AI An Toàn Quyền Riêng Tư Này Có Thể Biến Rác Pin Thành Lợi Nhuận Lớn

Tác giả: 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 Tóm tắt Pin cũ không được phân loại với các vật liệu cực âm khác nhau cản trở việc áp dụng tái chế trực tiếp do đặc tính riêng của cực âm. Sự gia tăng đột biến của pin cũ đòi hỏi phải phân loại chính xác để tái chế trực tiếp hiệu quả, nhưng những thách thức nảy sinh từ lịch sử hoạt động khác nhau, các nhà sản xuất đa dạng và các vấn đề bảo mật dữ liệu của các đối tác tái chế (chủ sở hữu dữ liệu). Tại đây, chúng tôi cho thấy, từ một tập dữ liệu độc đáo gồm 130 pin lithium-ion bao gồm 5 vật liệu cực âm và 7 nhà sản xuất, phương pháp học máy liên kết có thể phân loại các pin cũ này mà không cần dựa vào dữ liệu hoạt động trong quá khứ, bảo vệ quyền riêng tư dữ liệu của các đối tác tái chế. Bằng cách sử dụng các đặc trưng được trích xuất từ chu kỳ sạc-xả cuối đời, mô hình của chúng tôi thể hiện lỗi phân loại cực âm là 1% và 3% trong các thiết lập tái chế pin đồng nhất và không đồng nhất tương ứng, điều này được quy cho chiến lược bỏ phiếu khoảng cách Wasserstein sáng tạo của chúng tôi. Về mặt kinh tế, phương pháp đề xuất nhấn mạnh giá trị của việc phân loại pin chính xác cho một ngành công nghiệp tái chế thịnh vượng và bền vững. Nghiên cứu này mở ra một mô hình mới về việc sử dụng dữ liệu nhạy cảm về quyền riêng tư từ các nguồn khác nhau, tạo điều kiện cho việc ra quyết định hợp tác và tôn trọng quyền riêng tư cho các hệ thống phân tán. Giới thiệu Pin lithium-ion (LIB), đóng vai trò là thiết bị lưu trữ năng lượng, đã được sử dụng rộng rãi trong nhiều lĩnh vực, từ sản xuất công nghiệp đến cuộc sống hàng ngày như một con đường kỹ thuật được chấp nhận. Các dự báo cho thấy quy mô sản xuất LIB toàn cầu sẽ vượt quá 1,3 TWh vào năm 2030 khi nhu cầu ngày càng tăng về pin sẽ vượt xa nguồn cung cấp tài nguyên kim loại quan trọng như lithium và cobalt , . Tuy nhiên, tuổi thọ trung bình hiện tại của các sản phẩm LIB là 5-8 năm, dẫn đến sự gia tăng đột ngột của các pin cũ ở nhiều quốc gia. Nếu không được quản lý đúng cách, pin cũ sẽ dẫn đến lãng phí tài nguyên không bền vững và tác hại môi trường. Trước tình hình này, sự phát triển của công nghệ tái chế pin trở nên cực kỳ quan trọng khi chúng ta đối mặt với làn sóng pin LIB sắp bị loại bỏ . 1 2 3 4 Những tiến bộ gần đây trong nghiên cứu tái chế pin tập trung vào các phương pháp nhiệt luyện, thủy luyện và tái chế trực tiếp . Trái ngược với các phương pháp nhiệt luyện và thủy luyện, tái chế trực tiếp là một phương pháp riêng biệt. Quy trình này không gây tổn hại thứ cấp cho cấu trúc vật liệu, cho phép sửa chữa cấu trúc và phục hồi hiệu suất hiệu quả hơn. Hơn nữa, tái chế trực tiếp mang lại lợi nhuận cao hơn, vì nó đòi hỏi năng lượng tiêu thụ thấp hơn, lượng khí thải nhà kính giảm và tác động môi trường nhẹ hơn , . Tuy nhiên, trong sản xuất thực tế, các nhà tái chế pin thường gặp phải các pin LIB bao gồm các thành phần không xác định hoặc các mô-đun pin bao gồm hỗn