Trí tuệ nhân tạo tạo sinh thúc đẩy Tái sử dụng bền vững pin Lithium-ion đã ngừng hoạt động

Tác giả: 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 Tóm tắt Ước tính nhanh chóng và chính xác tình trạng sức khỏe (SOH) của pin đã qua sử dụng là một bước tiền xử lý quan trọng cho việc tái sử dụng và tái chế. Tuy nhiên, các phương pháp dựa trên dữ liệu đòi hỏi phải quản lý dữ liệu kỹ lưỡng dưới các điều kiện loại bỏ ngẫu nhiên về SOH và trạng thái sạc (SOC). Ở đây, chúng tôi cho thấy rằng việc ước tính SOH được hỗ trợ bởi học máy tạo sinh đầy hứa hẹn trong việc giảm thiểu các thách thức về sự khan hiếm và tính không đồng nhất của dữ liệu, được xác nhận thông qua bộ dữ liệu tiêm xung của 2700 mẫu pin lithium-ion đã qua sử dụng, bao gồm 3 loại vật liệu cực âm, 3 định dạng vật lý, 4 thiết kế dung lượng và 4 kiểu sử dụng lịch sử với 10 cấp độ SOC. Sử dụng dữ liệu được tạo ra, một mô hình hồi quy thực hiện ước tính SOH chính xác, với sai số phần trăm tuyệt đối trung bình dưới 6% trong các điều kiện SOC chưa từng thấy. Chúng tôi dự đoán rằng giả định việc triển khai đồng nhất kỹ thuật được đề xuất sẽ tiết kiệm 4,9 tỷ USD chi phí điện năng và 35,8 tỷ kg khí thải CO2 bằng cách giảm chi phí quản lý dữ liệu cho kịch bản loại bỏ pin toàn cầu vào năm 2030. Bài báo này nhấn mạnh việc khai thác dữ liệu hạn chế để khám phá không gian dữ liệu mở rộng bằng các phương pháp tạo sinh, do việc thu thập dữ liệu có thể tốn thời gian, tốn kém và gây ô nhiễm đối với nhiều tác vụ ước tính và dự đoán. Giới thiệu Điện khí hóa giao thông vận tải, một lĩnh vực quan trọng trong quá trình chuyển đổi năng lượng carbon thấp, đã định hình lại mô hình giao thông vận tải dựa trên nhiên liệu hóa thạch một cách chưa từng có. Pin lithium-ion rất quan trọng đối với sự chuyển đổi này bằng cách cung cấp nguồn năng lượng giá cả phải chăng, bền bỉ và an toàn cho xe điện (EV). Tổng dung lượng của pin EV đang được sử dụng và pin hết vòng đời dự kiến sẽ vượt quá 32–62 terawatt vào năm 2050, cao hơn đáng kể so với ước tính trong các kịch bản của Cơ quan Năng lượng Tái tạo Quốc tế và Phòng thí nghiệm Lưu trữ. Tuy nhiên, pin EV đã qua sử dụng bị kiểm soát chặt chẽ với giá trị dung lượng còn lại khổng lồ chưa được khai thác đầy đủ, thường vượt quá 80% dung lượng định mức. Nếu không được xử lý đúng cách, nó sẽ dẫn đến gánh nặng kinh tế cho các nhà sản xuất và người dùng, cũng như các vấn đề về môi trường và xã hội tiếp theo, bao gồm lãng phí tài nguyên, rủi ro chuỗi cung ứng và phát thải carbon. Các chiến lược đầy hứa hẹn để giải quyết mối lo ngại về sự gia tăng đột ngột của việc loại bỏ pin là tái sử dụng và tái chế. Trong tái sử dụng, pin đã qua sử dụng được tái sử dụng cho các ứng dụng như hệ thống lưu trữ năng lượng kết nối lưới, nguồn cung cấp điện dân dụng và xe tốc độ thấp. Tuy nhiên, việc tái sử dụng đòi hỏi các bước tiền xử lý sơ bộ, bao gồm sàng lọc tính nhất quán, phân loại dung lượng và nhóm lại để đáp ứng yêu cầu ứng dụng. Mặc dù đã khởi động các chương trình thử nghiệm, việc thiếu các tiêu chuẩn nghiêm ngặt cho các kịch bản sử dụng và lộ trình loại bỏ làm cản trở việc sử dụng hợp lý dung lượng còn lại. Tái chế sử dụng thay thế giá trị còn lại của pin đã qua sử dụng bằng cách khai thác vật liệu hoặc sửa