Diese datenschutzfreundliche KI könnte aus Batteriemüll einen großen Gewinn machen

Autoren: 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 Abstract Unsortierte Altbatterien mit unterschiedlichen Kathodenmaterialien behindern die Einführung des direkten Recyclings aufgrund ihrer spezifischen Kathodeneigenschaften. Der Anstieg gebrauchter Batterien erfordert eine präzise Sortierung für ein effektives direktes Recycling, aber Herausforderungen ergeben sich aus unterschiedlichen Betriebshistorien, verschiedenen Herstellern und Bedenken hinsichtlich des Datenschutzes von Recyclingkooperationspartnern (Dateneigentümern). Hier zeigen wir, basierend auf einem einzigartigen Datensatz von 130 Lithium-Ionen-Batterien mit 5 Kathodenmaterialien und 7 Herstellern, dass ein föderierter maschineller Lernansatz diese gebrauchten Batterien klassifizieren kann, ohne auf Vergangenheitsdaten angewiesen zu sein und dabei den Datenschutz von Recyclingkooperationspartnern zu wahren. Durch die Nutzung der Merkmale, die aus dem Lade-Entlade-Zyklus am Ende der Lebensdauer extrahiert werden, weist unser Modell 1 % bzw. 3 % Fehler bei der Kathodensortierung unter homogenen und heterogenen Batterie-Recyclingbedingungen auf, was auf unsere innovative Wasserstein-Distanz-Voting-Strategie zurückzuführen ist. Wirtschaftlich unterstreicht die vorgeschlagene Methode den Wert einer präzisen Batterietrennung für eine florierende und nachhaltige Recyclingindustrie. Diese Studie leitet ein neues Paradigma ein, das datenschutzsensible Daten aus verschiedenen Quellen nutzt und kollaborative und datenschutzkonforme Entscheidungsfindung für verteilte Systeme ermöglicht. Einleitung Lithium-Ionen-Batterien (LIBs) sind als Energiespeichergeräte weit verbreitet, von der industriellen Produktion bis zum täglichen Leben als anerkannte technische Route. Prognosen zufolge wird die globale Produktionsmenge von LIBs bis 2030 1,3 TWh übersteigen , wenn die steigende Nachfrage nach Batterien die Verfügbarkeit wichtiger Metallressourcen wie Lithium und Kobalt bei weitem übersteigt , . Die durchschnittliche Lebensdauer von LIB-Produkten beträgt jedoch derzeit 5–8 Jahre, was zu einem bevorstehenden Anstieg von Altbatterien in vielen Ländern führt. Wenn Altbatterien nicht ordnungsgemäß gehandhabt werden, führen sie zu unhaltbarem Ressourcenverschwendung und Umweltschäden. Angesichts dieser Umstände ist die Entwicklung von Batterierecyclingtechnologien von entscheidender Bedeutung, wenn wir uns der bevorstehenden Welle von LIB-Altgeräten stellen . 1 2 3 4 Jüngste Fortschritte in der Batterierecyclingsforschung konzentrieren sich auf pyrometallurgische, hydrometallurgische und direkte Recyclingansätze . Im Gegensatz zu den pyrometallurgischen und hydrometallurgischen Methoden unterscheidet sich das direkte Recycling als eigenständiger Ansatz. Dieser Prozess fügt der Materialstruktur keinen sekundären Schaden zu und ermöglicht eine effizientere strukturelle Reparatur und Leistungssteigerung. Darüber hinaus ist das direkte Recycling rentabler, da es einen geringeren Energieverbrauch, reduzierte Treibhausgasemissionen und geringere Umwelteinflüsse aufweist , . In der tatsächlichen Produktion stoßen Batterie-Recycler häufig auf LIBs, die unbekannte Komponenten enthalten, oder auf Batteriemodule, die eine Mischung aus verschiedenen Kathodenmaterialtypen aufweisen. Da das direkte Recycling stark