AI An Toàn Quyền Riêng Tư Này Có Thể Biến Rác Thải Pin Thành Lợi Nhuận Khổng Lồ

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 thải loại chưa được phân loại với các vật liệu cathode đa dạng cản trở việc áp dụng tái chế trực tiếp do tính chất đặc thù của cathode. Sự gia tăng của pin thải loại đòi hỏi phải phân loại chính xác để tái chế trực tiếp hiệu quả, nhưng những thách thức phát sinh từ lịch sử vận hành khác nhau, các nhà sản xuất đa dạng và các mối quan tâm về quyền riêng tư dữ liệu của các đối tác tái chế (chủ sở hữu dữ liệu). Ở đây, chúng tôi trình bày, từ một tập dữ liệu độc đáo gồm 130 pin lithium-ion bao gồm 5 vật liệu cathode và 7 nhà sản xuất, một phương pháp học máy liên kết có thể phân loại các pin thải loại này mà không cần dựa vào dữ liệu vận hành 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 cathode là 1% và 3% trong các thiết lập tái chế pin đồng nhất và không đồng nhất tương ứng, nhờ chiến lược bỏ phiếu khoảng cách Wasserstein sáng tạo của chúng tôi. Về mặt kinh tế, phương pháp được 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 tuyến 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 pin ngày càng tăng sẽ vượt xa nguồn cung cấp các 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 pin thải loại ở nhiều quốc gia. Nếu không được quản lý đúng cách, pin thải loại sẽ dẫn đến lãng phí tài nguyên không bền vững và gây hại môi trường. Trước tình hình này, sự phát triển của công nghệ tái chế pin có tầm quan trọng đặc biệt khi chúng ta đối mặt với làn sóng pin LIB sắp thải hồi. Những tiến bộ gần đây trong nghiên cứu tái chế pin đã 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 nổi bật như một phương pháp riêng biệt. Quá trình này không gây hư 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 tiêu thụ năng lượng thấp hơn, giảm phát thải khí nhà kính và dấu chân môi trường nhẹ hơn. Tuy nhiên, trong sản xuất thực tế, các nhà tái chế pin thường gặp phải các LIB chứa các thành phần không xác định hoặc các mô-đun pin bao gồm hỗn hợp các loại vật liệu cathode khác nhau. Xem xét rằng tái chế trực tiếp có thể phụ thuộc nhiều vào cathode, sự phức tạp như vậy làm cho việc áp dụng tái chế trực tiếp không khả thi để đạt được chuyển đổi giá trị của pin thải loại. Điều quan trọng cần nhấn mạnh là ngay cả khi các kim loại quan trọng từ các loại vật liệu cathode hỗn hợp có thể được chiết xuất bằng các chiến lược tái chế thông thường, sự tương tác giữa các vật liệu cathode khác nhau trong quá trình tái chế có thể ảnh hưởng tiêu cực đến chất lượng sản phẩm. Do đó, hiểu thông tin loại vật liệu cathode ở phía tái chế ảnh hưởng đáng kể đến việc lựa chọn tuyến tái chế trực tiếp và cuối cùng cải thiện chất lượng sản phẩm, lợi nhuận và tính bền vững. Tái chế trực tiếp có sự hỗ trợ của con người đã được đề xuất để xác định thông tin loại vật liệu cathode của pin thải loại trong liên kết tiền xử lý, nhưng điều này vẫn chưa khả thi về mặt tài chính khi ngành tái chế đang mở rộng quy mô. Để thu hồi hiệu quả thông tin loại cathode của pin thải loại, cộng đồng khoa học và công nghiệp gần đây đã khởi xướng một hệ thống theo dõi vòng đời pin và các khái niệm mới nổi như hộ chiếu pin và bộ gen dữ liệu pin. Mặc dù có nhiều pin đã được sử dụng trước các sáng kiến này, nhưng có một sự đồng thuận ngày càng tăng rằng thông tin pin nên được truy cập trong toàn bộ chuỗi đời để tạo điều kiện thuận lợi cho việc ra quyết định 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 cathode. Tuy nhiên, hệ thống theo dõi vòng đời pin hoặc hộ chiếu pin được kích hoạt bởi các thiết bị