chữa cấu trúc, phù hợp với pin đã qua sử dụng bị suy giảm không thể phục hồi. So với luyện kim nóng chảy và luyện kim ướt, tái chế trực tiếp nổi bật về lợi nhuận vượt trội, tiêu thụ năng lượng thấp hơn và giảm phát thải carbon. Tận dụng việc bổ sung lithium và xử lý sau vật liệu cực âm, tái chế trực tiếp đạt được việc sửa chữa cấu trúc vật liệu hiệu quả và phục hồi hiệu suất. Tuy nhiên, tình trạng sức khỏe (SOH) xác định lượng hóa chất cần thiết và liều lượng bổ sung lithium dự kiến trong các công thức chiến lược tái chế trực tiếp. Liều lượng không đủ có thể dẫn đến sửa chữa không hoàn chỉnh, trong khi liều lượng quá mức có thể dẫn đến việc tạo ra kiềm dư trên bề mặt cực âm, làm suy giảm hiệu suất phục hồi. Thật không may, việc truy xuất SOH đòi hỏi phải đặc trưng hóa vật liệu xâm lấn và các bài kiểm tra hiệu chuẩn dung lượng kéo dài, việc thu thập SOH không xâm lấn, nhanh chóng và bền vững vẫn là một thách thức nổi bật. Để đảm bảo thông tin SOH nhất quán, pin EV được giám sát và dữ liệu vận hành được ghi lại bởi các nền tảng đám mây và hộ chiếu pin. Nghị viện Châu Âu đã thông qua Chỉ thị Pin vào ngày 14 tháng 6 năm 2023, để đảm bảo rằng pin đã qua sử dụng có thể được tái sử dụng, phục hồi hoặc tái chế vào cuối vòng đời sử dụng. Tuy nhiên, quy trình giám sát và ghi nhật ký bắt buộc chỉ có thể truy cập được trong giai đoạn dịch vụ EV, pin đã qua sử dụng không còn được kết nối với bộ phận giám sát trong xe nữa. Do đó, rất khó để truy xuất dữ liệu SOH có sẵn tại hiện trường. Tính toàn vẹn dữ liệu vòng đời vẫn là một thách thức lớn, đòi hỏi ước tính SOH chỉ sử dụng dữ liệu hiện trường, trái ngược với dữ liệu lịch sử hoặc trong các điều kiện có thể kiểm soát. Một giải pháp là thực hiện bài kiểm tra hiệu chuẩn dung lượng tại hiện trường thu thập pin đã qua sử dụng, tức là điều kiện hóa SOC, điều này rất đơn giản, tuy nhiên, nó đòi hỏi thời gian kiểm tra không thể mua được và chi phí điện bổ sung. Bài kiểm tra đặc trưng hóa năng lượng xung hỗn hợp là một giải pháp thay thế cho ước tính SOH bằng cách tiêm xung động, nhưng chuỗi kiểm tra hoàn chỉnh mất hơn 12 giờ. Tao và cộng sự. đã sử dụng các xung ngắn để ước tính SOH của pin đã qua sử dụng, giả định rằng việc điều kiện hóa SOC đến 5% SOC đã được thực hiện, điều này hầu như không tương thích với các điều kiện loại bỏ SOC ngẫu nhiên. Các tiến bộ gần đây trong đo lường dựa trên cảm biến bao gồm hình ảnh X-quang, trở kháng điện hóa, cảm biến sợi quang, cảm biến âm thanh, sạc một phần và tiêm xung. Các kỹ thuật dựa trên cảm biến đang ở giai đoạn phòng thí nghiệm do tính xâm lấn, trong khi tiêm xung có đặc điểm là tách rời sự suy giảm của pin mà không gây hư hại vật lý, đồng thời nhanh hơn các phương pháp sạc một phần và dựa trên trở kháng điện hóa. Tuy nhiên, tiêm xung là một phương pháp tập trung vào dữ liệu, chỉ khả thi dưới giả định lý tưởng rằng dữ liệu đo lường vật lý bao gồm các điều kiện loại bỏ của giai đoạn triển khai mô hình, được gọi là thách thức chung của sự dịch chuyển miền trong cộng đồng học máy. Mặc dù có những tiến bộ trong các phương pháp học chuyển giao và thích ứng miền, các thách thức vẫn tồn tại vì miền đích cần căn chỉnh vẫn yêu cầu thông tin trước khi triển khai, và các phương pháp học hiện có khó có thể được cập nhật cho các điều kiện loại bỏ ngẫu nhiên. Một giải pháp thay thế là mở rộng quy mô kiểm tra dữ liệu dưới các điều kiện loại bỏ chưa được khám phá để giảm thiểu sự khan hiếm và không đồng nhất của dữ liệu, mặc dù nó có thể dẫn đến tăng chi phí. Wang và cộng sự. đã đề xuất một phương pháp khai thác nhiệt độ để nội suy sở thích động học phản ứng ở các trạng thái trung gian khác nhau trong một quy trình nhiệt hóa, cho phép xây dựng các cơ sở dữ liệu đào tạo rộng lớn với quy mô và chi phí thí nghiệm nhiệt hóa tối thiểu như một sự bổ sung dữ liệu cho đào tạo mô hình học máy. Ngoài ra, học máy tạo sinh cũng thể hiện khả năng ước tính SOH với dữ liệu được bổ sung từ các cấu hình được chu kỳ hóa một phần, tiết kiệm dữ liệu cần thiết phải kiểm tra vật lý. Tuy nhiên, sự khan hiếm và không đồng nhất của dữ liệu trong bối cảnh tái sử dụng và tái chế pin còn phức tạp hơn do sự pha trộn của các loại vật liệu cực âm, định dạng vật lý, thiết kế dung lượng và kiểu sử dụng lịch sử, hạn chế tiềm năng tích hợp kiến thức cụ thể về điều kiện suy giảm vào các mô hình học máy. Do đó, hợp lý khi xem xét mối quan hệ phụ thuộc giữa các điều kiện loại bỏ và phản ứng điện áp xung để tạo dữ liệu, không gây ra hiệu chuẩn dung lượng chuỗi thời gian dài và các thí nghiệm vật lý bổ sung đồng thời, để nâng cao hiệu suất ước tính SOH. Trong nghiên cứu này, chúng tôi thực hiện tiền xử lý pin đã qua sử dụng, tức là ước tính SOH, bằng cách sử dụng dữ liệu phản ứng điện áp xung được tạo ra bởi bộ mã hóa tự động biến đổi chú ý ở thời gian và chi phí đo lường vật lý đã tiết kiệm. Quy trình chung các bước tiền xử lý, đào tạo mô hình tạo sinh và các bước triển khai mô hình thực tế được minh họa trong Hình 1. Ý tưởng nghiên cứu là sử dụng học máy tạo sinh để khai thác dữ liệu đã đo lường để khám phá phản ứng điện áp xung trong các điều kiện loại bỏ liên tục, tức là phân bố SOC ở giai đoạn thu thập pin đã qua sử dụng. Ước tính SOH xuôi dòng được thực hiện mà không cần dữ liệu phản ứng xung được đo lường vật lý, tiết kiệm chi phí điện tiền xử lý và lượng khí thải carbon lẽ ra phải có từ việc điều kiện hóa SOC đến cấp độ dự kiến. So với phương pháp tích phân ampere-giờ và tiêm xung học máy, học máy tạo sinh nhấn mạnh tốc độ tạo nhanh hơn và ước tính chính xác. Với dữ liệu được tạo ra, một mô hình hồi quy đơn giản ước tính thành công SOH với lỗi thấp trong các điều kiện SOC chưa từng thấy hoặc không thể truy cập trong cơ sở dữ liệu, một vấn đề phân phối ngoài (OOD) đầy thách thức. Vấn đề OOD được giải quyết bằng cách học mẫu vật lý kế thừa giữa điều kiện SOC và phản ứng điện áp gây ra bởi xung nhanh. Chúng tôi chứng minh tính tổng quát của phương pháp của chúng tôi bằng cách xác minh thông qua 2700 mẫu đo lường vật lý, bao gồm 3 loại vật liệu cực âm, 3 định dạng vật lý, 4 thiết kế dung lượng và 4 kiểu sử dụng lịch sử (1 thử nghiệm lão hóa tăng tốc trong phòng thí nghiệm, 1 lái xe EV thuần túy và 2 lái xe EV hybrid). Học máy tạo sinh phù hợp cho việc nội suy và ngoại suy bằng cách tích hợp kiến thức trước đó về các điều kiện loại bỏ vào việc mở rộng không gian tiềm ẩn bằng các phương pháp tạo sinh, tiết kiệm thời gian đo lường, chi phí điện và lượng khí thải carbon tương ứng mà không ảnh hưởng đến độ chính xác ước tính SOH. Một nghiên cứu điển hình toàn cầu bảo thủ về việc loại bỏ pin vào năm 2030 nhấn mạnh tầm quan trọng của việc ước tính SOH nhanh chóng và bền vững trong các trường hợp tái chế luyện kim nóng chảy, luyện kim ướt và tái chế trực tiếp. Thông qua phân tích kỹ thuật-kinh tế, ước tính SOH được hỗ trợ bởi học máy tạo sinh có thể tiết kiệm 4,9 tỷ USD chi phí điện và 35,8 tỷ kg khí thải CO2 vào năm 2030 trên toàn cầu. Chúng tôi thảo luận về khả năng diễn giải mô hình, các hàm ý tiền xử lý tái chế và các khía cạnh rộng hơn của các hướng tiền xử lý tái chế thông minh trong tương lai được tích hợp với học máy. Các bước tiền xử lý pin đã qua sử dụng bao gồm điều kiện hóa SOC, đo lường vật lý, học máy để chẩn đoán SOH và quy trình ra quyết định vòng đời thứ hai trước khi tái sử dụng hoặc tái chế. Điều kiện hóa SOC đề cập đến việc điều chỉnh các giá trị SOC của pin đã qua sử dụng về các cấp độ mong muốn bằng phương pháp dòng điện không đổi điện áp không đổi (CCCV) truyền thống. Sơ đồ bộ mã hóa tự động biến đổi chú ý để tạo dữ liệu phản ứng điện áp xung. Việc sử dụng thực tế của mô hình tạo dữ liệu để ước tính SOH không yêu cầu điều kiện hóa SOC bổ sung. Mô hình học máy được huấn luyện được giám sát bởi dữ liệu được tạo ra và nhận phản ứng điện áp xung tức thì khi ở giai đoạn triển khai. Lợi ích kinh tế và môi trường cũng như tốc độ tạo nhanh của phương pháp học máy tạo sinh của chúng tôi bằng cách tiết kiệm chi phí điều kiện hóa SOC trong kịch bản loại bỏ pin toàn cầu năm 2030. a b c d Kết quả Thu thập bộ dữ liệu Sự khan hiếm và tính không đồng nhất của dữ liệu là những thách thức lớn trong chẩn đoán và tiên lượng pin dựa trên dữ liệu, đặc biệt đối với pin đã qua sử dụng. Chúng tôi đã thu thập 2700 mẫu từ 270 pin vật lý đã qua sử dụng với mức SOC rộng, tức là từ 5% đến 50% với khoảng 5%. Trong Hình 2a, bộ dữ liệu bao gồm 3 loại vật liệu cực âm phổ biến, bao gồm 119 pin NMC (oxit niken mangan coban) được thu thập vật lý, 56 pin LFP (lithium sắt photphat) và 95 pin LMO (lithium mangan oxit) đã qua sử dụng, bao gồm 3 định dạng vật lý (hình trụ, túi, lăng trụ) và 4 kiểu sử dụng lịch sử (1 thử nghiệm tăng tốc trong phòng thí nghiệm, 3 lần sử dụng EV, bao gồm 1 chế độ truyền động điện thuần túy và 2 chế độ truyền động hybrid). Chúng tôi nhấn mạnh rằng việc bao gồm các mẫu thử nghiệm không đồng nhất cao làm cho bộ dữ liệu của chúng tôi trở thành bộ dữ liệu tiêm xung nhanh lớn nhất cho ước tính SOH của pin đã qua sử dụng cho đến nay, tạo điều kiện cho tính tổng quát của mô hình vượt ra ngoài các bộ dữ liệu được đo lường vật lý. Biểu đồ Sankey về phân bố pin đã qua sử dụng, bao gồm các loại vật liệu cực âm, định dạng vật lý, thiết kế dung lượng và kiểu sử dụng lịch sử. Dòng điện xung và phản ứng điện áp sau đó của pin đã qua sử dụng, trong đó các đặc điểm được trích xuất từ các điểm uốn, tức là các điểm có đạo hàm bậc hai bằng không của đường cong phản ứng điện áp. 21 điểm đặc trưng, từ U1 đến U21, được trích xuất. Tần số ghi cho dữ liệu thô là 100 Hz. Thời gian nghỉ là 25 giây giữa mỗi xung theo tốc độ C. Lưu ý rằng thuật ngữ C biểu thị tốc độ sạc (xả) khi sạc (xả) trong 1 giờ được thực hiện. Nhiệt độ môi trường được kiểm soát ở 25°C. Phân bố trạng thái sức khỏe (SOH) (phù