```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Mga May-akda: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Shengyu Tao Ruifei Ma Zixi Zhao Guangyuan Ma Lin Su Heng Chang Yuou Chen Haizhou Liu Zheng Liang Tingwei Cao Haocheng Ji Zhiyuan Han Minyan Lu Huixiong Yang Zongguo Wen Jianhua Yao Rong Yu Guodan Wei Yang Li Xuan Zhang Tingyang Xu Guangmin Zhou Abstrak Ang mabilis at tumpak na pagtatantya ng estado ng kalusugan (SOH) ng mga ginamit na baterya ay isang mahalagang paunang paggamot para sa muling paggamit at pag-recycle. Gayunpaman, ang mga pamamaraang batay sa data ay nangangailangan ng kumpletong pag-curate ng data sa ilalim ng mga kondisyon ng pagreretiro ng random na SOH at estado ng singil (SOC). Dito, ipinapakita namin na ang pagtatantya ng SOH na tinulungan ng generative learning ay may potensyal sa pagpapagaan ng mga hamon ng kakulangan ng data at pagkakaiba-iba, na napatunayan sa pamamagitan ng isang pulse injection dataset ng 2700 na mga sample ng ginamit na lithium-ion na baterya, na sumasaklaw sa 3 uri ng cathode material, 3 pisikal na format, 4 na disenyo ng kapasidad, at 4 na makasaysayang paggamit na may 10 antas ng SOC. Gamit ang nabuong data, isang regressor ang nakakamit ng tumpak na mga pagtatantya ng SOH, na may mean absolute percentage errors na mas mababa sa 6% sa ilalim ng hindi nakikitang SOC. Hinuhulaan namin na sa pag-aakalang pantay na pag-deploy ng iminungkahing pamamaraan, makakatipid ito ng 4.9 bilyong USD sa mga gastos sa kuryente at 35.8 bilyong kg ng mga emisyon ng CO2 sa pamamagitan ng pagpapagaan ng mga gastos sa pag-curate ng data para sa isang senaryo ng pandaigdigang pagreretiro ng baterya sa 2030. Binibigyang-diin ng papel na ito ang paggamit ng limitadong data para sa paggalugad ng pinalawak na data space gamit ang mga pamamaraang generative, dahil ang data ay maaaring matagal, mahal, at marumi upang makuha para sa maraming mga gawain sa pagtatantya at predictive. Introduksyon Ang electrification ng transportasyon, isang kritikal na sektor sa paglipat patungo sa mababang-carbon na enerhiya , ay walang kapantay na binago ang paraan ng transportasyon na nakabatay sa fossil fuel. Ang mga lithium-ion na baterya ay mahalaga sa paglipat na ito sa pamamagitan ng pagbibigay ng abot-kaya, matibay, at ligtas na suplay ng enerhiya sa mga de-kuryenteng sasakyan (EV) , . Ang kabuuang kapasidad ng mga EV na baterya na ginagamit at malapit nang mapalitan ay lalampas sa 32–62 terawatt-oras pagsapit ng 2050, na mas mataas kaysa sa pagtatantya sa mga senaryo ng International Renewable Energy Agency at Storage Lab . Gayunpaman, ang mga ginamit na EV na baterya ay mahigpit na kinokontrol na may malaking natitirang halaga ng kapasidad na hindi gaanong nagagamit, karaniwang higit sa 80% ng rated na kapasidad , . Kung hindi maayos na mapangasiwaan, ito ay hahantong sa mga pasanin sa ekonomiya  para sa mga tagagawa at gumagamit, pati na rin ang mga kasunod na isyu sa kapaligiran at lipunan , kabilang ang pag-aaksaya ng mga mapagkukunan, mga panganib sa supply chain, at mga emisyon ng carbon , , . 