điện tử như mã vạch và giao tiếp trường gần, có thể giới thiệu 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 trong việc quản lý nhất quán trong suốt vòng đời của chúng, dẫn đến các thiết bị bị mòn và khó truy cập 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 nhiều đột phá khẩn cấp để đạt được việc phân loại loại cathode 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 thức hỗ trợ của con người, tạo điều kiện thuận lợi cho việc áp dụng tái chế trực tiếp để cải thiện chất lượng và lợi nhuận của các sản phẩm tái chế. 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 hữu ích còn lại, đánh giá trạng thái sức khỏe, tối ưu hóa hồ sơ chu kỳ, xấp xỉ phân phối lỗi, thậm chí hướng dẫn thiết kế pin, và dự đoán hiệu suất suốt đời ngay sau khi sản xuất. Trong trường hợp tái chế pin, một số ít công trình đã điều tra học máy liên quan đến vật liệu cathode, điều này đổ lỗi cho sự khan hiếm dữ liệu pin, đặc biệt là đối với những pin đã được sử dụng đến giai đoạn 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 cathode của pin. Sự khan hiếm này được quy cho chi phí chuyên sâu, thời gian kiểm tra dài và quan trọng nhất là quyền riêng tư dữ liệu do các mối quan tâm thương mại hoặc lợi ích. Do đó, vấn đề quyền riêng tư làm cứng sự 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. Sự tiến thoái lưỡng nan như vậy đòi hỏi phải nghiên cứu phân loại vật liệu cathode để tối ưu hóa lựa chọn tuyến tái chế pin một cách hợp tác và tôn trọng quyền riêng tư. Học máy liên kết, như một mô hình phân tán và bảo toàn quyền riêng tư, có tiềm năng giải quyết cả sự hợp tác đa phương (tương đương, khối lượng và sự đa dạng dữ liệu pin) và các vấn đề quyền riêng tư thông qua học máy hợp tác. Trong mỗi lần lặp đào tạo, chủ sở hữu dữ liệu phân tán thực hiện đào tạo cục bộ với sức mạnh tính toán cục bộ của họ, mã hóa các tham số/kết quả mô hình đã đào tạo và tải chúng lên một điều phối viên trung tâm để tổng hợp. Các sự kiện rằng bộ 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 là đối với những người 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 khối lượng lớn dữ liệu pin đã tồn tại nhưng không thể chia sẻ do các mối quan tâm về quyền riêng tư. Với mô hình hợp tác nhưng bảo toàn quyền riêng tư như vậy, việc phân loại pin thải loại 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. Trong nghiên cứu này, chúng tôi thực hiện phân loại vật liệu cathode của pin thải loại, 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 nhưng bảo toàn quyền riêng tư như minh họa trong Hình 1. Mô hình học máy liên kết của chúng tôi được đào tạo chỉ bằng một chu kỳ dữ liệu kiểm tra trường thông qua quy trình trích xuất đặc trưng tiêu chuẩn hóa, mà không có bất kỳ kiến thức nào trước đó về các điều kiện vận hành lịch sử. Chúng tôi so sánh sức mạnh dự đoán của mô hình học máy liên kết của chúng tôi với các mô hình cục bộ được 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 thải loại bằng khung học máy liên kết được đề xuất của chúng tôi được thực hiện, làm nổi bật sự liên quan và sự cần thiết của việc phân loại pin thải loại chính xác. Chúng tôi thảo luận toàn diện về khả năng diễn giải mô hình, các hàm ý tái chế pin và các triển vọng rộng lớn hơn của hoạt động tái chế pin trong tương lai được tích hợp với học máy liên kết. Nhiều nguồn dữ liệu, chẳng hạn như nhà sản xuất pin (Ảnh do Addionics cung cấp), nhà điều hành ứng dụng thực tế (khối pin trên sàn xe Tesla. 