อมูลแบตเตอรี่ แม้ว่าแบตเตอรี่จำนวนมากจะถูกนำไปใช้ก่อนความคิดริเริ่มเหล่านี้ แต่ก็มีความเห็นพ้องกันเพิ่มขึ้นว่าข้อมูลแบตเตอรี่ควรสามารถเข้าถึงได้ตลอดห่วงโซ่ชีวิตเพื่ออำนวยความสะดวกในการตัดสินใจเกี่ยวกับอายุการใช้งานที่สอง นี่เป็นกรณีที่สำคัญสำหรับภาคการรีไซเคิลแบตเตอรี่ ซึ่งเป็นสถานีสุดท้ายของอายุการใช้งานที่สองของแบตเตอรี่ เนื่องจากเส้นทางการรีไซเคิลอาจเฉพาะเจาะจงกับวัสดุแคโทดเป็นอย่างมาก อย่างไรก็ตาม ระบบการติดตามอายุการใช้งานแบตเตอรี่หรือหนังสือเดินทางแบตเตอรี่เปิดใช้งานโดยอุปกรณ์อิเล็กทรอนิกส์ เช่น บาร์โค้ดและการสื่อสารระยะใกล้ ซึ่งอาจนำมาซึ่งการลงทุนที่เข้มข้นและอาจเข้ากันไม่ได้กับผู้ออกแบบแบตเตอรี่ที่แตกต่างกัน นอกจากนี้ อุปกรณ์อิเล็กทรอนิกส์ยังคงเป็นเรื่องท้าทายในการจัดการอย่างสม่ำเสมอตลอดอายุการใช้งาน ส่งผลให้เกิดอุปกรณ์ที่สึกหรอและไม่สามารถเข้าถึงได้ในขั้นตอนการรีไซเคิล เนื่องจากกระบวนการผลิตสมัยใหม่ของ LIBs ยังไม่ได้รวมการผลิตเข้ากับการรีไซเคิล ดังนั้น จึงจำเป็นต้องมีความก้าวหน้าเพิ่มเติมเพื่อให้บรรลุการคัดแยกประเภทวัสดุแคโทดแบตเตอรี่ที่มีประสิทธิภาพโดยใช้ข้อมูลภาคสนามที่เข้าถึงได้ง่ายเท่านั้น , ตรงกันข้ามกับข้อมูลในอดีตที่บันทึกไว้หรือด้วยความช่วยเหลือจากมนุษย์ ซึ่งอำนวยความสะดวกในการนำการรีไซเคิลโดยตรงมาใช้เพื่อปรับปรุงคุณภาพและความสามารถในการทำกำไรของผลิตภัณฑ์รีไซเคิล 1 10 11 12 13 14 15 16 ในช่วงไม่กี่ปีที่ผ่านมา การเรียนรู้ของเครื่องได้กลายเป็นเครื่องมือที่มีศักยภาพในการแก้ไขคำถามปลายเปิดในทุกสาขาของแบตเตอรี่ ในหัวข้อที่เกี่ยวข้องกับแบตเตอรี่อื่นๆ การเรียนรู้ของเครื่องเพิ่งช่วยให้เราค้นพบกลไกแบตเตอรี่ที่ซับซ้อนได้โดยอัตโนมัติ , , คาดการณ์อายุการใช้งานที่เหลือ , , , , ประเมินสภาวะสุขภาพ , , ปรับปรุงโปรไฟล์การหมุนเวียน , ประมาณการการกระจายตัวของความล้มเหลว แม้กระทั่งเพื่อนำทางการออกแบบแบตเตอรี่ , และคาดการณ์ประสิทธิภาพตลอดอายุการใช้งานทันทีหลังการผลิต ในกรณีของการรีไซเคิลแบตเตอรี่ มีงานวิจัยเพียงไม่กี่ชิ้นที่ได้ตรวจสอบการเรียนรู้ของเครื่องเกี่ยวกับวัสดุแคโทด , ซึ่งเป็นข้อตำหนิสำหรับข้อมูลแบตเตอรี่ที่ขาดแคลน