Безпечний для конфіденційності ШІ може перетворити акумуляторні відходи на великий прибуток

Автори: Шенгю Тао Хайчжоу Лю Чонгбо Сунь Хаоченг Цзі Гуаньюнь Цзі Чжиюань Хан Жуньхуа Гао Цзюнь Ма Руйфей Ма Юу Чен Шіі Фу Юй Ван Яоцзе Сунь Юй Ронг Сюань Чжан Гуанмін Чжоу Хунбінь Сунь Анотація Невідсортовані відпрацьовані батареї з різними катодними матеріалами перешкоджають впровадженню прямого перероблення через їхню специфіку катода. Зростання кількості відпрацьованих батарей вимагає точного сортування для ефективного прямого перероблення, але виникають проблеми через різні операційні історії, різноманітних виробників і проблеми конфіденційності даних співробітників з перероблення (власників даних). Тут ми демонструємо, використовуючи унікальний набір даних зі 130 літій-іонних батарей, що охоплюють 5 катодних матеріалів і 7 виробників, як федеративний підхід машинного навчання може класифікувати ці відпрацьовані батареї без необхідності використання даних про минулу експлуатацію, зберігаючи конфіденційність даних співробітників з перероблення. Використовуючи ознаки, вилучені з циклу заряду-розряду в кінці терміну служби, наша модель демонструє помилки сортування катодів на 1% і 3% у гомогенних і гетерогенних умовах перероблення батарей відповідно, що зумовлено нашою інноваційною стратегією голосування за відстанню Вассерштейна. В економічному плані запропонований метод підкреслює цінність точного сортування батарей для процвітаючої та стійкої галузі перероблення. Це дослідження започатковує нову парадигму використання чутливих до конфіденційності даних з різних джерел, сприяючи спільному прийняттю рішень, що поважає конфіденційність, для розподілених систем. Вступ Літій-іонні батареї (ЛІБ), які слугують накопичувачами енергії, отримали широке застосування в різних сферах, від промислового виробництва до повсякденного життя як визнаний технічний шлях. Прогнози свідчать, що світовий масштаб виробництва ЛІБ перевищить 1,3 ТВт·год до 2030 року , коли зростаючий попит на батареї значно перевищить наявність життєво важливих металевих ресурсів, таких як літій і кобальт , . Однак поточний середній термін служби ЛІБ становить 5–8 років, що призводить до неминучого сплеску відпрацьованих батарей у багатьох країнах. Якщо відпрацьовані батареї не будуть належним чином керовані, це призведе до нестійкої втрати ресурсів і шкоди довкіллю. З огляду на ці обставини, розвиток технологій перероблення батарей набуває надзвичайної важливості, коли ми стикаємося з неминучою хвилею відпрацьованих ЛІБ . 1 2 3 4 Нещодавні досягнення в дослідженнях перероблення батарей зосереджені на пірометалургійному, гідрометалургійному та прямому переробленні . На відміну від пірометалургійного та гідрометалургійного методів, пряме перероблення виділяється як окремий підхід. Цей процес не завдає вторинної шкоди структурі матеріалу, забезпечуючи більш ефективне відновлення структури та продуктивності. Більше того, пряме перероблення демонструє вищу прибутковість, оскільки воно передбачає нижче енергоспоживання, менші викиди парникових газів і менший вплив на довкілля , . Однак на практиці переробники батарей часто стикаються з ЛІБ, що містять невідомі компоненти, або з батарейними модулями, що складаються з суміші різних типів катодних матеріалів. Враховуючи, що пряме перероблення може бути дуже специфічним для катода, така складність робить застосування прямого перероблення неможливим для перетворення відпрацьованих батарей на цінність . Важливо наголосити, що навіть якщо життєво важливі метали зі змішаних типів катодних матеріалів можуть бути видобуті за допомогою традиційних стратегій перероблення, взаємодія між різними катодними матеріалами під час процесу перероблення може негативно вплинути на якість продукції . Тому розуміння інформації про тип катодного матеріалу на стороні перероблення суттєво впливає на вибір маршруту прямого перероблення і в кінцевому підсумку покращує якість продукції, прибутковість і стійкість. 