Trí tuệ nhân tạo tạo sinh thúc đẩy việc tái sử dụng bền vững pin lithium-ion đã ngừng hoạt động

```html 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 yêu cầu dữ liệu phải được chuẩn bị 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 hỗ trợ bởi học sinh tạo là đầy hứa hẹn trong việc giảm thiểu các thách thức về thiếu và không đồng nhất dữ liệu, được xác nhận thông qua một bộ dữ liệu tiêm xung với 2700 mẫu pin lithium-ion đã qua sử dụng, bao gồm 3 loại vật liệu cực dương, 3 định dạng vật lý, 4 thiết kế dung lượng và 4 kiểu sử dụng lịch sử với 10 mức 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 điều kiện SOC chưa thấy. Chúng tôi dự đoán rằng giả sử kỹ thuật được đề xuất được triển khai đồng nhất, điều này sẽ tiết kiệm được 4,9 tỷ USD chi phí điện năng và 35,8 tỷ kg phát thải CO2 bằng cách giảm chi phí chuẩn bị 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 sinh tạo, vì 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 dựa trên nhiên liệu hóa thạch một cách chưa từng có. Pin lithium-ion đóng vai trò quan trọng trong quá trình 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 pin EV đang sử dụng và hết tuổi thọ 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 Storage Lab. Tuy nhiên, pin EV đã qua sử dụng bị điều chỉnh nghiêm ngặt với giá trị dung lượng còn lại chưa được khai thác hết, thường trên 80% dung lượng định mức. Nếu không được xử lý đúng cách, điều này 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 quan ngại về sự gia tăng đột ngột của pin đã qua sử dụng 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 chạy tốc độ thấp. Tuy nhiên, tái sử dụng đòi hỏi các bước tiền xử lý sơ bộ, bao gồm sàng lọc độ nhất quán, phân loại dung lượng và nhóm lại để đáp ứng yêu cầu ứng dụng. Mặc dù đã bắt đầu các chương trình thử nghiệm, việc thiếu các tiêu chuẩn nghiêm ngặt cho các kịch bản sử dụng và lộ trình loại bỏ cản trở việc sử dụng hợp lý dung lượng còn lại. Tái chế sử dụng giá trị còn lại của pin đã qua sử dụng bằng cách chiết xuất vật liệu hoặc sửa chữa cấu trúc, phù hợp với pin đã bị suy giảm không thể đảo ngược. So với luyện kim nhiệt và luyện kim ướt, tái chế trực tiếp nổi bật về lợi nhuận cao hơn, tiêu thụ năng lượng thấp hơn và giảm phát thải carbon. Tận dụng việc bổ sung lithium và xử lý hậu kỳ vật liệu cực dương, 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 tạo ra kiềm dư trên bề mặt cực dương, làm suy giảm hiệu suất phục hồi. Thật không may, việc truy xuất SOH đòi hỏi đặc tính 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 hoạt động 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, tân trang hoặc tái chế vào cuối vòng đời. Tuy nhiên, quy trình giám sát và ghi nhật ký cần thiết chỉ có thể truy cập được trong giai đoạn dịch vụ của EV, pin đã qua sử dụng không còn kết nối với đơn vị giám sát trong xe. Do đó, rất khó để truy xuất dữ liệu SOH có sẵn trong thực tế. Tính toàn vẹn dữ liệu vòng đời vẫn là một thách thức lớn, đòi hỏi ước tính SOH chỉ sử dụng dữ liệu thực tế, trái ngược với dữ liệu lịch sử hoặc trong điều kiện có thể kiểm soát. Một giải pháp là thực hiện bài kiểm tra hiệu chuẩn dung lượng tại trường thu gom pin đã qua sử dụng, tức là điều kiện hóa trạng thái sạc (SOC), điều này đơn giản, tuy nhiên, nó đòi hỏi thời gian kiểm tra không thể chấp nhận được và chi phí điện bổ sung. Bài kiểm tra đặc trưng năng lượng xung kết hợp là một giải pháp thay thế cho việc 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. Những tiến bộ gần đây trong các phép đo dựa trên cảm biến bao gồm chụp 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 giải quyết sự suy giảm pin mà không gây hư hại vật lý, đồng thời nhanh hơn các phương pháp dựa trên sạc một phần và trở kháng điện hóa. Tuy nhiên, tiêm xung là một phương pháp lấy dữ liệu làm trung tâm chỉ khả thi theo giả định lý tưởng rằng dữ liệu đo vật lý bao gồm các điều kiện loại bỏ của giai đoạn triển khai mô hình, được gọi là thách thức dịch chuyển miền chung trong cộng đồng học máy. Mặc dù có những tiến bộ trong các phương pháp học chuyển giao và điều chỉnh miền, các thách thức vẫn tồn tại vì miền đích để 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 thiếu hụt và không đồng nhất dữ liệu trong khi 