โดยเฉพาะอย่างยิ่งสำหรับผู้ที่ถูกทดสอบจนถึงระยะสิ้นอายุการใช้งาน การศึกษาที่ตีพิมพ์ส่วนใหญ่แสดงขนาดตัวอย่างที่จำกัดมาก และมีความหลากหลายของแคโทดแบตเตอรี่น้อยกว่า ความขาดแคลนนี้เกิดจากต้นทุนที่เข้มข้น เวลาทดสอบที่ยาวนาน และที่สำคัญที่สุดคือความเป็นส่วนตัวของข้อมูลเนื่องจากข้อกังวลทางการค้าหรือผลประโยชน์ ดังนั้น ปัญหาความเป็นส่วนตัวจึงทำให้เกิดภาวะกลืนไม่เข้าคายไม่ออก ซึ่งข้อมูลแบตเตอรี่ที่มีอยู่ แม้จะมีปริมาณมากและความหลากหลายจากหลายฝ่าย เช่น ผู้ผลิตแบตเตอรี่ ผู้ปฏิบัติงานภาคสนาม สถาบันวิจัย และแพลตฟอร์มบุคคลที่สาม ไม่สามารถแบ่งปันได้ ภาวะกลืนไม่เข้าคายไม่ออกดังกล่าวเรียกร้องให้มีการศึกษาการคัดแยกวัสดุแคโทดเพื่อปรับปรุงการเลือกเส้นทางการรีไซเคิลแบตเตอรี่ในลักษณะที่ร่วมมือกันแต่ยังคงรักษาความเป็นส่วนตัว 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Federated machine learning ซึ่งเป็นกระบวนทัศน์แบบกระจายและรักษาความเป็นส่วนตัว มีศักยภาพในการแก้ไขทั้งการทำงานร่วมกันหลายฝ่าย (เทียบเท่ากับปริมาณและความหลากหลายของข้อมูลแบตเตอรี่) และปัญหาความเป็นส่วนตัวผ่านการเรียนรู้ของเครื่องร่วมกัน , , ในแต่ละรอบการฝึกอบรม เจ้าของข้อมูลแบบกระจายจะทำการฝึกอบรมภายในเครื่องด้วยกำลังการคำนวณภายในเครื่อง เข้ารหัสพารามิเตอร์/ผลลัพธ์ของโมเดลที่ฝึกอบรมแล้ว และอัปโหลดไปยังผู้ประสานงานกลางเพื่อรวบรวม ข้อเท็จจริงที่ชุดข้อมูลดิบไม่เคยออกจากเจ้าของข้อมูลที่เกี่ยวข้อง และพารามิเตอร์/ผลลัพธ์ที่ถ่ายโอนได้รับการเข้ารหัสอย่างเหมาะสมเพื่อปกป้องความเป็นส่วนตัวของข้อมูล Federated machine learning ได้รับการตรวจสอบอย่างกว้างขวางในสาขาการใช้งานจำนวนมาก รวมถึงสุขภาพของประชาชน , การวินิจฉัยทางคลินิก , , อีคอมเมิร์ซ อินเทอร์เน็ตของสรรพสิ่ง การประมวลผลบนมือถือ และกริดอัจฉริยะ , , แนวทางนี้สามารถปฏิวัติกระบวนทัศน์การวิจัยที่ขับเคลื่อนด้วยข้อมูลในภาคส่วนพลังงานที่กว้างขวาง โดยเปิดใช้งานการทำงานร่วมกันที่รักษาความเป็นส่วนตัว โดยเฉพาะอย่างยิ่งสำหรับผู้ที่มีการเข้าถึงข้อมูลจำกัด ในส่วนของการรีไซเคิลแบตเตอรี่ federated machine learning