5 6 7 8 9 Було запропоновано пряме перероблення за допомогою людини для ідентифікації інформації про тип катодного матеріалу відпрацьованих батарей на етапі попередньої обробки, що все ще не є фінансово вигідним, коли галузь перероблення масштабується . Для ефективного отримання інформації про тип катода відпрацьованих батарей наукова та промислова спільнота нещодавно започаткувала систему відстеження терміну служби батарей та нові концепції, такі як паспорт батареї та геном даних батареї . Хоча значна кількість батарей була використана до цих ініціатив, зростає консенсус щодо того, що інформація про батареї повинна бути доступною протягом усього життєвого циклу для сприяння прийняттю рішень щодо другого життя . Це особливо актуально для сектора перероблення батарей, останньої станції другого життя батареї, оскільки маршрут перероблення може бути значною мірою специфічним для катода. Однак системи відстеження терміну служби батарей або паспорти батарей працюють за допомогою електронних пристроїв, таких як штрих-коди та безконтактні комунікації, що може спричинити значні інвестиції і бути широко несумісним з різними розробниками батарей. Крім того, електронні пристрої залишаються складними для послідовного управління протягом усього терміну їхньої служби, що призводить до зносу пристроїв і недоступності на етапі перероблення, оскільки сучасний виробничий процес ЛІБ досі не інтегрований від виробництва до перероблення . Отже, терміново потрібні нові прориви для досягнення ефективного сортування типів катодів батарей лише за допомогою легкодоступної польової інформації , , на противагу історичним записаним даним або ручному способу, що сприяє впровадженню прямого перероблення для покращення якості та прибутковості переробленої продукції. 1 10 11 12 13 14 15 16 За останні кілька років машинне навчання стало життєздатним інструментом для вирішення відкритих питань у всіх галузях, пов'язаних з батареями. В інших питаннях, пов'язаних з батареями, машинне навчання нещодавно дозволило нам автоматично виявляти складні механізми роботи батарей , , , прогнозувати залишковий термін служби , , , , , оцінювати стан здоров'я , , , оптимізувати профіль циклу , , апроксимувати розподіл відмов , навіть для керування розробкою батарей , , і прогнозувати довготривалу продуктивність одразу після виробництва . У випадку перероблення батарей мало робіт було присвячено машинному навчанню щодо катодних матеріалів , , що пояснюється браком даних про батареї, особливо тих, що були використані до кінця терміну служби. Переважна більшість опублікованих досліджень демонструє дуже обмежені розміри вибірки і ще більш обмежене різноманіття катодів батарей . Дефіцит пояснюється високою вартістю, тривалим часом тестування і, найголовніше, конфіденційністю даних через комерційні або інтересні міркування. Отже, проблема конфіденційності загострює дилему, коли наявні дані про батареї, хоч і значні за обсягом і різноманіттям від багатьох сторін, таких як виробники батарей, практичні застосунки, академічні установи та сторонні платформи, не можуть бути спільними. Така дилема вимагає вивчення сортування катодних матеріалів для оптимізації вибору маршруту перероблення батарей у спільному, але конфіденційному режимі. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Федеративне машинне навчання, як розподілена парадигма, що зберігає конфіденційність, має потенціал для вирішення як багатостороннього співробітництва (еквівалентно, обсягу та різноманіття даних про батареї), так і проблем конфіденційності шляхом спільного машинного навчання , , . У кожній ітерації навчання розподілені власники даних виконують локальне навчання за допомогою своєї локальної обчислювальної потужності, шифрують навчені параметри/результати моделі та завантажують їх до центрального координатора для агрегації. Фактично, необроблені набори даних ніколи не залишають своїх відповідних власників даних, а передані параметри/результати належним чином шифруються для захисту конфіденційності даних. Федеративне машинне навчання було широко досліджене в численних прикладних галузях, включаючи громадське здоров'я , , клінічну діагностику , , , електронну комерцію , Інтернет речей , мобільні обчислення та розумні мережі , , . Цей підхід може революціонізувати парадигму досліджень, керованих даними, у широких енергетичних секторах, дозволяючи співпрацю, що зберігає конфіденційність, особливо для тих, хто має обмежений доступ до даних. Щодо сектора перероблення батарей, федеративне машинне навчання припускає багатообіцяючі можливості для використання величезного обсягу даних про батареї, які вже існують, але не можуть бути спільними через проблеми конфіденційності. Завдяки такій спільній, але конфіденційній парадигмі, сортування відпрацьованих батарей може бути реалізоване з високою точністю, ефективністю, масштабованістю та узагальненням, оптимізуючи якість і прибутковість перероблених продуктів. Наскільки нам відомо, дослідження федеративного машинного навчання, зосереджені на переробленні батарей, ніколи не були опубліковані. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 У цьому дослідженні ми проводимо сортування відпрацьованих батарей за типом катодного матеріалу, використовуючи існуючі дані про батареї від багатьох співробітників, таких як виробники батарей, оператори практичного застосування, академічні дослідницькі установи та сторонні платформи, у спільному, але конфіденційному режимі машинного навчання, як показано на рис. . Наша федеративна модель машинного навчання була навчена з використанням лише одного циклу польових тестових даних за допомогою стандартизованого процесу вилучення ознак, без будь-яких попередніх знань про минулі умови експлуатації. Ми порівнюємо прогнозну потужність нашої федеративної моделі машинного навчання з прогнозною потужністю незалежно навчених локальних моделей на основі локальних даних як у гомогенних, так і в гетерогенних умовах перероблення батарей. Проблема гетерогенності вирішується нашою запропонованою стратегією голосування за відстанню Вассерштейна. Проведено економічну оцінку перероблення відпрацьованих батарей з використанням запропонованої нами федеративної структури машинного навчання, підкреслюючи актуальність і необхідність точного сортування відпрацьованих батарей. Ми всебічно обговорюємо інтерпретованість моделі, наслідки перероблення батарей та ширші перспективи майбутньої практики перероблення батарей, інтегрованої з федеративним машинним навчанням. 1 Кілька джерел даних, таких як виробники батарей (зображення надано Addionics), оператори практичного застосування (батарейний блок у днищі Tesla. Зображення надано Tesla), академічні дослідницькі установи та сторонні платформи, можуть бути внесками даних. Дані про батареї не обмінюються між вкладниками і не завантажуються переробнику батарей. Натомість, вкладники даних навчають локальні моделі та діляться параметрами моделі з переробником батарей для побудови глобальної моделі. Запропонована техніка голосування за відстанню Вассерштейна об'єднує локальні моделі в глобальну модель, яка стійка до дисбалансу даних і шуму. Переробники батарей можуть використовувати спільну модель для сортування батарей, у поєднанні з легкодоступними польовими тестовими даними. Наша федеративна структура машинного навчання заохочує співробітників ділитися даними, зберігаючи при цьому конфіденційність даних, на відміну від традиційної парадигми ізоляції даних. a b Результати Збір та стандартизація даних Унікальна кінетика батарей у різних типах батарей часто є високорозмірною і важкою для характеристики через різні робочі умови, виробничу варіативність та історичне використання . Щоб знайти рішення цієї дилеми, ми зібрали та стандартизували 130 відпрацьованих батарей з 5 типами катодних матеріалів від 7 виробників для створення вибірки поза розподілом, еквівалентно гетерогенної. Враховуючи різне історичне використання, ємності зібраних батарей нижчі за 90% від номінальної ємності. Катодні матеріали батарей - оксид літію-кобальту (LCO), нікель-марганець-кобальт (NMC), фосфат заліза-літію (LFP), оксид нікелю-кобальту-алюмінію (NCA) та суміші NMC-LCO, які далі групуються в 9 класів на основі виробників (Додаткова таблиця ). Ми навмисно включили батареї з різним історичним використанням, від лабораторних випробувань до профілів водіння електромобілів, для навчання узагальненої моделі для переробника батарей, незалежної від історичного використання та типів батарей. 