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 các ưu tiên động học phản ứng ở các trạng thái trung gian khác nhau trong một quá 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 tăng cường dữ liệu cho việc đào tạo mô hình học máy. Ngoài ra, học sinh tạo cũng thể hiện khả năng ước tính SOH với dữ liệu được tăng cường từ các hồ sơ đã được quay vòng một phần, tiết kiệm dữ liệu được kiểm tra vật lý cần thiết. Tuy nhiên, sự thiếu hụt và không đồng nhất 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 dương, định dạng vật lý, thiết kế dung lượng và kiểu sử dụng lịch sử, hạn chế tiềm năng tích hợp kiến thức điều kiện cụ thể về suy giảm vào các mô hình học máy. Do đó, có thể 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 thời gian hiệu chuẩn dung lượng chuỗi dài và các thí nghiệm vật lý bổ sung đồng thời, để tăng cường 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 dựa trên sự chú ý với thời gian và chi phí đo lường vật lý đã được lưu. Quy trình cấp cao của các bước tiền xử lý chung, đào tạo mô hình sinh tạo và các bước triển khai mô hình thực tế được minh họa trong Hình. Ý tưởng nghiên cứu là sử dụng học sinh tạo 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 trong giai đoạn thu gom pin đã qua sử dụng. Ước tính SOH hạ nguồn được thực hiện mà không cần dữ liệu phản ứng xung được đo vật lý, tiết kiệm chi phí điện tiền xử lý và phát thải carbon lẽ ra cần thiết từ việc điều kiện hóa SOC đến mức mong muốn. So với phương pháp tích phân ampe-giờ và tiêm xung học máy, học sinh tạo 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 sai số thấp dưới điều kiện SOC chưa thấy hoặc không thể truy cập, một vấn đề thách thức ngoài phân phối (OOD). 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 vật lý, bao gồm 3 loại vật liệu cực dương, 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 sinh tạo phù hợp để 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 của các tham số mô hình, tiết kiệm thời gian đo lường, chi phí điện và phát thải carbon do đó mà không làm giảm độ chính xác ước tính SOH. Một nghiên cứu trường hợp toàn cầu thận trọng 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 nhiệt, luyện kim ướt và tái chế trực tiếp. Thông qua phân tích kinh tế kỹ thuật, ước tính SOH hỗ trợ bởi học sinh tạo có thể tiết kiệm 4,9 tỷ USD chi phí điện và 35,8 tỷ kg phát thải CO2 vào năm 2030 trên toàn cầu. Chúng tôi thảo luận về khả năng diễn giải mô hình, ý nghĩa 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 tái sử dụng hoặc tái chế. Điều kiện hóa SOC đề cập đến việc điều chỉnh giá trị SOC của pin đã qua sử dụng đến các mức mong muốn bằng phương pháp dòng điện không đổi điện áp không đổi (CCCV) truyền thống. Sơ đồ của bộ mã hóa tự động biến đổi dựa trên sự chú ý để tạo dữ liệu phản ứng điện áp xung. >Việc sử dụng thực tế mô hình tạo dữ liệu để ước tính SOH không yêu cầu điều kiện hóa SOC bổ sung. Mô hình học máy đã được đào tạo 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 chóng của phương pháp học sinh tạo 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 Thiếu dữ liệu và không đồng nhất 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 đã qua sử dụng về mặt vật lý trên các mức SOC rộng, tức là từ 5% đến 50% với khoảng cách 5%. Trong Hình [cite:2a], bộ dữ liệu bao gồm 3 loại vật liệu cực dương phổ biến, bao gồm 119 pin NMC (oxit niken mangan coban) được thu thập về mặt 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, dạng túi, dạng 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 có tính 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 vật lý. >Biểu đồ Sankey cho phân bố pin đã qua sử dụng, bao gồm các loại vật liệu cực dương, định dạng vật lý, thiết kế dung lượng và kiểu sử dụng lịch sử. >Dòng điện xung và phản ứng điện áp tiếp theo của pin đã qua sử dụng, trong đó các đặc trưng 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 ở tốc độ C. Lưu ý rằng thuật ngữ C biểu thị tốc độ sạc (xả) khi thực hiện sạc (xả) trong 1 giờ. Nhiệt độ môi trường được kiểm soát ở mức 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. >Mối quan hệ giữa phản ứng điện áp xung đo được và SOH đã 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 trong các phân bố loại bỏ pin đã qua sử dụng khác