มีความเป็นไปได้ที่น่าหวังในการใช้ประโยชน์จากข้อมูลแบตเตอรี่จำนวนมหาศาลที่มีอยู่แล้วแต่ไม่สามารถแบ่งปันได้เนื่องจากข้อกังวลเรื่องความเป็นส่วนตัว ด้วยกระบวนทัศน์ที่ร่วมมือกันแต่รักษาความเป็นส่วนตัวดังกล่าว การคัดแยกแบตเตอรี่ที่ใช้แล้วสามารถดำเนินการได้ด้วยความแม่นยำ ประสิทธิภาพ ความสามารถในการปรับขนาด และการเป็นตัวแทนทั่วไปที่สูง ปรับปรุงคุณภาพและผลกำไรของผลิตภัณฑ์รีไซเคิล ตามความรู้ของเรา การศึกษา federated machine learning ที่มุ่งเน้นการรีไซเคิลแบตเตอรี่ไม่เคยมีรายงานมาก่อน 38 39 40 41 42 43 44 45 46 47 48 49 50 51 ในการศึกษานี้ เราทำการคัดแยกวัสดุแคโทดของแบตเตอรี่ที่ใช้แล้ว โดยใช้ประโยชน์จากข้อมูลแบตเตอรี่ที่มีอยู่จากผู้ร่วมมือหลายราย เช่น ผู้ผลิตแบตเตอรี่ ผู้ปฏิบัติงานภาคสนาม สถาบันวิจัยทางวิชาการ และแพลตฟอร์มบุคคลที่สาม ในรูปแบบการเรียนรู้ของเครื่องร่วมมือกันแต่รักษาความเป็นส่วนตัว ดังแสดงในรูปที่ โมเดล federated machine learning ของเราได้รับการฝึกอบรมโดยใช้ข้อมูลการทดสอบภาคสนามเพียงรอบเดียวผ่านกระบวนการสกัดคุณลักษณะที่เป็นมาตรฐาน โดยไม่มีความรู้ล่วงหน้าเกี่ยวกับเงื่อนไขการดำเนินงานในอดีต เราเปรียบเทียบพลังการทำนายของโมเดล federated machine learning ของเรากับโมเดลภายในเครื่องที่เรียนรู้ด้วยตนเองตามข้อมูลภายในเครื่องภายใต้สถานการณ์การรีไซเคิลแบตเตอรี่ทั้งแบบเอกพันธ์และต่างกัน ปัญหาความแตกต่างได้รับการแก้ไขโดยกลยุทธ์การลงคะแนนระยะทาง Wasserstein ที่เราเสนอ การประเมินทางเศรษฐกิจของการรีไซเคิลแบตเตอรี่ที่ใช้แล้วโดยใช้กรอบงาน federated machine learning ที่เรานำเสนอจะดำเนินการ โดยเน้นย้ำถึงความเกี่ยวข้องและความจำเป็นของการคัดแยกแบตเตอรี่ที่ใช้แล้วอย่างแม่นยำ เราจะหารืออย่างครอบคลุมเกี่ยวกับความสามารถในการตีความโมเดล ผลกระทบต่อการรีไซเคิลแบตเตอรี่ และแนวโน้มที่กว้างขึ้นของการปฏิบัติงานรีไซเคิลแบตเตอรี่ในอนาคตที่ผสานรวมกับ federated machine learning 1 แหล่งข้อมูลหลายแหล่ง เช่น ผู้ผลิตแบตเตอรี่ (ภาพได้รับความอนุเคราะห์จาก Addionics) ผู้ปฏิบัติงานภาคสนาม (ชุดแบตเตอรี่ในพื้นรถยนต์ Tesla รูปภาพได้รับความอนุเคราะห์จาก Tesla) สถาบันวิจัยทางวิชาการ และแพลตฟอร์มบุคคลที่สาม