hợp Gaussian) của pin đã qua sử dụng 2,1 Ah và 21 Ah để minh họa, tương ứng. Đối với phân bố SOH của các loại pin khác, bạn có thể tham khảo Hình Bổ sung 1. Mối quan hệ giữa phản ứng điện áp xung đo được và SOH được hiệu chuẩn từ bài kiểm tra hiệu chuẩn dung lượng, với các điều kiện trạng thái sạc (SOC) thay đổi. Chiều thứ nhất của đặc trưng, U1, được minh họa. Minh họa trường hợp nội suy và ngoại suy tạo dữ liệu dưới các phân bố SOC loại bỏ pin khác nhau. Chi tiết cài đặt thử nghiệm có trong Ghi chú Bổ sung 1 và 2, lưu ý rằng cài đặt tốc độ C là giống nhau giữa các loại vật liệu cực âm. Dữ liệu nguồn được cung cấp dưới dạng tệp Dữ liệu nguồn. a b c d e Trái ngược với thử nghiệm CCCV thông thường, thử nghiệm xung không gây ra thời gian thử nghiệm kéo dài và làm hỏng thêm pin đã qua sử dụng. Do đó, chúng tôi sử dụng kết quả CCCV làm giá trị dung lượng tham chiếu SOH. Dữ liệu thử nghiệm xung được sử dụng làm dữ liệu đào tạo cho mô hình học máy tạo sinh. Ngay cả khi loại vật liệu cực âm của pin thay đổi, chúng tôi vẫn thực hiện kỹ thuật đặc trưng hóa tiêu chuẩn hóa và có thể truy cập được, đảm bảo khả năng tương thích trong sử dụng thực tế. Hình 2b minh họa việc trích xuất đặc trưng sau khi tiêm dòng điện xung. Các cài đặt thử nghiệm CCCV và tiêm xung có thể được tìm thấy trong Ghi chú Bổ sung 1. Đối với năm xung được tiêm đầu tiên, các điểm uốn, tức là các điểm có đạo hàm bậc hai bằng không của phản ứng điện áp, được ghi lại dưới dạng đặc trưng, dẫn đến các đặc trưng 21 chiều. Mặc dù thời gian xung ở mức 5 giây, chúng tôi cũng thực hiện đo độ nhạy với độ rộng xung với hai mục tiêu là xác minh độ bền của xung và rút ngắn hơn nữa thời gian thử nghiệm, từ 30 mili giây đến 5 giây. Chúng tôi xem xét quá trình lão hóa tăng tốc trong các thử nghiệm trong phòng thí nghiệm (Ghi chú Bổ sung 2) và quá trình lão hóa lái xe EV thực tế, mặc dù không biết rõ hồ sơ lái xe do hạn chế về quyền riêng tư dữ liệu. Trong Hình 2c, phân bố SOH của pin lão hóa tăng tốc (NMC, 2,1 Ah) và pin lão hóa lái xe EV (NMC, 21 Ah) được minh họa. Lưu ý rằng các giá trị SOH là bổ sung nhau trong một vùng SOH rộng, từ 0,6 đến 1, dữ liệu thu thập được đại diện cho các kịch bản loại bỏ pin, cũng có các trường hợp loại bỏ sớm cực đoan. Phân bố SOH của các pin đã thu thập khác (LMO, 10 Ah và LFP 35 Ah) bao phủ một phân bố SOH rộng, xem Hình Bổ sung 1. Các thử nghiệm xung được lặp lại ở các mức SOC khác nhau, từ 5% đến 50%, để mô phỏng tính ngẫu nhiên của việc thu thập pin đã qua sử dụng. Vùng SOC được kiểm tra nằm dưới giả định rằng pin đã qua sử dụng hoặc có SOC thấp hoặc phải xả bắt buộc để đáp ứng yêu cầu lưu trữ an toàn tại kho, do đó giới hạn trên của SOC được đặt ở mức 50%. Trong Hình 2d, chiều đầu tiên của các đặc trưng được trích xuất từ pin lão hóa tăng tốc (NMC, 2,1 Ah) và pin lão hóa lái xe EV (NMC, 21 Ah) được minh họa. Mặc dù có sự khác biệt về thiết kế dung lượng và kiểu sử dụng lịch sử, phản ứng điện áp xung thể hiện một mô hình suy giảm nhất quán, và tương tự đối với các pin đã qua sử dụng khác cho các chiều đặc trưng khác, xem Hình Bổ sung 2–5. Tuy nhiên, phân bố SOC của pin đã qua sử dụng là liên tục và do đó không thể cạn kiệt bằng các phép đo vật lý. Thay vì mở rộng quy mô kiểm tra dữ liệu, chúng