nhau. Cài đặt thử nghiệm chi tiết có trong, lưu ý rằng cài đặt tốc độ C giống hệt nhau giữa các loại vật liệu cực dương. Dữ liệu nguồn được cung cấp dưới dạng tệp Dữ liệu Nguồn. a b c d e So với thử nghiệm dòng điện không đổi điện áp không đổi (CCCV) thông thường, thử nghiệm xung không yêu cầu thời gian thử nghiệm kéo dài và không gây thêm hư hại cho pin đã qua sử dụng. Do đó, chúng tôi sử dụng kết quả CCCV làm giá trị dung lượng chuẩn SOH. Dữ liệu thử nghiệm xung được sử dụng làm dữ liệu đào tạo cho mô hình học sinh tạo. Ngay cả khi loại vật liệu cực dương của pin khác nhau, chúng tôi thực hiện kỹ thuật đặc trưng tiêu chuẩn hóa và có thể truy cập, đảm bảo khả năng tương thích trong sử dụng thực tế. Hình [cite:2b] minh họa việc trích xuất đặc trưng sau khi tiêm dòng điện xung. Các cài đặt thí nghiệm tiêm xung và CCCV có thể được tìm thấy trong Lưu ý bổ sung. Đối với năm xung 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 làm 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 về độ rộng xung với hai mục đích để xác minh độ mạnh mẽ của xung và rút ngắn thêm thời gian thử nghiệm, dao động từ 30 ms đến 5 giây. Chúng tôi xem xét quá trình lão hóa tăng tốc trong các thử nghiệm trong phòng thí nghiệm (Lưu ý bổ sung) và lão hóa lái xe EV thực tế, mặc dù không đề cập đến các cấu hình lái xe cụ thể do các hạn chế về quyền riêng tư dữ liệu. Trong Hình [cite:2c], phân bố SOH của pin lão hóa tăng tốc (NMC, 2,1 Ah) và pin lão hóa lái xe EV thuần túy (NMC, 21 Ah) được minh họa. Lưu ý rằng các giá trị SOH bổ sung nhau trong một vùng SOH rộng, từ 0,6 đến 1, dữ liệu được thu thập đại diện cho các kịch bản loại bỏ pin, cũng như các trường hợp loại bỏ sớm cực đoan. Phân bố SOH của các pin được thu thập khác (LMO, 10 Ah và LFP 35 Ah) bao phủ một phân bố SOH rộng, xem Hình bổ sung. Các thử nghiệm xung được lặp lại ở các mức SOC khác nhau, dao động từ 5% đến 50%, để mô phỏng tính ngẫu nhiên của việc thu gom pin đã qua sử dụng. Vùng SOC được thử nghiệm nằm trong giả định rằng pin đã qua sử dụng có SOC thấp hoặc phải xả bắt buộc để đáp ứng yêu cầu lưu trữ an toàn trong kho, do đó giới hạn trên của SOC được đặt ở mức 50%. Trong Hình [cite:2d], chiều thứ nhất 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 mẫu suy giảm nhất quán, tương tự như các pin đã qua sử dụng khác cho các chiều đặc trưng khác, xem Hình bổ sung–. Tuy nhiên, phân bố SOC của pin đã qua sử dụng là liên tục, và do đó không thể bao phủ hết 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 dữ liệu đa dạng hơn trên các điều kiện SOC. Trong Hình [cite:2e], hai kịch bản tạo, tức là nội suy và ngoại suy, được minh họa, với mức tiết kiệm điều kiện hóa đơn vị, tiết kiệm điện, giảm phát thải CO2 và phương pháp tính toán của chúng được trình bày trong Bảng bổ sung–, tương ứng. 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. Việc tái tạo có nghĩa là dữ liệu đo lường được nén vào một không gian biến tiềm ẩn trong khi duy trì cấu trúc đã học từ các phân bố thống kê ban đầu (Hình bổ sung) và sau đó được giải nén về các chiều ban đầu. Trong nghiên cứu này, việc tái tạo tương đương với việc giám sát giai đoạn đào tạo mô hình mạng nơ-ron mã hóa và mô hình mạng nơ-ron giải mã, như minh họa trong Hình [cite:1b]. Ý tưởng cốt lõi là cân bằng 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 được hợp nhất với thông tin có điều kiện được đưa vào mạng nơ-ron 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 mô hình mạng nơ-ron 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 nơ-ron giải mã chỉ là nhiễu ngẫu nhiên, tuân theo giả định Gaussian (Hình bổ sung), không yêu cầu phép đo thực nghiệm vật lý nào khác liên quan đến thời gian kiểm tra bổ sung, tiêu thụ năng lượng và thậm chí cả rủi ro an toàn. Hình [cite: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) thấp hơn 1%, cho thấy mô hình đã học được mối quan hệ phụ thuộc giữa dữ liệu phản ứng điện áp xung và các 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 vẫn thỏa đáng, với MAPE thấp hơn 1%, xem Hình [cite: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–, chứng minh tính tổng quát và linh hoạt của mô hình. Cần lưu ý rằng các vùng SOC thấp hơn cho thấy MAPE tái tạo tương đối cao hơn, mặc dù vẫn thấp hơn 1%, điều