สามารถเป็นผู้สนับสนุนข้อมูลได้ ข้อมูลแบตเตอรี่จะไม่ได้แลกเปลี่ยนระหว่างผู้สนับสนุนหรืออัปโหลดไปยังผู้รีไซเคิลแบตเตอรี่ แทนที่จะเป็นเช่นนั้น ผู้สนับสนุนข้อมูลจะฝึกอบรมโมเดลภายในเครื่องและแบ่งปันพารามิเตอร์โมเดลกับผู้รีไซเคิลแบตเตอรี่เพื่อสร้างโมเดลทั่วโลก เทคนิคการลงคะแนนระยะทาง Wasserstein ที่นำเสนอของเราจะรวมโมเดลภายในเครื่องเข้ากับโมเดลทั่วโลก ซึ่งมีความทนทานต่อความไม่สมดุลของข้อมูลและสัญญาณรบกวน ผู้รีไซเคิลแบตเตอรี่สามารถใช้โมเดลที่สร้างขึ้นร่วมกันสำหรับการคัดแยกแบตเตอรี่ ร่วมกับข้อมูลการทดสอบภาคสนามที่เข้าถึงได้ง่าย กรอบงาน federated machine learning ของเราส่งเสริมให้ผู้ร่วมมือแบ่งปันข้อมูลพร้อมทั้งรักษาความเป็นส่วนตัวของข้อมูล เมื่อเทียบกับกรอบงานข้อมูลแบบเกาะโดดแบบดั้งเดิม a b ผลลัพธ์ การรวบรวมและการปรับมาตรฐานข้อมูล จลนศาสตร์ของแบตเตอรี่ที่แตกต่างกันในแบตเตอรี่ประเภทต่างๆ มักจะมีมิติสูงและยากต่อการอธิบายเนื่องจากกรณีการใช้งานที่แตกต่างกัน ความแปรปรวนของการผลิต และประวัติการใช้งาน เพื่อหาทางออกสำหรับภาวะกลืนไม่เข้าคายไม่ออกนี้ เราได้รวบรวมและปรับมาตรฐานแบตเตอรี่ที่ใช้แล้ว 130 ก้อนที่มีวัสดุแคโทด 5 ชนิดจากผู้ผลิต 7 ราย เพื่อสร้างชุดข้อมูลแบบต่างกันที่เหมือนกัน เมื่อพิจารณาประวัติการใช้งานที่แตกต่างกัน ความจุของแบตเตอรี่ที่รวบรวมได้มีน้อยกว่า 90% ของความจุตามที่ระบุ วัสดุแคโทดของแบตเตอรี่คือลิเธียมโคบอลต์ออกไซด์ (LCO), นิกเกิลแมงกานีสโคบอลต์ (NMC), ลิเธียมเฟอร์โรฟอสเฟต (LFP), นิกเกิล-โคบอลต์-อะลูมิเนียมออกไซด์ (NCA) และ LFP-NMC ชนิดผสม ซึ่งจะถูกจัดกลุ่มเป็น 9 คลาสตามผู้ผลิต (ตารางเสริม ) เราได้รวมแบตเตอรี่ที่มีประวัติการใช้งานที่แตกต่างกันอย่างจงใจ ตั้งแต่การทดสอบในห้องปฏิบัติการไปจนถึงโปรไฟล์การขับขี่รถยนต์ไฟฟ้า เพื่อฝึกอบรมโมเดลทั่วไปสำหรับผู้รีไซเคิลแบตเตอรี่โดยไม่ขึ้นอยู่กับประวัติการใช้งานและประเภทแบตเตอรี่ 52 1 สำหรับการปรับมาตรฐาน ข้อมูลทั้งหมดที่จำเป็นจากผู้รีไซเคิลคือรอบการทดสอบภาคสนามปัจจุบัน (การทดสอบภาคสนาม) พร้อมกับการทดสอบการชาร์จและการคายประจุหนึ่งครั้ง ซึ่งง่ายต่อการดำเนินการในทางปฏิบัติ ข้อมูลที่ทดสอบจะถูกทำให้ปราศจากสัญญาณรบกวนก่อนโดยการเติมค่าที่ขาดหายไป การแทนที่ค่าผิดปกติ และการกรองค่ามัธยฐาน อย่างไรก็ตาม สัญญาณรบกวนที่เกิดจากมนุษย์และที่เกิดจากความแตกต่างของวัสดุแคโทดจะถูกเก็บรักษาไว้โดยเจตนา เพื่อให้โมเดลมีความทนทานต่ออินพุตที่ไม่สมบูรณ์ จากนั้นข้อมูลจะถูกประมาณค่าเชิงเส้นสำหรับการเติมเส้นโค้ง (รูปที่เสริม ) และสร้างคุณลักษณะเพื่อลดมิติ โดยใช้ชุดพารามิเตอร์การปรับมาตรฐานร่วมกัน (หมายเหตุเสริม ) คุณลักษณะที่ดึงมาจากขั้นตอนการปรับมาตรฐานสามารถตีความได้ดี ซึ่งเป็นข้อกังวลที่น่าสนใจในเชิงพาณิชย์ เท่าที่ทราบ นี่เป็นครั้งแรกที่มีการใช้ข้อมูลแบตเตอรี่ที่แตกต่างกันจากหลายแหล่งและประวัติการใช้งานที่แตกต่างกันเพื่อช่วยในการออกแบบกลยุทธ์การรีไซเคิลแบตเตอรี่ 1 1 รูปที่ a, แสดงกระบวนการสร้างคุณลักษณะ เรามุ่งเน้นไปที่เส้นโค้งการชาร์จและการคายประจุของแบตเตอรี่ที่ใช้แล้วในรอบสุดท้าย คือ รอบการชาร์จและการคายประจุหนึ่งรอบ (รูปที่เสริม – ) ในรอบการชาร์จ จะมีการดึงคุณลักษณะ 15 รายการจากเส้นโค้งแรงดัน-ความจุและ dQ/dV โดยที่ V และ Q หมายถึงค่าแรงดันและค่าความจุตามลำดับ คุณลักษณะชุดเดียวกันจะถูกดึงสำหรับรอบการคายประจุ เป็นผลให้มีการดึงคุณลักษณะทั้งหมด 30 รายการ ดังที่ระบุใน F1 ถึง F30 ดูตารางเสริม และหมายเหตุเสริม สำหรับคำอธิบายโดยละเอียดของคุณลักษณะต่างๆ รูปที่ c แสดงค่าคุณลักษณะสัมบูรณ์และสัมพัทธ์ของแบตเตอรี่ที่เลือกจากแต่ละคลาส ค่าคุณลักษณะสัมพัทธ์ส่วนใหญ่ในคลาสต่างๆ จะซ้อนทับกันในบริเวณ -1 ถึง 0 (ด้วยสีเขียวอ่อน) และไม่สามารถแยกแยะได้ ซึ่งแสดงให้เห็นถึงความยากในการจำแนกประเภทแบตเตอรี่โดยใช้ข้อมูลแบตเตอรี่หนึ่งรอบ ความยากนี้คาดหวังได้ เนื่องจากสภาวะการทำงานในอดีตที่แตกต่างกันสามารถส่งผลต่อจลนศาสตร์การชาร์จ-คายประจุของแบตเตอรี่ เพื่อให้คุณลักษณะที่ดึงออกมาสามารถมีความสัมพันธ์กันอย่างมาก แม้ว่าประเภทแบตเตอรี่จะแตกต่างกัน (รูปที่เสริม ) แทนที่จะตีความคุณลักษณะที่ดึงออกมาโดยตรงโดยใช้ความรู้ของผู้เชี่ยวชาญ เราใช้วิธีการที่ขับเคลื่อนด้วยข้อมูลทางเลือกที่ใช้ประโยชน์จากรูปแบบแฝงในแบตเตอรี่ประเภทต่างๆ โดยอัตโนมัติ 2 b 2 5 2 2 2 6 สำหรับกระบวนการชาร์จ จะมีการดึงคุณลักษณะ 15 รายการจากเส้นโค้งแรงดัน-ความจุ (ซ้าย) และ dQ/dV (ขวา) คุณลักษณะชุดเดียวกันใช้สำหรับกระบวนการคายประจุ เช่น F16 ถึง F30 คุณลักษณะถูกแสดงด้วยคลาส โดยใช้รูปแบบ CxBn ซึ่งหมายถึงแบตเตอรี่ที่ n จากคลาส x ขนาดของวงกลมแสดงถึงค่าคุณลักษณะสัมบูรณ์ ข้อมูลต้นฉบับมีให้ในรูปแบบไฟล์ Source Data a b c การคัดแยกแบตเตอรี่ที่ใช้แล้วด้วยการเข้าถึงข้อมูลแบบเอกพันธ์ เราพิจารณาการตั้งค่าที่ข้อมูลแบตเตอรี่มีการกระจายตัวแบบเอกพันธ์ในหมู่ผู้ร่วมมือ (คือ ลูกค้า) ความเป็นเอกพันธ์หมายความว่าลูกค้าแต่ละรายเสนอที่จะแบ่งปันข้อมูลแบตเตอรี่ในทุกๆ 9 คลาส แม้ว่าจะไม่จำกัดจำนวนแบตเตอรี่ที่แน่นอน (ตารางเสริม ) เราฝึกอบรมโมเดล federated machine learning ของเราโดยไม่ต้องการข้อมูลเกี่ยวกับการใช้งานในอดีตของแบตเตอรี่ที่ใช้แล้ว ในงานของเรา ผู้รีไซเคิลและลูกค้าจำเป็นต้องทดสอบแบตเตอรี่ที่ใช้แล้วในรอบปัจจุบัน (การทดสอบภาคสนาม) โดยเฉพาะอย่างยิ่ง ด้วยรอบการชาร์จ-คายประจุที่สมบูรณ์สำหรับกระบวนการสร้างคุณลักษณะมาตรฐานที่ริเริ่มโดยผู้รีไซเคิล โมเดลภายในเครื่องจะถูกฝึกอบรมตามคุณลักษณะที่ดึงมาจากข้อมูลแบตเตอรี่ส่วนตัวของพวกเขา กรอบงาน federated machine learning จะรวบรวมพารามิเตอร์โมเดลภายในเครื่อง แทนที่จะเป็นข้อมูลแบตเตอรี่ส่วนตัว เพื่อให้ผู้รีไซเคิลจำแนกประเภทแบตเตอรี่ที่ใช้แล้ว 3 รูปที่ แสดงผลการคัดแยกเมื่อลูกค้ามีส่วนร่วมข้อมูลแบตเตอรี่แบบเอกพันธ์ รูปที่ a เปรียบเทียบวิธีการ federated machine learning สองวิธี คือ majority voting (MV) และ Wasserstein distance voting (WDV) ที่เรานำเสนอ กับกรอบการเรียนรู้แบบอิสระ (IL) ควรสังเกตว่าความแม่นยำสำหรับ IL ได้รับการเฉลี่ยจากลูกค้าทั้งหมดในลักษณะที่ไม่ใช่แบบสหพันธ์ เมื่อเทียบกับ IL, MV ไม่ได้ลดประสิทธิภาพการคัดแยก โดยมีความแม่นยำเฉลี่ย 95% ในขณะที่สามารถปกป้องความเป็นส่วนตัวของข้อมูลและบรรเทาภาระการคำนวณได้ อย่างไรก็ตาม 3 คลาสถูกคัดแยกผิดพลาดโดยใช้ MV ตัวอย่างเช่น แบตเตอรี่ 3 ก้อนใน NMC (SNL, คลาส 8, รวม 15 ก้อน) ถูกคัดแยกผิดเป็น NCA (SNL, คลาส 7) ส่งผลให้ความแม่นยำในการคัดแยก 80% ความแม่นยำในการค 3 3