tôi sử dụng dữ liệu phản ứng điện áp xung đã được kiểm tra để tạo ra nhiều dữ liệu đa dạng hơn trên các điều kiện SOC. Trong Hình 2e, hai kịch bản tạo sinh, tức là nội suy và ngoại suy, được minh họa, với mức tiết kiệm điều kiện hóa đơn vị, tiết kiệm điện năng, giảm phát thải CO2 và phương pháp tính toán tương ứng được trình bày trong Bảng Bổ sung 1–3. Tạo dữ liệu phản ứng điện áp xung Chúng tôi đầu tiên xem xét việc sử dụng dữ liệu phản ứng điện áp xung đã được đo lường để tự tái tạo chúng, thay vì tạo trực tiếp các mẫu dữ liệu mới. Sự tái tạo có nghĩa là dữ liệu đo lường trước tiên được nén vào không gian biến tiềm ẩn trong khi duy trì cấu trúc được học từ các phân bố thống kê ban đầu (Hình Bổ sung 6) và sau đó giải nén thành các chiều ban đầu. Trong nghiên cứu này, sự tái tạo tương đương với việc giám sát giai đoạn đào tạo mô hình mạng thần kinh mã hóa và mô hình mạng thần kinh giải mã, như được minh họa trong Hình 1b. Ý tưởng cốt lõi là cân bằng giữa việc khai thác dữ liệu đo lường hạn chế và khám phá không gian dữ liệu mở rộng bằng cách sử dụng các phụ thuộc tiềm ẩn giữa các điều kiện loại bỏ và dữ liệu phản ứng điện áp xung với các cơ chế chú ý chéo, xem "Phương pháp". Sau đó, dữ liệu đo lường kết hợp với thông tin có điều kiện được đưa vào mạng thần kinh mã hóa, thu được các biến tiềm ẩn chứa các điều kiện loại bỏ. Các biến tiềm ẩn được nén được giải nén bằng cách đào tạo một mô hình mạng thần kinh giải mã và tái tạo các mẫu dữ liệu đầu vào, cũng được hướng dẫn bởi các điều kiện loại bỏ chuyển tiếp. Một đầu vào khác của mạng thần kinh giải mã chỉ là nhiễu ngẫu nhiên, tuân theo giả định Gaussian (Hình Bổ sung 7), không gây ra phép đo thử nghiệm vật lý nào khác có liên quan đến thời gian thử nghiệm bổ sung, tiêu thụ năng lượng và thậm chí cả nguy cơ an toàn. Hình 3a cho thấy kết quả tái tạo dữ liệu của chiều đặc trưng đầu tiên U1 ở các giá trị SOC đã chọn (35% và 50%), với sai số phần trăm tuyệt đối trung bình (MAPE) dưới 1%, cho thấy mô hình đã học được mối quan hệ phụ thuộc giữa dữ liệu phản ứng điện áp xung và điều kiện SOC. Các mối quan hệ phụ thuộc này có tính tổng quát trong một phạm vi SOH rộng, từ 0,6 đến 0,95. Đối với các chiều đặc trưng khác, kết quả tái tạo dữ liệu vẫn thỏa đáng, với MAPE dưới 1%, xem Hình 3b. Kết quả tái tạo cho các loại pin đã qua sử dụng khác (NMC, 21 Ah, LMO, 10 Ah và LFP, 35 Ah) được trình bày trong Hình Bổ sung 8–10, cho thấy tính tổng quát và linh hoạt của mô hình. Cần lưu ý rằng các vùng SOC thấp hơn thể hiện MAPE tái tạo tương đối cao hơn, mặc dù vẫn dưới 1%, điều này có thể được hợp lý hóa bởi độ nhạy của phản ứng phân cực ở các vùng SOC thấp. Do đó, khuyến nghị thực hiện tiêm xung ở vùng SOC trung bình để biểu diễn đáng tin cậy sự suy giảm của pin. Tuy nhiên, khi chúng tôi nhấn mạnh các điều kiện loại bỏ ngẫu nhiên với các SOC khác nhau, tiêm xung ở SOC cố định cần thời gian và năng lượng điều kiện hóa rộng rãi, làm trầm trọng thêm tình thế tiến thoái lưỡng nan giữa các vùng tiêm xung và thời gian cũng như chi phí điều kiện hóa không thể mua được, xem Hình Bổ sung 11. Biểu đồ đối xứng của kết quả đào tạo mô hình (tái tạo), với đặc trưng U1 ở điều kiện trạng thái sạc (SOC) đã chọn (35% và 50%) được minh họa. Bản đồ nhiệt về hiệu suất đào tạo mô hình cho các đặc trưng U1 đến U21. Mô phỏng SOC của pin đã qua sử dụng trong các kịch bản loại bỏ ngẫu nhiên, bao gồm các trường hợp nội suy và ngoại suy. Hiệu suất tạo dữ liệu dưới các kịch bản loại bỏ ngẫu nhiên, trong đó các thanh lỗi cho biết độ lệch chuẩn (σ) được tính toán trên các đặc trưng 21 chiều (n = 21 ở mỗi SOC trong mỗi trường hợp) và chiều cao của thanh cho biết giá trị trung bình của nó. Tiết kiệm chi phí điện và giảm phát thải CO2 cho các quy mô loại bỏ pin khác nhau bằng cách sử dụng các cài đặt trường hợp tạo dữ liệu khác nhau. Lưu ý rằng quy mô loại bỏ pin là logarit. Tất cả các kết quả đều từ pin NMC, 2,1 Ah để minh họa. Dữ liệu nguồn được cung cấp dưới dạng tệp Dữ liệu nguồn. a b c d e Với phương pháp học máy tạo sinh được đề xuất, chúng tôi nhấn mạnh rằng dữ liệu đã đo lường để đào tạo có chi phí thử nghiệm vật lý bổ sung, tuy nhiên, việc tạo ra dữ liệu này miễn phí. Trong Hình 3c, chúng tôi xác nhận tám trường hợp tạo dữ liệu, bao gồm nội suy và ngoại suy. Trong các trường hợp nội suy (từ Trường hợp 0 đến Trường hợp 3), giới hạn dưới và giới hạn trên của SOC cho dữ liệu đào tạo được cố định lần lượt ở 5% và 50%. So với đó, các trường hợp ngoại suy (từ Trường hợp 4 đến Trường hợp 7) có nghĩa là dữ liệu đã đo lường là độc quyền với dữ liệu chưa thấy OOD để tạo, một vấn đề đầy thách thức và mở trong cộng đồng học máy. Ở đây chúng tôi sử dụng kiến thức trước đó về pin đã qua sử dụng để mở rộng phân bố tiềm ẩn trong mạng thần kinh mã hóa, tổng quát hóa dữ liệu đã đo lường cho các điều kiện OOD, xem Phương pháp. Chúng tôi lưu ý rằng Trường hợp 4 và Trường hợp 5 là các ví dụ đồ chơi vì chi phí đào tạo của các trường hợp này cao hơn chi phí tiết kiệm được từ việc tạo ra cùng một lượng dữ liệu trong các điều kiện SOC chưa thấy. Tuy nhiên, chúng tôi vẫn sử dụng các ví dụ đồ chơi để chứng minh độ bền của việc mở rộng không gian tiềm ẩn trong các kịch bản loại bỏ pin tổng quát hơn. Do đó, trong thực tế, người dùng có thể tùy chỉnh chiến lược tạo dữ liệu dựa trên sự đánh đổi giữa chi phí đào tạo mô hình và độ chính xác tạo dữ liệu. Trong Hình 3d, hiệu suất tạo dữ liệu dựa trên khoảng cách trong các điều kiện loại bỏ chưa thấy được minh họa. Cần lưu ý rằng mô hình học máy tạo sinh được huấn luyện được sử dụng để tạo thêm các mẫu dữ liệu, đặc biệt là trong, nhưng không giới hạn ở, các điều kiện loại bỏ chưa thấy. Ví dụ, Trường hợp 3 sử dụng dữ liệu phản ứng điện áp xung được kiểm tra vật lý ở 5%, 25% và 50% SOC để tạo dữ liệu ở 10, 15, 20, 30, 35, 40 và 45% SOC. Tất cả các trường hợp nội suy đều thể hiện lỗi MAPE thấp dưới 2%, ngay cả khi mô hình chưa bao giờ được đào tạo với dữ liệu như vậy. Theo trực giác, các trường hợp ngoại suy Trường hợp 6 và Trường hợp 7 hứa hẹn hơn trong việc tiết kiệm chi phí tiền xử lý vì dữ liệu đào tạo được sử dụng tốn thời gian và chi phí để truy xuất. Chúng tôi chứng minh rằng ngay cả trong các trường hợp OOD, chiến lược học máy tạo sinh hướng dẫn thành công dữ liệu đã đo lường để tổng quát hóa cho dữ liệu OOD. Nếu không có việc mở rộng không gian tiềm ẩn, việc tạo dữ liệu thể hiện lỗi tăng rõ rệt khi dữ liệu đào tạo được đo lường vật lý ở xa điều kiện cần tạo, xem Hình Bổ sung 12. Hiện tượng này có một