này có thể được hợp lý hóa bởi độ nhạy của phản ứng phân cực ở các vùng SOC thấp. Do đó, nên thực hiện tiêm xung ở vùng SOC trung bình để đại diện đáng tin cậy cho sự suy giảm của pin. Tuy nhiên, khi chúng tôi nhấn mạnh các điều kiện loại bỏ ngẫu nhiên với các SOC khác nhau, việc tiêm xung ở SOC cố định cần thời gian điều kiện hóa và tiêu thụ năng lượng đáng kể, làm trầm trọng thêm tình thế tiến thoái lưỡng nan giữa các vùng tiêm xung và thời gian, chi phí điều kiện hóa không thể chấp nhận được, xem Hình bổ sung. >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 trong các kịch bản loại bỏ ngẫu nhiên, trong đó các thanh lỗi biểu thị 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 sử dụng các cài đặt trường hợp tạo dữ liệu khác nhau. Lưu ý rằng quy mô loại bỏ pin là logarit. Tất cả 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 sinh tạo được đề xuất, chúng tôi nhấn mạnh rằng dữ liệu đã đo lường cho mục đích đào tạo có chi phí là các thử nghiệm vật lý bổ sung, tuy nhiên, việc tạo ra là miễn phí. Trong Hình [cite:3c], chúng tôi xác thực 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 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 thách thức và mở trong các 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 nơ-ron 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 cùng một lượng dữ liệu dưới các điều kiện SOC chưa thấy. Tuy nhiên, chúng tôi vẫn sử dụng các trường hợp đồ chơi để chứng minh độ mạnh mẽ của việc mở rộng không gian tiềm ẩn trong các cài đặt 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 [cite: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 sinh tạo đã được đào tạo được sử dụng để tạo ra nhiều mẫu dữ liệu hơn, đặc biệt là trong, nhưng không giới hạn, 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 các mức SOC 5%, 25% và 50% để tạo dữ liệu ở các mức SOC 10%, 15%, 20%, 30%, 35%, 40% và 45%. Tất cả các trường hợp nội suy đều thể hiện sai số 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 có hiệu quả về thời gian và chi phí để truy xuất. Chúng tôi chứng minh rằng ngay cả trong các trường hợp OOD, chiến lược học sinh tạo 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 sai số tăng rõ rệt khi dữ liệu đào tạo được đo vật lý ở xa điều kiện cần tạo, xem Hình bổ sung. Hiện tượng này có ý nghĩa hấp dẫn là người ta có thể khai thác dữ liệu đã đo để khám phá dữ liệu chưa thấy để truy xuất dữ liệu có chi phí cao hơn bằng các chiến lược tạo tùy chỉnh. Liên quan đến 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 để tạo ra các mẫu dữ liệu đa dạng, xem Hình bổ sung–. Chúng tôi đánh giá mức tiết kiệm điện năng và phát thải CO2 bằng các trường hợp tạo dữ liệu khác nhau. Hình [cite:3e] cho thấy mức tiết kiệm điện năng và phát thải CO2 theo thứ tự trường hợp tăng dần và thanh màu biểu thị 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 phát thải CO2, giả sử quy mô loại bỏ pin là 1000 tấn. Ưu tiên này đạt được bằng cách tạo dữ liệu đắt tiền, đòi hỏi chi phí điều kiện hóa SOC, từ dữ liệu đo vật lý hiệu quả về chi phí. 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 những khó khăn khác nhau trong các trường hợp, mô hình tạo dữ liệu rất dễ đào tạo, hội tụ trong vòng chưa đầy 50 lần lặp trong khoảng thời gian mili giây, xem Hình bổ sung. Một khi mô hình tạo được đào tạo phù hợp, người dùng có thể tạo 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 để đưa ra 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 [cite:4a], hiệu suất ước tính SOH trong các trường hợp loại bỏ pin khác nhau được minh họa, trong đó các vùng tô bóng và các vùng trống biểu thị các điều kiện kiểm tra và đào tạo của mô hình tạo, tương ứng. Lấy Trường hợp 3 làm ví dụ, các phép đo xung vật lý được thực hiện ở các mức 5%, 25% và 50%, được sử dụng để đào tạo mô hình tạo. Mô hình đã được đào tạo tạo ra dữ liệu chưa thấy ở các mức SOC 10%, 15%, 20%, 30%, 35%, 40% và 45%, được sử dụng làm dữ liệu đầu vào của một mô hình hồi quy để thực hiện ước tính SOH ở các mức SOC chưa thấy này. Bất kể sự thiếu hụt dữ liệu, chúng tôi chứng minh rằng dữ liệu được tạo ra đã thành công trong việc hỗ trợ 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 nội suy 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