vom Kathodenmaterial abhängt, macht eine solche Komplexität die Anwendung des direkten Recyclings für die Wertschöpfung der Altbatterien unmöglich . Es ist wichtig hervorzuheben, dass selbst wenn die wichtigen Metalle aus gemischten Kathodenmaterialtypen mit herkömmlichen Recyclingstrategien extrahiert werden können, die Wechselwirkung zwischen verschiedenen Kathodenmaterialien während des Recyclingprozesses die Produktqualität negativ beeinflussen kann . Daher hat das Verständnis der Informationen über den Kathodenmaterialtyp auf der Recyclingseite einen erheblichen Einfluss auf die Wahl der direkten Recyclingroute und verbessert letztendlich die Produktqualität, Rentabilität und Nachhaltigkeit. 5 6 7 8 9 Menschlich unterstütztes direktes Recycling wurde vorgeschlagen, um Informationen über den Kathodenmaterialtyp von Altbatterien im Vorbehandlungsschritt zu identifizieren, was jedoch immer noch nicht wirtschaftlich ist, wenn die Recyclingindustrie skaliert . Um die Informationen über den Kathodentyp von Altbatterien effektiv abzurufen, hat die wissenschaftliche und industrielle Gemeinschaft kürzlich ein System zur Nachverfolgung der Batterielebensdauer und aufkommende Konzepte wie den Batteriepass und das Batterie-Daten-Genom initiiert. Obwohl erhebliche Mengen an Batterien vor diesen Initiativen verwendet wurden, gibt es einen wachsenden Konsens, dass Batterieinformationen während der gesamten Lebenskette zugänglich sein sollten, um Entscheidungen für die zweite Lebensdauer zu erleichtern . Dies gilt insbesondere für den Batterierecyclingsektor, die letzte Station der zweiten Lebensdauer der Batterie, da die Recyclingroute stark vom Kathodenmaterial abhängen kann. Batterielebensdauer-Verfolgungssysteme oder Batteriepässe werden jedoch durch elektronische Geräte wie Barcodes und Near-Field-Communication ermöglicht, die eine intensive Investition erfordern und mit verschiedenen Batterieherstellern weitgehend inkompatibel sein könnten. Darüber hinaus bleiben elektronische Geräte während ihrer gesamten Lebensdauer eine Herausforderung für die konsistente Verwaltung, was zu abgenutzten Geräten und mangelnder Zugänglichkeit im Recyclingstadium führt, da der moderne Herstellungsprozess von LIBs immer noch nicht integriert ist von der Produktion bis zum Recycling . Daher sind weitere Durchbrüche dringend erforderlich, um eine effiziente Sortierung nach Kathodenmaterialtyp von Batterien nur anhand leicht zugänglicher Feldinformationen zu erreichen , , im Gegensatz zu historischen aufgezeichneten Daten oder auf menschliche Weise, was die Einführung des direkten Recyclings zur Verbesserung der Qualität und Rentabilität recycelter Produkte erleichtert. 1 10 11 12 13 14 15 16 In den letzten Jahren hat sich maschinelles Lernen als praktikables Werkzeug zur Lösung offener Fragen in allen Batteriebereichen erwiesen. In anderen batteriebezogenen Themen hat maschinelles Lernen es uns kürzlich ermöglicht, komplexe Batteriemechanismen automatisch zu entdecken , , , die verbleibende nützliche Lebensdauer vorherzusagen , , , , , den Gesundheitszustand zu bewerten , , , das Zyklusprofil zu optimieren , , die Ausfallverteilung anzunähern , und sogar das lebenslange Leistungsvermögen unmittelbar nach der Herstellung vorherzusagen , , . Im Fall des Batterierecyclings haben wenige Arbeiten maschinelles Lernen in Bezug auf Kathodenmaterialien untersucht , , was auf die knappen Batteriedaten zurückzuführen ist, insbesondere für diejenigen, die bis zum Ende der Lebensdauer zyklisiert wurden. Die überwiegende Mehrheit der veröffentlichten Studien zeigt sehr begrenzte Stichprobengrößen und ist noch stärker in der Kathodenvielfalt von Batterien eingeschränkt . Die Knappheit wird auf die hohen Kosten, die lange Testzeit und vor allem auf den Datenschutz aufgrund kommerzieller oder interessenbezogener Gründe zurückgeführt. Folglich verhärtet das Datenschutzproblem das Dilemma, bei dem die vorhandenen Batteriedaten, obwohl sie in Volumen und Vielfalt von mehreren Parteien wie Batterieherstellern, praktischen Anwendungen, akademischen Einrichtungen und Drittplattformen umfangreich sind, nicht geteilt werden können. Ein solches Dilemma erfordert die Untersuchung der Kathodenmaterialsortierung zur Optimierung der Wahl der Batterierecyclingroute auf kollaborative, aber datenschutzwahrende Weise. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Föderiertes maschinelles Lernen, als verteilter und datenschutzwahrender Paradigma, hat das Potenzial, sowohl die Multi-Parteien-Zusammenarbeit (gleichbedeutend mit dem Datenvolumen und der Vielfalt der Batteriedaten) als auch Datenschutzprobleme durch kollaboratives maschinelles Lernen zu lösen , , . Bei jeder Trainingsiteration führen die verteilten Dateneigentümer lokales Training mit ihrer lokalen Rechenleistung durch, verschlüsseln die trainierten Modellparameter/Ergebnisse und laden sie zu einem zentralen Koordinator zur Aggregation hoch. Tatsächlich verlassen Rohdatensätze nie ihre jeweiligen Dateneigentümer und übertragene Parameter/Ergebnisse werden ordnungsgemäß verschlüsselt, um den Datenschutz zu schützen. Föderiertes maschinelles Lernen wurde in zahlreichen Anwendungsbereichen umfangreich untersucht, darunter im öffentlichen Gesundheitswesen , , klinische Diagnose , , , E-Commerce , Internet der Dinge , mobile Computer und Smart Grids , , . Dieser Ansatz kann das datengesteuerte Forschungsparadigma in weiten Energiesektoren revolutionieren, indem er kollaborative Ansätze ermöglicht, die den Datenschutz wahren, insbesondere für diejenigen mit eingeschränktem Datenzugang. In Bezug auf das Batterierecycling nimmt föderiertes maschinelles Lernen vielversprechende Möglichkeiten zur Nutzung der riesigen Menge an vorhandenen Batteriedaten an, die jedoch aus Datenschutzgründen nicht geteilt werden können. Mit einem solchen kollaborativen und gleichzeitig datenschutzwahrenden Paradigma kann die Sortierung von Altbatterien mit hoher Genauigkeit, Effizienz, Skalierbarkeit und Generalisierbarkeit implementiert werden, was die Qualität und Rentabilität recycelter Produkte optimiert. Soweit wir wissen, wurden bisher keine Studien zum föderierten maschinellen Lernen im Bereich Batterierecycling veröffentlicht. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 In dieser Studie führen wir eine Sortierung von Altbatterien nach Kathodenmaterial unter Nutzung der vorhandenen Batteriedaten von mehreren Kooperationspartnern, wie z. B. Batterieherstellern, Betreibern von praktischen Anwendungen, akademischen Forschungseinrichtungen und Drittplattformen, in einer kollaborativen und gleichzeitig datenschutzwahrenden maschinellen Lernweise durch, wie in Abb. dargestellt. Unser föderiertes Modell für maschinelles Lernen wurde mit nur einem Zyklus von Feldtestdaten über