1 2 3 4 5 6 7 8 9 10 11 Ang mga promising na estratehiya upang matugunan ang mga alalahanin tungkol sa pabago-bagong pagdami ng pagreretiro ng baterya ay ang muling paggamit , ,  at pag-recycle . Sa muling paggamit, ang mga ginamit na baterya ay muling ginagamit para sa mga aplikasyon tulad ng mga konektadong sistema ng imbakan ng enerhiya sa grid , mga suplay ng kuryente sa tirahan , at mga sasakyang mabagal. Gayunpaman, ang muling paggamit ay nangangailangan ng paunang mga paggamot, kabilang ang pagsusuri ng pagkakapare-pareho , pag-uuri ng kapasidad , at muling pagpapangkat ,  upang matugunan ang mga kinakailangan ng aplikasyon . Sa kabila ng pagsisimula ng mga pilot program , , , ang kawalan ng mahigpit na pamantayan para sa mga sitwasyon ng paggamit at mga landas ng pagreretiro ay humahadlang sa makatuwirang paggamit ng natitirang kapasidad . Ang pag-recycle ay alternatibong gumagamit ng mga natitirang halaga ng mga ginamit na baterya sa pamamagitan ng pagkuha ng materyales o pagkukumpuni ng istraktura , , angkop para sa mga bateryang hindi maayos na nasira. Kung ihahambing sa pyrometallurgy at hydrometallurgy , , ang direktang pag-recycle ay namumukod-tangi para sa superyor na kakayahang kumita, mas mababang pagkonsumo ng enerhiya, at nabawasang mga emisyon ng carbon , , . Sa pamamagitan ng paggamit ng lithium replenishment at post-processing ng mga materyales ng cathode, ang direktang pag-recycle ay nakakamit ng mahusay na pagkukumpuni ng istraktura ng materyales, at pagpapanumbalik ng pagganap . Gayunpaman, ang estado ng kalusugan (SOH) ay tumutukoy sa kinakailangang kemikal na reagent at inaasahang mga dosis ng suplemento ng lithium sa mga pormulasyon ng direktang estratehiya sa pag-recycle , , . Ang hindi sapat na dosis ay maaaring magresulta sa hindi kumpletong pagkukumpuni, habang ang labis na dosis ay maaaring humantong sa pagbuo ng natitirang alkali sa ibabaw ng cathode, na nagpapalala sa pagganap ng pagpapanumbalik , . Sa kasamaang palad, ang pagkuha ng SOH ay nangangailangan ng invasive na pagsusuri ng materyales ,  at matagal na mga pagsubok sa pag-calibrate ng kapasidad, ang non-invasive, mabilis, at napapanatiling pagkuha ng SOH ay nananatiling isang natatanging hamon. 6 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 26 27 30 31 32 33 34 27 35 36 37 Upang matiyak ang pare-parehong impormasyon sa SOH, ang mga EV na baterya ay mino-monitor, at ang mga data ng operasyon ay nire-record ng mga cloud platform  at mga battery passport . Ang European Parliament ay nagpatibay ng Baterya Directive noong Hunyo 14, 2023, upang matiyak na ang mga ginamit na baterya ay maaaring muling gamitin, muling ayusin, o i-recycle sa pagtatapos ng buhay ng serbisyo . Gayunpaman, ang kinakailangang pamamaraan ng pagsubaybay at pag-record ay naa-access lamang sa yugto ng serbisyo ng EV, ang mga ginamit na baterya ay hindi na konektado sa in-vehicle monitoring unit. Samakatuwid, mahirap makuha ang data ng SOH na magagamit sa field. Ang integridad ng data ng buhay ay nananatiling isang pangunahing hamon, na nananawagan para sa pagtatantya ng SOH gamit lamang ang data sa field, taliwas sa makasaysayang data o sa ilalim ng mga kontroladong kondisyon , , . Isang solusyon ay ang magsagawa ng pagsubok sa pag-calibrate ng kapasidad sa field ng koleksyon ng ginamit na baterya, ibig sabihin, ang SOC conditioning, na simple, gayunpaman, nangangailangan ito ng hindi kayang bayaran na oras ng pagsubok at karagdagang gastos sa kuryente. Ang hybrid pulse power characterization test ay isang alternatibo para sa pagtatantya ng SOH sa pamamagitan ng dynamic na pulse injection, ngunit ang kumpletong sequence ng pagsubok ay tumatagal ng higit sa 12 oras. Ginamit ni Tao et al. ang mga maikling pulso para sa pagtatantya ng SOH ng mga ginamit na baterya, sa