hợp các loại vật liệu cực âm khác nhau. Xem xét rằng tái chế trực tiếp có thể phụ thuộc nhiều vào cực âm, sự phức tạp như vậy khiến việc áp dụng tái chế trực tiếp không khả thi để chuyển đổi giá trị của các pin cũ . Điều quan trọng cần nhấn mạnh là ngay cả khi các kim loại quan trọng từ các loại vật liệu cực âm hỗn hợp có thể được chiết xuất bằng các chiến lược tái chế thông thường, sự tương tác giữa các vật liệu cực âm khác nhau trong quá trình tái chế có thể ảnh hưởng tiêu cực đến chất lượng sản phẩm . Do đó, việc hiểu thông tin loại vật liệu cực âm ở phía tái chế có tác động đáng kể đến lựa chọn tuyến tái chế trực tiếp và cuối cùng cải thiện chất lượng sản phẩm, lợi nhuận và tính bền vững. 5 6 7 8 9 Tái chế trực tiếp có sự hỗ trợ của con người đã được đề xuất để xác định thông tin loại vật liệu cực âm của pin cũ trong liên kết tiền xử lý, nhưng điều này vẫn chưa khả thi về mặt tài chính khi ngành công nghiệp tái chế đang mở rộng quy mô . Để truy xuất hiệu quả thông tin loại cực âm của pin cũ, cộng đồng khoa học và công nghiệp gần đây đã khởi xướng một hệ thống theo dõi tuổi thọ pin và các khái niệm mới nổi như hộ chiếu pin và bộ gen dữ liệu pin . Mặc dù nhiều pin đã được sử dụng trước các sáng kiến này, nhưng ngày càng có nhiều sự đồng thuận rằng thông tin pin nên có thể truy cập được trong suốt chuỗi đời để tạo điều kiện cho việc ra quyết định về vòng đời thứ hai . Điều này đặc biệt đúng đối với lĩnh vực tái chế pin, trạm cuối cùng của vòng đời thứ hai của pin, vì tuyến tái chế có thể phụ thuộc nhiều vào cực âm. Tuy nhiên, hệ thống theo dõi tuổi thọ pin hoặc hộ chiếu pin được hỗ trợ bởi các thiết bị điện tử như mã vạch và giao tiếp trường gần, có thể dẫn đến đầu tư chuyên sâu và có thể không tương thích rộng rãi với các nhà thiết kế pin khác nhau. Hơn nữa, các thiết bị điện tử vẫn còn thách thức để quản lý nhất quán trong suốt vòng đời của chúng, dẫn đến các thiết bị bị hao mòn và không thể truy cập được ở giai đoạn tái chế vì quy trình sản xuất hiện đại của LIB vẫn chưa được tích hợp từ sản xuất đến tái chế . Do đó, cần có những đột phá hơn nữa để đạt được việc phân loại loại cực âm pin hiệu quả chỉ bằng cách sử dụng thông tin trường dễ truy cập , , trái ngược với dữ liệu lịch sử được ghi lại hoặc phương pháp hỗ trợ của con người, tạo điều kiện cho việc áp dụng tái chế trực tiếp để cải thiện chất lượng và lợi nhuận của các sản phẩm tái chế. 1 10 11 12 13 14 15 16 Trong vài năm qua, học máy đã nổi lên như một công cụ khả thi để giải quyết các câu hỏi mở trong tất cả các lĩnh vực pin. Trong các chủ đề liên quan đến pin khác, học máy gần đây đã cho phép chúng tôi tự động khám phá các cơ chế pin phức tạp , , , dự đoán tuổi thọ còn lại hữu ích , , , , , đánh giá trạng thái sức khỏe , , , tối ưu hóa cấu hình chu kỳ , , xấp xỉ phân phối lỗi , thậm chí để hướng dẫn thiết kế pin , , và dự đoán hiệu suất suốt đời ngay sau khi sản xuất . Trong trường hợp tái chế pin, ít công trình nghiên cứu về học máy liên quan đến vật liệu cực âm , , điều này đổ lỗi cho việc thiếu dữ liệu pin, đặc biệt là đối với những pin đã được sử dụng đến cuối đời. Phần lớn các nghiên cứu được công bố cho thấy kích thước mẫu rất hạn chế và thậm chí còn hạn chế hơn về sự đa dạng cực âm của pin . Sự khan hiếm này được cho là do chi phí chuyên sâu, thời gian thử nghiệm dài , và quan trọng nhất là vấn đề bảo mật dữ liệu do các mối quan tâm thương mại hoặc lợi ích. Do đó, vấn đề bảo mật làm cứng lại tình thế tiến thoái lưỡng nan, nơi dữ liệu pin hiện có, mặc dù có khối lượng và sự đa dạng đáng kể từ nhiều bên như nhà sản xuất pin, ứng dụng thực tế, các tổ chức học thuật và các nền tảng bên thứ ba, không thể được chia sẻ. Tình thế tiến thoái lưỡng nan này đòi hỏi phải nghiên cứu phân loại vật liệu cực âm để tối ưu hóa tuyến tái chế pin một cách hợp tác nhưng vẫn bảo toàn quyền riêng tư. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Học máy liên kết, như một mô hình phân tán và bảo toàn quyền riêng tư, có tiềm năng giải quyết cả vấn đề hợp tác đa phương (tương đương, khối lượng và sự đa dạng dữ liệu pin) và các vấn đề bảo mật thông qua học máy hợp tác , , . Trong mỗi vòng lặp đào tạo, các chủ sở hữu dữ liệu phân tán thực hiện đào tạo cục bộ bằng sức mạnh tính toán cục bộ của họ, mã hóa các tham số/kết quả mô hình đã được đào tạo và tải chúng lên một điều phối viên trung tâm để tổng hợp. Sự kiện là các tập dữ liệu thô không bao giờ rời khỏi chủ sở hữu dữ liệu tương ứng của họ và các tham số/kết quả được truyền đi được mã hóa đúng cách để bảo vệ quyền riêng tư dữ liệu. Học máy liên kết đã được điều tra rộng rãi trong nhiều lĩnh vực ứng dụng, bao gồm y tế công cộng , , chẩn đoán lâm sàng , , , thương mại điện tử , Internet of Things , điện toán di động , và lưới điện thông minh , , . Phương pháp này có thể cách mạng hóa mô hình nghiên cứu dựa trên dữ liệu trong các lĩnh vực năng lượng rộng lớn bằng cách cho phép hợp tác bảo toàn quyền riêng tư, đặc biệt đối với những lĩnh vực có quyền truy cập dữ liệu hạn chế. Liên quan đến lĩnh vực tái chế pin, học máy liên kết giả định những khả năng đầy hứa hẹn để tận dụng lượng dữ liệu pin khổng lồ hiện có nhưng không thể chia sẻ do các vấn đề bảo mật. Với mô hình bảo toàn quyền riêng tư và hợp tác như vậy, việc phân loại pin cũ có thể được thực hiện với độ chính xác, hiệu quả, khả năng mở rộng và khả năng khái quát hóa cao, tối ưu hóa chất lượng và lợi nhuận của các sản phẩm tái chế. Theo hiểu biết của chúng tôi, các nghiên cứu học máy liên kết tập trung vào tái chế pin chưa bao giờ được báo cáo. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 Trong nghiên cứu này, chúng tôi thực hiện phân loại vật liệu cực âm của các pin cũ, tận dụng dữ liệu pin hiện có từ nhiều đối tác, chẳng hạn như nhà sản xuất pin, nhà điều hành ứng dụng thực tế, các tổ chức nghiên cứu học thuật và các nền tảng bên thứ ba, theo phương thức học máy hợp tác trong khi bảo toàn quyền riêng tư như minh họa trong Hình . Mô hình học máy liên kết của chúng tôi được đào tạo chỉ bằng một chu kỳ dữ liệu thử nghiệm thực địa thông qua quy trình trích xuất đặc trưng tiêu chuẩn hóa, mà không có bất kỳ kiến thức nào trước đó về điều kiện hoạt động lịch sử. Chúng tôi so sánh sức mạnh dự đoán của mô hình học máy liên kết của chúng tôi với mô hình cục bộ học độc lập dựa trên dữ liệu cục bộ trong cả hai trường hợp tái chế pin đồng nhất và không đồng nhất. Vấn đề không đồng nhất được giải quyết bằng chiến lược bỏ phiếu khoảng cách Wasserstein được đề xuất của chúng tôi. Đánh giá kinh tế về tái chế pin cũ bằng khung học máy liên kết được đề xuất của chúng tôi được thực hiện, nêu bật sự liên quan và sự cần thiết của việc phân loại pin cũ chính xác. Chúng tôi thảo luận toàn diện về khả năng diễn giải mô hình, ý nghĩa tái chế pin và triển vọng rộng lớn hơn của thực hành tái chế pin trong tương lai được tích hợp với học máy liên kết. 1 Nhiều nguồn dữ liệu, chẳng hạn như nhà sản xuất pin (Hình ảnh do Addionics cung cấp), nhà điều hành ứng dụng thực tế (khối pin trong sàn xe của Tesla. Hình ảnh do Tesla cung cấp), các tổ chức nghiên cứu học thuật và các nền tảng bên thứ ba, có thể là những người đóng góp dữ liệu. Dữ liệu pin không được trao đổi giữa những người đóng góp cũng như không được tải lên cho nhà tái chế pin. Thay vào đó, những người đóng góp dữ liệu đào tạo các mô hình cục bộ và chia sẻ các tham số mô hình với nhà tái chế pin để xây dựng một mô hình toàn cầu. Kỹ thuật bỏ phiếu khoảng cách Wasserstein được đề xuất hợp nhất các mô hình cục bộ thành mô hình toàn cầu, có khả năng chống lại sự mất cân bằng dữ liệu và nhiễu. Nhà tái chế pin có thể sử dụng mô hình được xây dựng chung để phân loại pin, kết hợp với dữ liệu thử nghiệm trường dễ truy cập. Khung học máy liên kết của chúng tôi khuyến khích những người đóng góp chia sẻ dữ liệu trong khi vẫn bảo toàn quyền riêng tư dữ liệu, trái ngược với mô hình đảo dữ liệu truyền thống. a b Kết quả Thu thập và chuẩn hóa dữ liệu Các động học pin khác nhau trong các loại pin khác nhau thường có số chiều cao và khó đặc trưng do các trường hợp vận hành khác nhau, sự biến đổi trong sản xuất và lịch sử sử dụng . Để tìm ra giải pháp cho tình thế tiến thoái lưỡng nan này, chúng tôi đã thu thập và chuẩn hóa 130 pin cũ với 5 loại vật liệu cực âm từ 7 nhà sản xuất để xây dựng một tập dữ liệu ngoại lai, tương đương với tập dữ liệu không đồng nhất. Do lịch sử sử dụng khác nhau, dung lượng của các pin được thu thập dưới 90% dung lượng danh định. Các vật liệu cực âm của pin là oxit coban lithium (LCO), coban mangan niken (NMC), photphat sắt lithium (LFP), oxit nhôm coban niken (NCA), và các loại pha trộn NMC-LCO, được nhóm thành 9 lớp dựa trên nhà sản xuất (Bảng bổ sung ). Chúng tôi cố tình bao gồm các pin có lịch sử sử dụng khác nhau, từ thử nghiệm trong phòng thí nghiệm đến hồ sơ lái xe của xe điện, để đào tạo một mô hình khái quát hóa cho nhà tái chế pin độc lập với lịch sử sử dụng và loại pin. 52 1 Để chuẩn hóa, tất cả dữ liệu yêu cầu từ nhà tái chế là chu kỳ hiện tại (thử nghiệm thực địa) với một lần thử nghiệm sạc và xả, điều này dễ dàng thực hiện trong các trường hợp thực tế. Dữ liệu được thử nghiệm sau đó được làm sạch nhiễu bằng cách điền các giá trị bị thiếu, thay thế các giá trị ngoại lai và thực hiện lọc trung vị. Tuy nhiên, nhiễu do con người gây ra và nhiễu do sự không đồng nhất của cực âm được giữ lại một cách có chủ đích, để làm cho mô hình mạnh mẽ với các đầu vào không hoàn hảo. Sau đó, dữ liệu được nội suy tuyến tính để điền đường cong (Hình bổ sung ) và đặc trưng hóa để giảm chiều, với một tập hợp các tham số chuẩn hóa chung (Lưu ý bổ sung ). Các đặc trưng được trích xuất từ quy trình chuẩn hóa có thể diễn giải tốt, một mối quan tâm lớn của giới thương mại. Theo hiểu biết của chúng tôi, đây là lần đầu tiên dữ liệu pin không đồng nhất từ nhiều nguồn và lịch sử sử dụng được sử dụng để hỗ trợ thiết kế chiến lược tái chế pin. 1 1 Hình a, b minh họa quy trình kỹ thuật đặc trưng. Chúng tôi tập trung vào đường cong sạc và xả của pin cũ trong chu kỳ cuối cùng, tức là, một chu kỳ sạc và một chu kỳ xả (Hình bổ sung – ). Trong chu kỳ sạc, 15 đặc trưng được trích xuất từ đường cong điện áp-dung lượng và dQ/dV, trong đó V và Q lần lượt đề cập đến các giá trị điện áp và dung lượng. Cùng một tập hợp các đặc trưng được trích xuất cho chu kỳ xả. Kết quả là, tổng cộng 30 đặc trưng được trích xuất, như được chỉ ra từ F1 đến F30. Tham khảo Bảng bổ sung và Lưu ý bổ sung để biết giải thích chi tiết về các đặc trưng. Hình c cho thấy các giá trị đặc trưng tuyệt đối và tương đối của các pin được chọn từ mỗi lớp. Hầu hết các giá trị đặc trưng tương đối trong các lớp khác nhau trùng lặp trong vùng -1 đến 0 (với màu xanh lá cây nhạt) và không thể phân biệt được, minh họa sự khó khăn trong việc phân loại loại pin bằng một chu kỳ dữ liệu pin. Sự khó khăn này là dự kiến vì điều kiện hoạt động lịch sử khác nhau có thể ảnh hưởng đến động học sạc-xả của pin, do đó các đặc trưng được trích xuất có thể có tương quan lớn bất chấp các loại pin khác nhau (Hình bổ sung ). Thay vì diễn giải trực tiếp các đặc trưng được trích xuất bằng kiến thức chuyên gia, chúng tôi sử dụng một phương pháp dựa trên dữ liệu thay thế tự động tận dụng các mẫu tiềm ẩn trên các loại pin khác nhau. 2 2 5 2 2 2 6 Đối với quy trình sạc, 15 đặc trưng được trích xuất từ đường cong điện áp-dung lượng (bên trái) và đường cong dQ/dV (bên phải). Cùng một tập hợp các đặc trưng là cho quy trình xả, từ F16 đến F30. Các đặc trưng được hình dung theo lớp, theo định dạng CxBn, chỉ ra pin thứ n từ lớp x. Kích thước của một vòng tròn biểu thị giá trị đặc trưng tuyệt đối. Dữ liệu nguồn được cung cấp dưới dạng tệp Dữ liệu nguồn. a b c Phân loại pin cũ với quyền truy cập dữ liệu đồng nhất Trước tiên, chúng tôi xem xét một thiết lập trong đó dữ liệu pin được phân phối đồng nhất trên các đối tác (tức là, các máy khách). Tính đồng nhất có nghĩa là mỗi máy khách cung cấp để chia sẻ dữ liệu pin trên tất cả 9 lớp, mặc dù số lượng pin cụ thể không bị giới hạn (Bảng bổ sung ). Chúng tôi đào tạo mô hình học máy liên kết của mình mà không yêu cầu thông tin về việc sử dụng lịch sử của các pin cũ. Trong công việc của chúng tôi, nhà tái chế và các máy khách chỉ cần thử nghiệm các pin cũ ở chu kỳ hiện tại (thử nghiệm thực địa), cụ thể là, với một chu kỳ sạc-xả hoàn chỉnh cho quy trình kỹ thuật đặc trưng tiêu chuẩn do nhà tái chế khởi tạo. Các mô hình cục bộ được đào tạo dựa trên các đặc trưng được trích xuất từ dữ liệu pin riêng của họ. Khung học máy liên kết tổng hợp các tham số mô hình cục bộ, thay vì dữ liệu pin riêng, để nhà tái chế phân loại các pin cũ. 3 Hình cho thấy kết quả phân loại khi các máy khách đóng góp dữ liệu pin đồng nhất. Hình a so sánh hai phương pháp học máy liên kết, tức là, bỏ phiếu đa số (MV) và phương pháp bỏ phiếu khoảng cách Wasserstein (WDV) được đề xuất của chúng tôi, với mô hình học độc lập (IL). Cần lưu ý rằng độ chính xác cho IL được tính trung bình trên tất cả các máy khách theo cách không liên kết. So với IL, MV không làm giảm hiệu suất phân loại, với độ chính xác trung bình là 95%, đồng thời có khả năng bảo vệ quyền riêng tư dữ liệu và giảm gánh nặng tính toán. Tuy nhiên, 3 lớp bị phân loại sai bằng MV. Ví dụ, 3 pin trong NMC (SNL, lớp 8, tổng cộng 15) bị phân loại sai thành NCA (SNL, lớp 7), dẫn đến độ chính xác phân loại là 80%. Độ chính xác phân loại cho NCA (UL-PUR, lớp 9) là 81%, với 2 pin bị phân loại sai thành NMC (MICH_Form, lớp 4) và 1 pin bị phân loại sai thành loại pha trộn NMC/LCO (HNEI, lớp 2). Ngược lại, WDV vượt trội hơn MV vì nó chỉ phân loại sai một pin, dẫn đến độ chính xác phân loại là 99%. Chúng tôi cũng đánh giá xác suất dự đoán của mỗi lớp cho MV và WDV tương ứng. Hóa ra WDV đưa ra phân loại tự tin hơn MV vì xác suất dự đoán của WDV thường bị lệch phải sang giá trị xác suất cao hơn. Do đó, WDV được đề xuất của chúng tôi tạo ra độ chính xác phân loại cao hơn trên tất cả các lớp, và việc phân loại có biên độ tin cậy xác suất phong phú hơn. 3 3 Ma trận nhầm lẫn cho các phương pháp bỏ phiếu đa số (MV) và bỏ phiếu khoảng cách Wasserstein (WDV) tương ứng. Chúng tôi xem xét phân phối xác suất dự đoán cho mỗi lớp. Việc phân loại của học độc lập (IL) được chú thích. Phân phối độ chính xác phân loại và ngân sách bảo mật (PB) của IL, MV và WDV khi có nhiễu ngẫu nhiên. Giá trị PB được tham chiếu ở mức độ chính xác 90%. Điểm F1 trung bình của kết quả phân loại và PB trong mỗi lớp sử dụng IL, MV và WDV. Tất cả các giá trị PB đều được tham chiếu ở mức điểm F1 là 0,9. Tầm quan trọng của đặc trưng, theo thứ tự giảm dần. Biểu đồ con cho thấy không gian đặc trưng được bao phủ bởi hai đặc trưng nổi bật nhất đầu tiên. Dữ liệu được trình bày dưới dạng giá trị trung bình ±1 độ lệch chuẩn. Dữ liệu nguồn được cung cấp dưới dạng tệp Dữ liệu nguồn. a b c d Chúng tôi cũng đánh giá ngân sách bảo mật (PB, phần “Phương pháp”), xem xét rằng dữ liệu máy khách có thể dễ bị tấn công tái tạo ngược bởi việc nghe lén dữ liệu riêng . Về vấn đề này, chúng tôi thêm nhiễu Gaussian 53