einen standardisierten Prozess zur Merkmalsextraktion trainiert, ohne vorherige Kenntnis der historischen Betriebsbedingungen. Wir vergleichen die prädiktive Leistung unseres föderierten Modells für maschinelles Lernen mit der von unabhängig gelernten lokalen Modellen, die auf lokalen Daten basieren, sowohl unter homogenen als auch unter heterogenen Batterie-Recyclingbedingungen. Das Heterogenitätsproblem wird durch unsere vorgeschlagene Wasserstein-Distanz-Voting-Strategie gelöst. Eine wirtschaftliche Bewertung des Recyclings von Altbatterien mit unserem vorgeschlagenen föderierten Framework für maschinelles Lernen wird durchgeführt und unterstreicht die Relevanz und Notwendigkeit einer genauen Sortierung von Altbatterien. Wir diskutieren umfassend die Modellinterpretierbarkeit, die Auswirkungen auf das Batterierecycling und die breiteren Aussichten für die zukünftige Praxis des Batterierecyclings, integriert mit föderiertem maschinellem Lernen. 1 Mehrere Datenquellen, wie Batteriehersteller (Bild mit freundlicher Genehmigung von Addionics), Betreiber von praktischen Anwendungen (Batteriepack im Unterboden eines Tesla. Bild mit freundlicher Genehmigung von Tesla), akademische Forschungseinrichtungen und Drittplattformen, können Datenbeitragende sein. Die Batteriedaten werden weder zwischen den Beitragenden ausgetauscht noch an den Batterie-Recycler hochgeladen. Stattdessen trainieren die Datengeber lokale Modelle und teilen Modellparameter mit dem Batterie-Recycler, um ein globales Modell zu erstellen. Die vorgeschlagene Wasserstein-Distanz-Voting-Technik verschmilzt die lokalen Modelle zu dem globalen Modell, das robust gegenüber Datenungleichgewichten und Rauschen ist. Batterie-Recycler können das gemeinsam erstellte Modell zur Batterietrennung nutzen, kombiniert mit den leicht zugänglichen Feldtestdaten. Unser föderiertes Framework für maschinelles Lernen ermutigt Kooperationspartner zum Datenaustausch unter Wahrung des Datenschutzes, im Gegensatz zum traditionellen "Data-Islanding"-Paradigma. a b Ergebnisse Datenerfassung und Standardisierung Die einzigartigen Batteriekineiken in verschiedenen Batterietypen sind oft hochdimensional und schwer zu charakterisieren aufgrund unterschiedlicher Betriebsfälle, Fertigungsstreuungen und historischer Verwendungen . Um eine Lösung für dieses Dilemma zu finden, haben wir 130 Altbatterien mit 5 Kathodenmaterialtypen von 7 Herstellern gesammelt und standardisiert, um einen Out-of-Distribution-, gleichwertig heterogenen Datensatz zu erstellen. Aufgrund unterschiedlicher historischer Verwendungen liegen die Kapazitäten der gesammelten Batterien unter 90 % der Nennkapazität. Die Batteriekathodenmaterialien sind Lithium-Kobaltoxid (LCO), Nickel-Mangan-Kobaltoxid (NMC), Lithium-Eisenphosphat (LFP), Nickel-Kobaltoxid-Aluminiumoxid (NCA) und NMC-LCO-Mischtypen, die basierend auf den Herstellern weiter in 9 Klassen eingeteilt werden (Ergänzende Tabelle ). Wir schließen absichtlich Batterien mit unterschiedlichen historischen Verwendungen ein, von Labortests bis hin zu Fahrprofilen von Elektrofahrzeugen, um ein generalisiertes Modell für den Batterie-Recycler unabhängig von historischen Verwendungen und Batterietypen zu trainieren. 