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 tải lên 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. Các nhà tái chế pin có thể sử dụng mô hình được xây dựng chung để phân loại pin, kết hợp với dữ liệu kiểm tra trường dễ truy cập. Khung học máy liên kết của chúng tôi khuyến khích các đối tác chia sẻ dữ liệu trong khi bảo toàn quyền riêng tư dữ liệu, trái ngược với mô hình phân mảnh dữ liệu truyền thống. a b Kết quả Thu thập và chuẩn hóa dữ liệu Động học pin khác nhau trong các loại pin khác nhau thường có chiều cao và khó đặc trưng hóa do các trường hợp vận hành, sự biến đổi sản xuất và lịch sử sử dụng khác nhau. Để tìm ra giải pháp cho sự tiến thoái lưỡng nan này, chúng tôi đã thu thập và chuẩn hóa 130 pin thải loại với 5 loại vật liệu cathode từ 7 nhà sản xuất để xây dựng một tập dữ liệu không phân phối, tương đương không đồng nhất. Với lịch sử sử dụng khác nhau, dung lượng của các pin được thu thập dưới 90% dung lượng danh định. Các vật liệu cathode pin là lithium cobalt oxide (LCO), nickel manganese cobalt (NMC), lithium ferrophosphate (LFP), nickel-cobalt-aluminum oxide (NCA) và các loại hỗn hợp NMC-LCO, được nhóm thành 9 lớp dựa trên nhà sản xuất (Bảng bổ sung 1). Chúng tôi cố tình bao gồm các pin có lịch sử sử dụng khác nhau, từ thử nghiệm trong phòng thí nghiệm đến cấu hình lái xe của xe điện, để đào tạo một mô hình tổng quát cho nhà tái chế pin độc lập với lịch sử sử dụng và loại pin. Để chuẩn hóa, tất cả dữ liệu yêu cầu từ nhà tái chế là chu kỳ hiện đang được thăm dò (kiểm tra trường) với một thử nghiệm sạc và xả, dễ dàng triển khai trong các trường hợp thực tế. Dữ liệu được thăm dò trước tiên được làm sạch nhiễu bằng cách điền các giá trị còn thiếu, thay thế các giá trị ngoại lai và thực hiện lọc trung vị. Tuy nhiên, nhiễu do con người và do sự không đồng nhất của cathode được cố tình giữ lại, để làm cho mô hình có khả năng chống lại các đầu vào không hoàn hảo. Dữ liệu sau đó được nội suy tuyến tính để điền đường cong (Hình bổ sung 1) và kỹ thuật đặc trưng để giảm chiều, với một bộ tham số chuẩn hóa chung (Ghi chú bổ sung 1). Các đặc trưng được trích xuất từ quy trình chuẩn hóa có khả năng diễn giải tốt, một mối quan tâm thương mại đáng kể. 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. Hình 2a, 2b minh họa quy trình kỹ thuật đặc trưng. Chúng tôi tập trung vào đường cong sạc và xả của pin thải loại trong chu kỳ cuối cùng, tức là, một chu kỳ sạc và một chu kỳ xả (Hình bổ sung 2–5). 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 là giá trị điện áp và dung lượng. Cùng một bộ 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 2 và Ghi chú bổ sung 2 để biết giải thích chi tiết về các đặc trưng. Hình 2c giới thiệu 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 chồng lên nhau 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 được mong đợi vì các điều kiện vận hành lịch sử khác nhau có thể ảnh hưởng đến động học sạc-xả của pin để các đặc trưng được trích xuất có thể tương quan lớn bất chấp các loại pin khác nhau (Hình bổ sung 6). Thay vì diễn giải trực tiếp các đặc trưng được trích xuất bằng kiến thức chuyên môn, 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. Đối với quy trình sạc, 15 đặc trưng được trích xuất từ đường cong điện áp-dung lượng (trái) và dQ/dV (phải). Cùng một bộ đặc trưng dành cho quy trình xả là F16 đến F30. Các đặc trưng được trực quan hóa theo lớp, theo định dạng CxBn, cho biết pin thứ n từ lớp x. Kích thước của một hình tròn thể hiện giá trị đặc trưng tuyệt đối. Dữ liệu nguồn được cung cấp dưới dạng tệp Dữ liệu Nguồn. a b c Phân loại pin thải loại với quyền truy cập dữ liệu đồng nhất Chúng tôi đầu tiên xem xét một thiết lập mà dữ liệu pin được phân phối đồng nhất trên các đối tác (tức là, các máy khách). Sự 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 3). 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 pin thải loại. Trong công trình của chúng tôi, nhà tái chế và các máy khách chỉ cần kiểm tra pin thải loại ở chu kỳ hiện tại (kiểm tra trường), cụ thể là, với một chu kỳ sạc-xả hoàn chỉnh để xử lý kỹ thuật đặc trưng tiêu chuẩn hóa do nhà tái chế khởi xướng. Các mô hình cục bộ được đào tạo dựa trên các đặc trưng được trích xuất từ dữ liệu pin riêng tư của họ. Khung học máy liên kết tổng hợp các tham số mô hình cục bộ, thay vì dữ liệu pin riêng tư, để nhà tái chế phân loại pin thải loại. Hình 3 cho thấy kết quả phân loại khi các máy khách đóng góp dữ liệu pin đồng nhất. Hình 3a so sánh hai phương pháp học máy liên kết, tức là, bỏ phiếu đa số (MV) và bỏ phiếu khoảng cách Wasserstein được đề xuất của chúng tôi (WDV), với mô hình học độc lập (IL). Cần lưu ý rằng độ chính xác của 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 cách sử dụng 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 hỗn hợp NMC/LCO (HNEI, lớp 2), tương ứng. 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 lệch sang phải với 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. Ma trận nhầm lẫn cho 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 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 bằng cách sử dụng IL, MV và WDV. Tất cả các giá trị PB được tham chiếu ở mức 0,9 điểm F1. Dữ liệu được trình bày dưới dạng giá trị trung bình ±1 độ lệch chuẩn. Tầm quan trọng của đặc trưng, theo thứ tự giảm dần. Biểu đồ con cho thấy không gian đặc trưng được trải ra bởi hai đặc trưng nổi bật nhất. 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 tái tạo ngược bởi việc nghe lén dữ liệu riêng tư. Về vấn đề này, chúng tôi thêm nhiễu Gaussian ngẫu nhiên vào dữ liệu máy khách với các cường độ khác nhau. Cường độ của tính ngẫu nhiên được kiểm soát bởi tỷ lệ nhiễu trên tín hiệu (NSR), từ 1% đến 10%. Hình 3b cho thấy so sánh độ chính xác và ngân sách bảo mật khi sử dụng IL, MV và WDV, tương ứng. Độ chính xác phân loại của MV giảm từ 95% xuống 82%, tương tự như của IL khi cường độ nhiễu tăng từ 1% lên 10%. Trong phạm vi nhiễu này, độ chính xác phân loại trung vị của MV và IL lần lượt là 92% và 86%. Ngược lại, độ chính xác phân loại của WDV vẫn trên 90% khi có nhiễu 10%, đây là một mức nhiễu nghiêm ngặt trong các trường hợp thực tế. WDV có độ chính xác phân loại trung vị trên 95% trong phạm vi nhiễu tương tự. Lấy độ chính xác phân loại trung bình là 90% làm mức tham chiếu chấp nhận được, các giá trị PB của IL, MV và WDV lần lượt là 4, 6 và 10. Do đó, việc áp dụng học máy liên kết tạo ra phân loại an toàn hơn IL, do đó có khả năng ngăn chặn việc nghe lén dữ liệu. Hơn nữa, WDV được đề xuất của chúng tôi chính xác hơn và hoạt động tốt hơn nhiều (với giá trị PB gần gấp đôi) trong sự cân bằng giữa quyền riêng tư và độ chính xác so với MV. Ngoài ra, khả năng chống lại nhiễu nghiêm ngặt khi sử dụng WDV cũng ngụ ý khả năng chịu đựng tốt yêu cầu đo lường pin, giảm chi phí kiểm tra pin đắt đỏ. Nhận thấy rằng độ chính xác phân loại cao không nhất thiết có nghĩa là phân loại chấp nhận được cho một lớp cụ thể, chúng tôi cũng xem xét hiệu suất phân loại trong lớp. Hình 3c cho thấy điểm F1 và ngân sách bảo mật của IL, MV và WDV trong mỗi lớp dự đoán; lưu ý rằng cài đặt bảo mật giống hệt như trong Hình 3b. Kết quả cho thấy IL có điểm F1 nhỏ hơn so với phương thức học máy liên kết trong tất cả các lớp, đưa ra phân loại kém. Liên quan đến học máy liên kết, WDV vượt trội hơn MV trong mỗi lớp dự đoán bằng cách tạo ra điểm F1 trung bình cao hơn. Phạm vi sai lệch của điểm F1 cho WDV nhỏ hơn của MV, cho thấy WDV mạnh mẽ hơn (Hình bổ sung 7). Do đó, WDV được đề xuất của chúng tôi không chỉ có độ chính xác phân loại tổng thể tốt hơn giữa tất cả chín lớp (Hình 3b) mà còn trong mỗi lớp, so với MV. Liên quan đến ngân sách bảo mật, giá trị PB khi sử dụng IL không liên kết, được tham chiếu ở mức điểm F1 là 0,9, thấp hơn đáng kể so với phương thức liên kết (Bảng bổ sung 4) trên tất cả các lớp. Điều này cho thấy rủi ro rò rỉ dữ liệu nghiêm trọng hơn đối với IL so với học máy liên kết. Khi áp dụng thêm WDV được đề xuất của chúng tôi, ngân sách có thể tăng 78% và 44% so với IL không liên kết và MV liên kết tương ứng (Bảng bổ sung 4). Kết quả cho thấy WDV tận dụng thành công những hiểu biết liên quan đến hóa học pin ẩn trong các máy khách đồng thời bảo toàn hiệu quả quyền riêng tư dữ liệu của máy khách. Sau đó, chúng tôi diễn giải mô hình học máy liên kết của mình bằng cách đánh giá các đặc trưng nổi bật nhất tương quan với hóa học cathode của pin. Hình 3d cho thấy tầm quan trọng của các đặc trưng theo thứ tự giảm dần. Thanh lỗi chỉ ra sai lệch tầm quan trọng. Các đặc trưng F1 và F16 xếp hạng hai đặc trưng hàng đầu về tầm quan trọng ngoài mẫu (phần “Phương pháp”). Điều thú vị là hai đặc trưng này có diễn giải vật lý rõ ràng về động học pin, điều mà chúng ta sẽ thảo luận thêm trong các phần sau. Ở đây, chúng tôi hợp lý hóa hai đặc trưng này bằng cách vẽ các mẫu pin được nhóm trong không gian đặc trưng được trải ra bởi hai đặc trưng nổi bật nhất. Biểu đồ con của Hình 3d cho thấy loại hỗn hợp NMC/LCO (HNEI, lớp 2), NMC (MICH_Expa, lớp 3) và LFP (SNL, lớp 6) (chia sẻ màu với Hình 3a) có thể phân biệt rõ ràng trong không gian đặc trưng được trải ra. Đối với các lớp còn lại, pin vẫn có thể phân biệt được (xem hình ảnh thu nhỏ), mặc dù ở các hạt nhỏ hơn tương đối. Ngược lại, các đặc trưng không nổi bật có khả năng phân loại yếu hơn tương đối do không gian đặc trưng được trải ra không thể phân biệt được (Hình bổ sung 8). Kết quả là, khung học máy liên kết của chúng tôi đã khám phá thành công những hiểu biết cơ chế hữu ích để đảm bảo độ chính xác phân loại. Hiểu biết như vậy có thể được mở rộng để đơn giản hóa mô hình cho tính toán nhẹ, do đó giảm đầu tư. Một khi các mô hình máy khách phân loại pin, nhà tái chế có thể tổng hợp kết quả máy khách để đưa ra quyết định cuối cùng về các loại vật liệu cathode của pin được củng cố bởi các đặc trưng nổi bật. Phân loại pin thải loại với quyền truy cập dữ liệu không đồng nhất Chúng tôi cũng xem xét một tình huống cực đoan, trong khi là một tình huống thực tế hơn, nơi dữ liệu có thể bị phân tán độc quyền giữa các máy khách, tức là, phân phối dữ liệu là không đồng nhất. Trong tình huống này, vấn đề không đồng nhất đặt ra nhiều thách thức hơn cho việc phân loại loại pin vì các máy khách có xu hướng đào tạo các mô hình bị thiên vị và làm suy giảm độ chính xác toàn cầu, đây vẫn là một câu hỏi mở trong học máy liên kết. Trong phần này, chúng tôi khám phá một tình huống khó khăn hơn thay vì có quyền truy cập dữ liệu đồng nhất giữa các máy khách (Ghi chú bổ sung 3). Chúng tôi chứng minh rằng khung học máy liên kết của chúng tôi vẫn có thể phân loại pin thải loại dựa trên quy trình kỹ thuật đặc trưng tiêu chuẩn hóa ở chu kỳ hiện tại (kiểm tra trường) mà không có bất kỳ kiến thức nào về các điều kiện vận hành trước đó. Hình 4 cho thấy kết quả phân loại khi các máy khách có quyền truy cập dữ liệu không đồng nhất. Chúng tôi xem xét chỉ số không đồng nhất, được định nghĩa là số lượng tối thiểu các lớp pin cho mỗi máy khách trong mỗi lần chạy mô phỏng Monte Carlo. Chỉ số không đồng nhất cao hơn cho thấy phân phối dữ liệu pin kém không đồng nhất. Chỉ số không đồng nhất không nhỏ hơn hai, sao cho một máy khách có thể đào tạo một mô hình cục bộ cho nhiệm vụ phân loại. Hình 4a cho thấy độ chính xác phân loại trung bình khi chỉ số không đồng nhất thay đổi. Độ chính xác trung bình được vẽ bằng các đường liền nét, với phạm vi độ lệch chuẩn được chỉ ra trong vùng tô bóng. Khi chỉ số không đồng nhất giảm từ 9 xuống 2, hiệu suất của MV và IL nhanh chóng suy giảm với tốc độ dưới tuyến tính. Độ chính xác phân loại trung bình của MV là 0,55, tốt hơn một chút so với IL, tương đương với đoán ngẫu nhiên khi mức độ không đồng nhất là hai. Quan sát này cho thấy MV giúp ích rất ít trong việc tổng hợp các mô hình cục bộ dưới quyền truy cập dữ liệu không đồng nhất. Ngược lại, WDV vượt trội hơn đối tác MV của nó ở tất cả các mức độ không đồng nhất, giảm thiểu thành công vấn đề phân phối dữ liệu không đồng nhất. Hơn nữa, WDV cho thấy một hiệu ứng tiệm cận thú vị khi chỉ số không đồng nhất tăng lên. Điều này cho thấy WDV có thể hỗ trợ phân bổ/phân phối tối ưu dữ liệu pin của máy khách để giảm chi phí hợp tác trong các tình huống tái chế pin thực tế. Độ chính xác phân loại theo chỉ số không đồng nhất. Kết quả được tính trung bình trên 50 lần chạy Monte Carlo, với một độ lệch chuẩn được chỉ ra bằng màu tô bóng. Phân phối dữ liệu khi đánh giá hiệu suất bỏ phiếu đa số (MV) tốt nhất. Độ chính xác phân loại theo lớp (phần trên) và theo máy khách (phần dưới) tương ứng với các phương pháp học máy liên kết và học độc lập (IL) của chúng tôi. Biểu đồ Sanky (ở giữa) trình bày phân phối dữ liệu không đồng nhất giữa các máy khách. Dữ liệu nguồn được cung cấp dưới dạng tệp Dữ liệu Nguồn. a b c Chúng tôi chọn mô hình tốt nhất bằng MV khi chỉ số không đồng nhất bằng hai và so sánh nó với kết quả phân loại của WDV được đề xuất của chúng tôi trong cùng một thiết lập. Mô hình tốt nhất được chọn có độ chính xác phân loại trung bình là 71%, như thể hiện trong Hình 4a. Chi tiết thiết lập phân phối dữ liệu pin của mô hình tốt nhất bằng MV được minh họa trong Hình 4b, đây là dữ liệu không đồng nhất (Bảng bổ sung 5). Ví dụ, máy khách 2 đóng góp vào tất cả các lớp pin ngoại trừ NMC (MICH-Expa, lớp 3), trong khi máy khách 5 chỉ đóng góp vào loại hỗn hợp NMC / LCO (HNEI, lớp 2) và NMC (SNL, lớp 8). Dưới thiết lập phân phối dữ liệu không đồng nhất trong Bảng bổ sung 5, chúng tôi tiếp tục so sánh hiệu suất phân loại theo lớp và theo máy khách của MV và WDV với IL không liên kết với hai xem xét: (1) tầm quan trọng của khung học máy liên kết của chúng tôi và (2) tại sao WDV được đề xuất của chúng tôi vượt trội hơn MV. Đầu tiên, chúng tôi đánh giá độ chính xác phân loại theo máy khách, được hiển thị ở phía dưới của Hình 4c. Máy khách 5 đạt độ chính xác phân loại trung bình là 25%, xếp cuối cùng trong số tất cả các máy khách. Trong khi đó, máy khách 2 đạt độ chính xác phân loại trung bình là 86%, xếp hạng đầu tiên trong số tất cả các máy khách. Tuy nhiên, độ chính xác phân loại trung bình chỉ là 55%, gần với việc đoán ngẫu nhiên. Do đó, hiệu suất máy khách bằng cách sử dụng IL không liên kết phụ thuộc nhiều vào quyền truy cập dữ liệu (Hình bổ sung 9). Trên thực tế, nếu không có khung học máy liên kết của chúng tôi, nhà tái chế pin tương đương với một máy khách duy nhất, và nhà tái chế pin chỉ có thể thực hiện phân loại các loại pin được lưu trữ trong cơ sở dữ