hàm ý hấp dẫn là người ta có thể khai thác dữ liệu đo lường để khám phá dữ liệu chưa thấy để truy xuất dữ liệu có chi phí cao hơn bằng các chiến lược tạo tùy chỉnh. Đối với hiệu suất tạo dữ liệu dựa trên phân bố, mô hình đạt được độ phân kỳ Kullback-Leibler thấp trên các cài đặt xác minh, cho thấy mô hình có thể tự động học phân bố của dữ liệu đã đo lường để tạo ra các mẫu dữ liệu đa dạng, xem Hình Bổ sung 13–16. Chúng tôi đánh giá mức tiết kiệm điện năng và lượng khí thải CO2 bằng các trường hợp tạo dữ liệu khác nhau. Hình 3e cho thấy mức tiết kiệm điện năng và khí thải CO2 theo thứ tự trường hợp tăng dần, và thanh màu ánh xạ các giá trị tương ứng. Ngoại trừ Trường hợp 4 và Trường hợp 5, hai ví dụ đồ chơi, chiến lược ngoại suy có thể tiết kiệm tới 60.000 USD chi phí điện và 460.000 kg khí thải CO2, giả sử quy mô loại bỏ pin là 1000 tấn. Ưu tiên này đạt được bằng cách tạo dữ liệu đắt tiền, cần chi phí điều kiện hóa SOC, từ dữ liệu đo lường vật lý hiệu quả về chi phí. Bên trong quá trình tạo nội suy, chúng tôi nhận thấy rằng mô hình không yêu cầu các điểm trung gian nghiêm ngặt để nội suy, dẫn đến ưu tiên sử dụng trong Trường hợp 3, sử dụng dữ liệu SOC 5%, 25% và 50%. Mặc dù có các độ khó trường hợp khác nhau, mô hình tạo dữ liệu rất dễ đào tạo, hội tụ trong chưa đầy 50 lần lặp lại trong vòng vài mili giây, xem Hình Bổ sung 17. Một khi mô hình tạo sinh được đào tạo đúng cách, người dùng có thể tạo ra dữ liệu không giới hạn trên các điều kiện loại bỏ rộng, mà không tốn chi phí đo lường, tạo điều kiện cho việc ước tính SOH pin đã qua sử dụng nhanh chóng, chính xác và bền vững cho các quyết định tái sử dụng và tái chế. Ước tính SOH pin đã qua sử dụng với các đặc trưng phản ứng điện áp xung được tạo ra Chúng tôi sử dụng các đặc trưng phản ứng điện áp xung được tạo ra để ước tính SOH của pin đã qua sử dụng. Trong Hình 4a, hiệu suất ước tính SOH trong các trường hợp loại bỏ pin khác nhau được minh họa, trong đó các điểm tán xạ được tô bóng và các vùng trống đại diện cho các điều kiện đào tạo và kiểm tra của mô hình tạo sinh. Lấy Trường hợp 3 làm ví dụ, các phép đo xung vật lý được thực hiện ở 5, 25 và 50%, được sử dụng để đào tạo mô hình tạo sinh. Mô hình được huấn luyện tạo ra dữ liệu chưa thấy ở 10, 15, 20, 30, 35, 40 và 45% SOC, được sử dụng làm dữ liệu đầu vào của mô hình hồi quy để thực hiện ước tính SOH ở các mức SOC chưa thấy này. Bất kể sự khan hiếm dữ liệu, chúng tôi chứng minh rằng dữ liệu được tạo ra thành công giúp ước tính SOH chính xác với MAPE trung bình và độ lệch chuẩn lần lượt là 4,9% và 2,9% trong cả các trường hợp diễn giải và ngoại suy. Tuy nhiên, việc tạo dữ liệu nội suy dẫn đến ước tính chính xác và ổn định hơn. MAPE trung bình và độ lệch chuẩn trong các trường hợp nội suy lần lượt là 4,4% và 2,5%; MAPE trung bình và độ lệch chuẩn trong các trường hợp ngoại suy lần lượt là 6,0% và 2,7%. Hiện tượng này có thể được hợp lý hóa bởi những thách thức trong các vấn đề OOD, tuy nhiên, điều này được hiệu chỉnh nhờ tích hợp kiến thức trước đó vào việc mở rộng không gian tiềm ẩn, xem "Phương pháp". Kết quả ước tính SOH tại các giá trị SOC đã chọn được trình bày trong Hình 4b với các biểu đồ đối xứng, cho thấy việc tạo dữ liệu thành công trên các điều kiện SOC rộng.