pag-aakalang ang isang SOC conditioning sa 5% SOC ay isinagawa, na bahagya lamang na tugma sa mga kondisyon ng pagreretiro ng random na SOC . Ang mga kamakailang pag-unlad sa mga pagsukat na batay sa sensor ay kinabibilangan ng X-ray imaging , electrochemical impedance , , optical fiber sensing , , acoustics sensing , , partial charging , , at pulse injection , . Ang mga teknik na batay sa sensing ay nasa yugto ng laboratoryo dahil sa invasion, habang ang pulse injection ay nagtatampok ng pag-untangle ng pagkasira ng baterya nang walang pisikal na pinsala, kasabay nito ay mas mabilis kaysa sa partial charging at electrochemical impedance-based methods , , , , , . Gayunpaman, ang pulse injection ay isang pamamaraang nakatuon sa data na posible lamang sa ilalim ng ideal na pag-aakala na ang pisikal na nasukat na data ay sumasaklaw sa mga kondisyon ng pagreretiro ng yugto ng pag-deploy ng modelo, na kilala bilang karaniwang hamon ng domain shift sa komunidad ng machine learning. Sa kabila ng mga pag-unlad sa transfer learning at domain adaption methods , , , nagpapatuloy ang mga hamon dahil ang target domain na pag-align ay nangangailangan pa rin ng paunang impormasyon sa pag-deploy, at ang mga umiiral na pamamaraan ng pag-aaral ay halos hindi maaaring i-update para sa mga random na kondisyon ng pagreretiro . Isang alternatibo ay ang pagpapalawak ng sukat ng pagsubok ng data sa ilalim ng mga hindi pa natutuklasang kondisyon ng pagreretiro upang mapagaan ang kakulangan ng data at pagkakaiba-iba habang maaari itong humantong sa pagtaas ng mga gastos. Nagmungkahi si Wang et al. ng isang pamamaraan ng paghuhukay ng temperatura upang i-interpolate ang mga kagustuhan sa reaksyon ng kinetic sa iba't ibang intermediate na estado sa panahon ng isang prosesong thermochemical, na nagpapahintulot sa pagbuo ng malawak na mga database ng pagsasanay sa minimal na sukat at gastos ng eksperimentong thermochemistry bilang isang data augmentation para sa pagsasanay ng modelo ng machine learning . Bukod dito, ipinapakita rin ng generative learning ang mga posibilidad ng pagtatantya ng SOH na may mga pinalawak na data mula sa bahagyang cycled na mga profile, na nakakatipid sa kinakailangang pisikal na nasubok na data , . Gayunpaman, ang kakulangan ng data at pagkakaiba-iba sa konteksto ng muling paggamit at pag-recycle ng baterya ay mas kumplikado dahil sa halo ng mga uri ng materyales ng cathode, mga pisikal na format, mga disenyo ng kapasidad, at mga makasaysayang paggamit, na naglilimita sa potensyal na integrasyon ng kaalaman na partikular sa kondisyon ng mga pagkasira sa mga modelo ng machine learning. Samakatuwid, makatuwiran na isaalang-alang ang relasyon ng dependency sa pagitan ng mga kondisyon ng pagreretiro at mga tugon sa boltahe ng pulso para sa pagbuo ng data, na walang mahaba at pangmatagalang pag-calibrate ng kapasidad at karagdagang pisikal na eksperimento nang sabay-sabay, upang mapalakas ang pagganap ng pagtatantya ng SOH. 38 24 39 30 40 41 41 42 43 44 45 46 47 48 49 50 17 41 17 51 52 53 54 55 56 57 58 59 60 61 62 Sa pag-aaral na ito, nagsasagawa kami ng paunang paggamot ng ginamit na baterya, ibig sabihin, pagtatantya ng SOH, gamit ang data ng tugon sa boltahe ng pulso na nabuo ng isang attentional variational autoencoder sa na-save na oras at gastos sa pisikal na pagsukat. Ang mataas na antas na proseso ng pangkalahatang mga hakbang sa paunang paggamot, pagsasanay ng generative model, at mga hakbang sa praktikal na pag-deploy ng modelo ay ipinapakita sa Larawan.  . Ang ideya ng pananaliksik ay gamitin ang generative learning upang samantalahin ang data na nasukat na para sa paggalugad ng mga tugon sa boltahe ng pulso sa patuloy na mga kondisyon ng pagreretiro, ibig sabihin, ang pamamahagi ng SOC sa yugto ng koleksyon ng ginamit na baterya. Ang downstream na pagtatantya ng SOH ay ipinatupad nang walang pisikal na nasukat na data ng tugon sa pulso, nakakatipid sa mga gastos sa kuryente ng paunang paggamot at mga emisyon ng carbon na kung hindi man ay kinakailangan mula sa pag-condition ng SOC sa inaasahang antas. Kung ihahambing sa ampere-hour integral method at machine-learning pulse injection, ang generative learning ay nagbibigay-diin sa mas mabilis na bilis ng pagbuo at tumpak na pagtatantya. Sa nabuong data, isang simpleng regressor ang matagumpay na nagtatantya ng SOH na may mababang error sa ilalim ng hindi nakikitang o hindi naa-access na mga kondisyon ng pagreretiro ng SOC sa database, isang mapaghamong out-of-distribution (OOD) na isyu. Ang isyu ng OOD ay nalutas sa pamamagitan ng pag-aaral ng minanang pisikal na pattern sa pagitan ng kondisyon ng SOC at tugon ng boltahe na dulot ng mabilis na pulso. Ipinapakita namin ang pagiging pangkalahatan ng aming pamamaraan sa pamamagitan ng pag-verify sa pamamagitan ng 2700 na pisikal na nasukat na mga sample, na sumasaklaw sa 3 uri ng cathode material, 3 pisikal na format, 4 na disenyo ng kapasidad, at 4 na makasaysayang paggamit (1 laboratory accelerated aging, 1 pure battery EV driving, at 2 hybrid EV driving). Ang generative learning ay angkop sa interpolasyon at ekstrapolasyon sa pamamagitan ng pagsasama ng dating kaalaman tungkol sa mga kondisyon ng pagreretiro sa scaling ng data space gamit ang generative methods, nakakatipid sa oras ng pagsukat, gastos sa kuryente, at mga kasunod na emisyon ng carbon nang hindi nakokompromiso ang katumpakan ng pagtatantya ng SOH. Isang konserbatibong pandaigdigang pag-aaral ng kaso ng pagreretiro ng baterya sa 2030 ay nagbibigay-diin sa kahalagahan ng mabilis at napapanatiling pagtatantya ng SOH sa mga sitwasyon ng pyrometallurgical, hydrometallurgical, at direct recycling. Sa pamamagitan ng pagsusuri sa teknikal-ekonomiko, ang pagtatantya ng SOH na tinulungan ng generative learning ay maaaring makatipid ng $4.9 bilyong gastos sa kuryente at 35.8 bilyong kg ng mga emisyon ng CO2 pagsapit ng 2030 sa buong mundo. Pinag-uusapan natin ang interpretability ng modelo, mga implikasyon ng paunang paggamot sa pag-recycle, at mas malawak na mga aspeto ng mga direksyon sa hinaharap na smart recycling pretreatment na isinama sa machine learning. 1    Ang mga hakbang sa paunang paggamot ng ginamit na baterya ay kinabibilangan ng SOC conditioning, pisikal na pagsukat, machine learning para sa SOH diagnosis, at ang pangalawang-buhay na proseso ng paggawa ng desisyon bago muling gamitin o i-recycle. Ang SOC conditioning ay tumutukoy sa pag-aayos ng mga halaga ng SOC ng mga ginamit na baterya sa nais na antas gamit ang tradisyonal na constant current constant voltage (CCCV) method.   Ang eskematiko ng attentional variational autoencoder para sa pagbuo ng data ng tugon sa boltahe ng pulso.   Ang praktikal na paggamit ng data generation model para sa pagtatantya ng SOH ay nangangailangan ng walang karagdagang SOC conditioning. Ang sinanay na machine learning model ay pinamamahalaan ng nabuong data at tumatanggap ng agarang mga tugon sa boltahe ng pulso kapag nasa yugto ng pag-deploy.   