52 1 Für die Standardisierung sind alle vom Recycler benötigten Daten der aktuell erfasste (Feldtest-) Zyklus mit einem Lade- und Entladetest, der in praktischen Fällen leicht umzusetzen ist. Die erfassten Daten werden zunächst durch Füllen fehlender Werte, Ersetzen von Ausreißern und Medianfilterung entrauscht. Menschlich induzierte und durch Kathodenheterogenität induzierte Störungen werden jedoch bewusst beibehalten, um das Modell gegenüber unvollständigen Eingaben robust zu machen. Die Daten werden dann linear interpoliert für Kurvenfüllung (Ergänzende Abb. ) und mittels Feature-Engineering zur Dimensionsreduktion, mit einem gemeinsamen Satz von Standardisierungsparametern (Ergänzende Notiz ). Die aus der Standardisierungspipeline extrahierten Merkmale sind gut interpretierbar, ein Anliegen von erheblichem kommerziellem Interesse. Soweit wir wissen, ist dies das erste Mal, dass heterogene Batteriedaten aus mehreren Quellen und historischen Verwendungen zur Unterstützung des Strategiedesigns für das Batterierecycling genutzt werden. 1 1 Abbildung a, zeigen den Prozess des Feature-Engineerings. Wir konzentrieren uns auf die Lade- und Entladekurve der Altbatterien im letzten Zyklus, d. h. einen Lade- und einen Entladezyklus (Ergänzende Abbildungen – ). Im Ladezyklus werden 15 Merkmale aus den Spannungs-Kapazitäts- und dQ/dV-Kurven extrahiert, wobei V und Q für Spannungs- und Kapazitätswerte stehen. Derselbe Merkmalsatz wird für den Entladezyklus extrahiert. Infolgedessen werden insgesamt 30 Merkmale extrahiert, wie von F1 bis F30 angegeben. Eine detaillierte Erklärung der Merkmale finden Sie in Ergänzender Tabelle und Ergänzender Notiz . Abbildung c zeigt die absoluten und relativen Merkmalswerte der ausgewählten Batterien aus jeder Klasse. Die meisten relativen Merkmalswerte in verschiedenen Klassen überlappen sich im Bereich von -1 bis 0 (in hellgrüner Farbe) und sind nicht unterscheidbar, was die Schwierigkeit der Klassifizierung von Batterietypen anhand eines einzigen Zyklus von Batteriedaten verdeutlicht. Die Schwierigkeit ist zu erwarten, da die unterschiedlichen historischen Betriebsbedingungen die Lade-Entlade-Kinetik der Batterien beeinflussen können, so dass die extrahierten Merkmale trotz der unterschiedlichen Batterietypen weitgehend korreliert sein können (Ergänzende Abb. ). Anstatt die extrahierten Merkmale direkt mit Expertenwissen zu interpretieren, verwenden wir einen alternativen datengesteuerten Ansatz, der automatisch die latenten Muster über verschiedene Batterietypen hinweg nutzt. 2 b 2 5 2 2 2 6 Für den Ladevorgang werden 15 Merkmale aus der Spannungs-Kapazitäts-Kurve (links) und der dQ/dV-Kurve (rechts) extrahiert. Derselbe Merkmalsatz gilt für den Entladevorgang als F16 bis F30. Die Merkmale werden nach Klassen visualisiert, im Format CxBn, was die n-te Batterie aus Klasse x angibt. Die Größe eines Kreises entspricht dem absoluten Merkmalswert. Quelldaten sind als Quelldatei verfügbar. a b c Sortierung von Altbatterien mit homogenem Datenzugang Wir betrachten zunächst eine Situation, in der die Batteriedaten homogen über die Kooperationspartner (d. h. die Clients) verteilt sind. Die Homogenität bedeutet, dass jeder Client Batteriedaten für alle 9 Klassen zur Verfügung stellt, auch wenn die spezifische Anzahl der Batterien nicht begrenzt ist (Ergänzende Tabelle ). Wir trainieren unser föderiertes Modell für maschinelles Lernen, ohne Informationen über die historische Verwendung der Altbatterien zu benötigen. In unserer Arbeit müssen der Recycler und die Clients die Altbatterien nur im aktuellen (Feldtest-)Zyklus testen, insbesondere mit einem vollständigen Lade-Entlade-Zyklus für einen standardisierten Prozess des Feature-Engineerings, der vom Recycler initiiert wird. Lokale Modelle werden basierend auf den Merkmalen trainiert, die aus ihren privaten Batteriedaten extrahiert wurden. Das föderierte Framework für maschinelles Lernen aggregiert die lokalen Modellparameter, anstatt die privaten Batteriedaten, für den Recycler zur Klassifizierung der Altbatterien. 3 Abbildung zeigt die Sortierungsergebnisse, wenn Clients homogene Batteriedaten beitragen. Abbildung a vergleicht zwei föderierte Methoden des maschinellen Lernens, d. h. Mehrheits-Voting (MV) und unsere vorgeschlagene Wasserstein-Distanz-Voting (WDV), mit dem Paradigma des unabhängigen Lernens (IL). Es ist zu beachten, dass die Genauigkeit für IL über alle Clients nicht-föderiert gemittelt wird. Im Vergleich zu IL beeinträchtigt MV die Sortierleistung nicht, mit einer durchschnittlichen Genauigkeit von 95 %, während es in der Lage ist, den Datenschutz zu schützen und den Rechenaufwand zu reduzieren. Jedoch werden 3 Klassen mit MV falsch sortiert. Zum Beispiel werden 3 Batterien in NMC (SNL, Klasse 8, insgesamt 15) falsch in NCA (SNL, Klasse 7) sortiert, was zu einer Sortiergenauigkeit von 80 % führt. Die Sortiergenauigkeit für NCA (UL-PUR, Klasse 9) beträgt 81 %, wobei 2 Batterien falsch in NMC (MICH_Form, Klasse 4) und 1 Batterie falsch in NMC/LCO-Mischtyp (HNEI, Klasse 2) sortiert werden. Im Gegensatz dazu übertrifft WDV die MV, da nur eine Batterie falsch sortiert wurde, was zu einer Sortiergenauigkeit von 99 % führt. Wir bewerten auch die Vorhersagewahrscheinlichkeit jeder Klasse für MV und WDV. Es stellt sich heraus, dass WDV eine zuversichtlichere Sortierung als MV vornimmt, da die Vorhersagewahrscheinlichkeiten von WDV im Allgemeinen nach rechts zu einer höheren Wahrscheinlichkeit hin schief sind. Daher liefert unser vorgeschlagenes WDV höhere Sortiergenauigkeiten für alle Klassen, und die Sortierung erfolgt mit reicheren Wahrscheinlichkeitskonfidenzmargen. 3 3 Die Konfusionsmatrix für die Methoden Majority Voting (MV) und Wasserstein Distance Voting (WDV) jeweils. Wir betrachten die Verteilung der Vorhersagewahrscheinlichkeit für jede Klasse. Die Sortierung des unabhängigen Lernens (IL) ist annotiert. Verteilung der Sortiergenauigkeit und des Datenschutzbudgets (PB) von IL, MV und WDV bei Vorhandensein von Zufallsrauschen. Der PB-Wert bezieht sich auf eine Genauigkeit von 90 %. Durchschnittlicher F1-Score der Sortierungsergebnisse und PBs in jeder Klasse unter Verwendung von IL, MV und WDV. Die PB-Werte beziehen sich alle auf ein F1-Score-Niveau von 0,9. Die Daten werden als Mittelwerte ± 1 Standardabweichung dargestellt. Merkmalsbedeutung in absteigender Reihenfolge. Die Untergrafik zeigt den Merkmalsraum, der von den beiden wichtigsten Merkmalen aufgespannt wird. Die Daten werden als Mittelwerte ± 1 Standardabweichung dargestellt. Quelldaten sind als Quelldatei verfügbar. a b c d Wir bewerten auch das Datenschutzbudget (PB, Abschnitt "Methoden"), da Client-Daten durch Abhören von privaten Daten anfällig für Reverse Engineering sein können . In dieser Hinsicht fügen wir den Client-Daten mit unterschiedlicher Intensität Zufallsrauschen hinzu. Die Intensität des Rauschens wird durch ein Rausch-zu-Signal-Verhältnis (NSR) gesteuert, das von 1 % 53