52 1 Для стандартизації всі дані, необхідні від переробника, — це поточний (польовий) цикл з одним тестом зарядки та розрядки, що легко реалізується на практиці. Отримані дані спочатку очищаються від шуму шляхом заповнення відсутніх значень, заміни викидів та фільтрації медіани. Однак шуми, спричинені людиною та гетерогенністю катода, навмисно зберігаються, щоб зробити модель стійкою до недосконалих вхідних даних. Потім дані лінійно інтерполюються для заповнення кривих (Додатковий рис. ) та вилучаються ознаки для зменшення розмірності, з спільним набором параметрів стандартизації (Додаткова примітка ). Ознаки, вилучені в процесі стандартизації, добре інтерпретуються, що є предметом значного комерційного інтересу. Наскільки нам відомо, це перший випадок використання гетерогенних даних батарей з багатьох джерел і історичного використання для допомоги в розробці стратегії перероблення батарей. 1 1 На рис. a, b демонструється процес інженерії ознак. Ми зосереджуємося на кривій зарядки та розрядки відпрацьованих батарей в останньому циклі, тобто одному циклі зарядки та одному циклі розрядки (Додаткові рис. – ). У циклі зарядки 15 ознак вилучається з кривих напруга-ємність та dQ/dV, де V і Q позначають значення напруги та ємності відповідно. Той самий набір ознак вилучається для циклу розрядки. В результаті загалом вилучається 30 ознак, позначених від F1 до F30. Детальний опис ознак наведено в Додатковій таблиці та Додатковій примітці . На рис. c показані абсолютні та відносні значення ознак вибраних батарей з кожного класу. Більшість відносних значень ознак у різних класах перекриваються в області від −1 до 0 (світло-зеленим кольором) і є нерозрізнюваними, що ілюструє складність класифікації типу батареї за одним циклом даних. Складність очікується, оскільки різні умови експлуатації можуть впливати на кінетику зарядки-розрядки батарей, так що вилучені ознаки можуть бути значною мірою корельованими, незважаючи на різні типи батарей (Додатковий рис. ). Замість прямої інтерпретації вилучених ознак за допомогою експертних знань, ми використовуємо альтернативний підхід, керований даними, який автоматично використовує приховані патерни між різними типами батарей. 2 2 5 2 2 2 6 Для процесу зарядки 15 ознак вилучаються з кривої напруга-ємність (ліворуч) та кривої dQ/dV (праворуч). Той самий набір ознак призначений для процесу розрядки, як F16-F30. Ознаки візуалізовані за класами, відповідно до формату CxBn, що вказує на n-ту батарею класу x. Розмір кола відображає абсолютне значення ознаки. Вихідні дані надаються у файлі вихідних даних. a b c Сортування відпрацьованих батарей з гомогенним доступом до даних Спочатку ми розглядаємо сценарій, коли дані про батареї рівномірно розподілені між співробітниками (клієнтами). Гомогенність означає, що кожен клієнт пропонує ділитися даними про батареї всіх 9 класів, хоча конкретна кількість батарей не обмежується (Додаткова таблиця ). Ми навчаємо нашу федеративну модель машинного навчання без необхідності інформації про минуле використання відпрацьованих батарей. У нашій роботі переробнику та клієнтам потрібно лише протестувати відпрацьовані батареї в поточному (польовому) циклі, зокрема, за допомогою повного циклу зарядки-розрядки для стандартизованого процесу інженерії ознак, ініційованого переробником. Локальні моделі навчаються на основі ознак, вилучених з їхніх приватних даних про батареї. Федеративна структура машинного навчання агрегує параметри локальних моделей, а не приватні дані про батареї, для класифікації відпрацьованих батарей переробником. 3 На рис. показано результати сортування, коли клієнти надають гомогенні дані про батареї. На рис. a порівнюються два методи федеративного машинного навчання, тобто мажоритарне голосування (MV) та запропоноване нами голосування за відстанню Вассерштейна (WDV), з парадигмою незалежного навчання (IL). Варто зазначити, що точність для IL усереднюється по всіх клієнтах у нефедеративному режимі. Порівняно з IL, MV не жертвує продуктивністю сортування, маючи середню точність 95%, одночасно здатний захистити конфіденційність даних і зменшити обчислювальне навантаження. Однак 3 класи були неправильно відсортовані за допомогою MV. Наприклад, 3 батареї NMC (SNL, клас 8, всього 15) були неправильно відсортовані як NCA (SNL, клас 7), що призвело до точності сортування 80%. Точність сортування для NCA (UL-PUR, клас 9) становить 81%, з 2 батареями, 3 3