Ang mga benepisyong pang-ekonomiya at pangkapaligiran at mabilis na bilis ng pagbuo ng aming generative learning methodology sa pamamagitan ng pag-save ng mga gastos sa SOC conditioning sa 2030 battery retirement scenario sa buong mundo. a b c d Mga Resulta Pagsasalita ng Dataset Ang kakulangan at pagkakaiba-iba ng data ay mga pangunahing hamon sa data-driven na diagnosis at prognosis ng baterya, lalo na para sa mga ginamit na baterya. Nangalap kami ng 2700 na mga sample mula sa 270 na pisikal na ginamit na baterya sa malawak na mga antas ng SOC, ibig sabihin, mula 5% hanggang 50% na may 5% na barya. Sa Larawan.  , ang dataset ay sumasaklaw sa 3 nangingibabaw na uri ng cathode material, kabilang ang 119 na pisikal na nakolektang NMC (nickel manganese cobalt oxide), 56 LFP (lithium iron phosphate), at 95 LMO (lithium manganese oxide) na ginamit na baterya, na sumasaklaw sa 3 pisikal na format (cylindrical, pouch, prismatic) at 4 na makasaysayang pattern ng paggamit (1 laboratory accelerated test, 3 EV usages, kabilang ang 1 purong electrified power-train mode at 2 hybrid power-train modes). Binibigyang-diin namin na ang pagsasama ng lubos na magkakaibang mga sample ng pagsubok ay ginagawang ang aming dataset ang pinakamalaking rapid pulse-based dataset para sa pagtatantya ng SOH ng mga ginamit na baterya hanggang sa kasalukuyan, na nagpapadali sa pagiging pangkalahatan ng modelo na lampas sa mga pisikal na nasukat na dataset. 2a    Ang Sankey plot para sa pamamahagi ng ginamit na baterya, ay binubuo ng mga uri ng materyales ng cathode, mga pisikal na format, mga disenyo ng kapasidad, at mga makasaysayang paggamit.   Pulse current at ang kasunod na tugon sa boltahe ng mga ginamit na baterya, kung saan ang mga tampok ay kinuha mula sa mga turning point, ibig sabihin, ang mga punto na may zero second-order derivative ng voltage response curve. Ang 21 feature points, mula U1 hanggang U21, ay kinuha. Ang recording frequency para sa raw data ay 100 Hz. Ang natitirang oras ay 25 segundo sa pagitan ng bawat pulso sa C-rate. Tandaan na ang terminong C ay kumakatawan sa charge (discharge) rate kapag ang 1 h ng charge (discharge) ay isinagawa. Ang temperatura ng paligid ay kinokontrol sa 25 .   Ang pamamahagi ng estado ng kalusugan (SOH) (Gaussian fit) ng 2.1 Ah at 21 Ah na ginamit na baterya para sa ilustrasyon, ayon sa pagkakabanggit. Para sa pamamahagi ng SOH ng iba pang uri ng baterya, maaaring sumangguni sa Supplementary Fig.  a b c

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

Ang audio na ito ay ginawa sa orihinal na wika ng kuwento!

Generative AI, nagpapagana sa napapanatiling muling paggamit ng mga retiradong lithium-ion na baterya

About Author

MGA KOMENTO

HANG TAGS

ANG ARTIKULONG ITO AY IPINAKITA SA

Related Stories

Encrypted Instant Messaging Recommendations January 2017

COVID-19: We Need More Than Data, We Need Insights!

Getting intimate with Ethereum tokens

How I deployed my spark document classification(Logistic Regression) model/s as a standalone app…

Encrypted Instant Messaging Recommendations January 2017

COVID-19: We Need More Than Data, We Need Insights!

Getting intimate with Ethereum tokens

How I deployed my spark document classification(Logistic Regression) model/s as a standalone app…

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps