Diese datenschutzfreundliche KI könnte Batterieabfälle in große Gewinne verwandeln

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 Zusammenfassung Uns sortierte Altbatterien mit unterschiedlichen Kathodenmaterialien behindern die Einführung des direkten Recyclings aufgrund ihrer Kathoden-spezifischen Natur. Die Zunahme von Altbatterien erfordert eine präzise Sortierung für ein effektives direktes Recycling, aber Herausforderungen ergeben sich aus unterschiedlichen Betriebshistorien, vielfältigen Herstellern und Bedenken hinsichtlich des Datenschutzes von Recycling-Kollaborateuren (Dateneigentümern). Hier zeigen wir, anhand eines einzigartigen Datensatzes von 130 Lithium-Ionen-Batterien mit 5 Kathodenmaterialien und 7 Herstellern, dass ein föderierter Ansatz des maschinellen Lernens diese Altbatterien klassifizieren kann, ohne auf vergangene Betriebsdaten angewiesen zu sein, und schützt so die Daten-Privatsphäre von Recycling-Kollaborateuren. Durch die Nutzung von Merkmalen, die aus dem Lade-Entlade-Zyklus am Ende der Lebensdauer extrahiert wurden, weist unser Modell 1 % bzw. 3 % Fehler bei der Kathodensortierung unter homogenen und heterogenen Batterie-Recycling-Einstellungen auf, was auf unsere innovative Wasserstein-Distanz-Voting-Strategie zurückzuführen ist. Wirtschaftlich unterstreicht die vorgeschlagene Methode den Wert der präzisen Batteriesortierung für eine florierende und nachhaltige Recyclingindustrie. Diese Studie leitet ein neues Paradigma für die Nutzung datenschutzsensibler Daten aus verschiedenen Quellen ein, das eine kollaborative und datenschutzkonforme Entscheidungsfindung für verteilte Systeme erleichtert. Einleitung Lithium-Ionen-Batterien (LIBs) dienen als Energiespeicher und haben eine weit verbreitete Anwendung in verschiedenen Bereichen gefunden, von der Industrieproduktion bis zum täglichen Leben als anerkannte technische Route. Prognosen deuten darauf hin, dass die globale Produktionsmenge von LIBs bis 2030 1,3 TWh übersteigen wird , wenn die steigende Nachfrage nach Batterien die Verfügbarkeit wichtiger Metallressourcen wie Lithium und Kobalt bei weitem übersteigen wird , . Die durchschnittliche Lebensdauer von LIB-Produkten liegt jedoch derzeit bei 5–8 Jahren, was in vielen Ländern zu einer unmittelbaren Zunahme von Altbatterien führt. Wenn Altbatterien nicht ordnungsgemäß gehandhabt werden, führen sie zu nicht nachhaltigem Ressourcenverschwendung und Umweltschäden. Unter diesen Umständen ist die Entwicklung von Recyclingtechnologien für Batterien von entscheidender Bedeutung, da wir mit der drohenden Flut von LIB-Altbatterien konfrontiert sind . 1 2 3 4 Die jüngsten Fortschritte in der Forschung zum Batterierecycling konzentrieren sich auf pyrometallurgische, hydrometallurgische und direkte Recyclingansätze . Im Gegensatz zu den pyro- und hydrometallurgischen Methoden unterscheidet sich das direkte Recycling als ein eigenständiger Ansatz. Dieser Prozess beschädigt die Materialstruktur nicht sekundär und ermöglicht eine effizientere strukturelle Reparatur und Leistungsverbesserung. Darüber hinaus ist das direkte Recycling profitabler, da es einen geringeren Energieverbrauch, reduzierte Treibhausgasemissionen und geringere Umwelteinflüsse aufweist , . In der Praxis stoßen Batterie-Recycler jedoch häufig auf LIBs, die unbekannte Komponenten enthalten, oder auf Batteriemodule, die eine Mischung verschiedener Kathodenmaterialtypen enthalten. Da das direkte Recycling stark Kathoden-spezifisch sein kann, macht eine solche Komplexität die Anwendung des direkten Recyclings zur Wertschöpfung von Altbatterien unmöglich . Es ist wichtig zu betonen, dass selbst wenn die wertvollen Metalle aus gemischten Kathodenmaterialtypen mit herkömmlichen Recyclingstrategien gewonnen werden können, die Wechselwirkung zwischen verschiedenen Kathodenmaterialien während des Recyclingprozesses die Produktqualität beeinträchtigen kann . Daher hat das Verständnis der Kathodenmaterial-Typinformationen auf der Recyclingseite 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 rentabel ist, wenn die Recyclingindustrie skaliert . Um Informationen über den Kathodentyp von Altbatterien effektiv abzurufen, hat die wissenschaftliche und industrielle Gemeinschaft kürzlich ein Batterielebensdauer-Rückverfolgungssystem und aufkommende Konzepte wie den Batteriepass und das Batterie-Datengenom initiiert. Obwohl vor diesen Initiativen erhebliche Batterien genutzt wurden, gibt es einen wachsenden Konsens, dass Batterieinformationen während der gesamten Lebenskette zugänglich sein sollten, um die Entscheidungsfindung für die zweite Lebensdauer zu erleichtern . Dies gilt insbesondere für den Batterierecyclingsektor, die letzte Station des zweiten Lebenszyklus einer Batterie, da die Recyclingroute stark Kathoden-spezifisch sein kann. Batterielebensdauer-Rückverfolgungssysteme oder Batterie-Pässe werden jedoch durch elektronische Geräte wie Barcodes und Near-Field-Communications ermöglicht, die eine intensive Investition darstellen und mit verschiedenen Batterie-Designern weitgehend inkompatibel sein könnten. Darüber hinaus bleiben elektronische Geräte während ihres gesamten Lebenszyklus eine Herausforderung für die konsistente Verwaltung, was zu verschlissenen Geräten und mangelnder Zugänglichkeit im Recyclingstadium führt, da der moderne Herstellungsprozess von LIBs immer noch nicht von der Produktion zum Recycling integriert ist . Daher sind dringend weitere Durchbrüche erforderlich, um eine effiziente Sortierung von Batteriekathodentypen nur anhand leicht zugänglicher Feldinformationen zu erreichen , , im Gegensatz zu historischen Aufzeichnungen oder der menschlich unterstützten Art, 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 Batterie-bezogenen Themen hat maschinelles Lernen kürzlich die automatische Entdeckung komplexer Batteriemechanismen , , , die Vorhersage der verbleibenden nützlichen Lebensdauer , , , , , die Bewertung des Gesundheitszustands , , , die Optimierung des Zyklusprofils , , die Annäherung an die Fehlerverteilung und sogar die Steuerung des Batteriedesigns , sowie die sofortige Vorhersage der lebenslangen Leistung nach der Herstellung ermöglicht. 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 genutzt wurden. Die überwiegende Mehrheit der veröffentlichten Studien weist sehr begrenzte Stichprobengrößen auf und ist noch weiter in der Kathodenvielfalt von Batterien eingeschränkt . Die Knappheit wird auf die hohen Kosten, die lange Testdauer und vor allem auf den Datenschutz aufgrund kommerzieller oder interessenbezogener Gründe zurückgeführt. Folglich versteift das Datenschutzproblem das Dilemma, bei dem die vorhandenen Batteriedaten, obwohl sie in Umfang und Vielfalt von mehreren Parteien wie Batterieherstellern, praktischen Anwendungen, akademischen Einrichtungen und Drittplattformen erheblich sind, nicht geteilt werden können. Ein solches Dilemma erfordert die Untersuchung der Kathodenmaterial-Sortierung zur Optimierung der Batterierecycling-Routenwahl auf kollaborative und gleichzeitig datenschutzwahrende Weise. 17 18 19 20 21 22 23 24 19 25 26 27 28 29 30 31 32 33 34 35 36 37 Federated Machine Learning, als ein verteilter und datenschutzwahrender Paradigmus, hat das Potenzial, sowohl die multi-partei-Kollaboration (gleichbedeutend mit dem Volumen und der Vielfalt der Batteriedaten) als auch die Datenschutzprobleme durch kollaboratives maschinelles Lernen zu lösen , , . In jeder Trainingsiteration führen die verteilten Dateneigentümer ein lokales Training mit ihrer lokalen Rechenleistung durch, verschlüsseln die trainierten Modellparameter/Ergebnisse und laden sie zu einem zentralen Koordinator zur Aggregation hoch. Fakten, dass Rohdatensätze niemals ihre jeweiligen Dateneigentümer verlassen und dass übertragene Parameter/Ergebnisse ordnungsgemäß verschlüsselt sind, um den Datenschutz zu schützen. Federated Machine Learning wurde in zahlreichen Anwendungsbereichen intensiv untersucht, darunter Public Health , , klinische Diagnose , , , E-Commerce , Internet der Dinge , mobile Computing und Smart Grid , , . Dieser Ansatz kann das datengesteuerte Forschungsparadigma in breiten Energiesektoren revolutionieren, indem er eine datenschutzkonforme Zusammenarbeit ermöglicht, insbesondere für diejenigen mit eingeschränktem Datenzugang. In Bezug auf den Batterierecyclingsektor birgt Federated Machine Learning vielversprechende Möglichkeiten, die riesigen Mengen an Batteriedaten zu nutzen, die bereits existieren, aber aufgrund von Datenschutzbedenken nicht geteilt werden können. Mit einem solchen kollaborativen und gleichzeitig datenschutzwahrenden Paradigmus kann die Sortierung von Altbatterien mit hoher Genauigkeit, Effizienz, Skalierbarkeit und Generalisierbarkeit implementiert werden, wodurch die Qualität und Rentabilität von Recyclingprodukten optimiert wird. Soweit wir wissen, wurden bisher keine Studien zu Federated Machine Learning im Bereich Batterierecycling berichtet. 38 39 40 41 42 43 44 45 46 47 48 49 50 51 In dieser Studie führen wir eine Kathodenmaterial-Sortierung von Altbatterien durch, wobei wir die vorhandenen Batteriedaten von mehreren Kollaborateuren, wie z. B. Batterieherstellern, Betreibern praktischer Anwendungen, akademischen Forschungseinrichtungen und Drittplattformen, in einem kollaborativen und gleichzeitig datenschutzwahrenden maschinellen Lernverfahren wie in Abb. dargestellt, nutzen. Unser föderiertes maschinelles Lernmodell wurde mit nur einem Zyklus von Feldtestdaten über einen standardisierten Merkmalsextraktionsprozess trainiert, ohne Vorkenntnisse über die historischen Betriebsbedingungen. Wir vergleichen die Vorhersagekraft unseres föderierten maschinellen Lernmodells mit der von unabhängig gelernten lokalen Modellen, die auf lokalen Daten unter sowohl homogenen als auch heterogenen Batterie-Recycling-Umständen basieren. Das Heterogenitätsproblem wird durch unsere vorgeschlagene Wasserstein-Distanz-Voting-Strategie gelöst. Eine wirtschaftliche Bewertung des Recyclings von Altbatterien unter Verwendung unseres vorgeschlagenen föderierten maschinellen Lernrahmens wird durchgeführt, wobei die Relevanz und Notwendigkeit einer genauen Sortierung von Altbatterien hervorgehoben wird. Wir diskutieren umfassend die Modellinterpretierbarkeit, die Implikationen für das Batterierecycling und die breiteren Zukunftsperspektiven der Batterierecyclingpraxis, integriert mit Federated Machine Learning. 1 **a** Mehrere Datenquellen, wie Batteriehersteller (Bild mit freundlicher Genehmigung von Addionics), Betreiber praktischer 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 Datenbeitragenden lokale Modelle und teilen Modellparameter mit dem Batterie-Recycler, um ein globales Modell zu erstellen. Die vorgeschlagene Wasserstein-Distanz-Voting-Technik fusioniert die lokalen Modelle zum globalen Modell, das robust gegenüber Datenungleichgewicht und Rauschen ist. Batterie-Recycler können das gemeinsam erstellte Modell für die Batteriesortierung verwenden, kombiniert mit den leicht zugänglichen Feldtestdaten. **b** Unser föderierter Rahmen für maschinelles Lernen fördert die gemeinsame Nutzung von Daten durch Kollaborateure unter Wahrung der Daten-Privatsphäre im Gegensatz zum traditionellen Dateninsellösung-Paradigma. Ergebnisse Datensammlung und Standardisierung Die einzigartige Batteriekineetik unterschiedlicher Batterietypen ist aufgrund divergierender Betriebsbedingungen, Fertigungsvariabilität und historischer Nutzung oft hochdimensional und schwer zu charakterisieren . 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, d.h. heterogenen Datensatz zu erstellen. Angesichts unterschiedlicher historischer Verwendungen liegen die Kapazitäten der gesammelten Batterien unter 90 % der Nennkapazität. Die Batteriekathodenmaterialien sind Lithium-Kobaltoxid (LCO), Nickel-Mangan-Kobalt (NMC), Lithium-Eisenphosphat (LFP), Nickel-Kobalt-Aluminiumoxid (NCA) und NMC-LCO-Mischtypen, die weiter in 9 Klassen nach Herstellern gruppiert werden (Ergänzende Tabelle ). Wir haben absichtlich Batterien mit unterschiedlichen historischen Verwendungen einbezogen, von Labortests bis hin zu Elektrofahrzeug-Fahrprofilen, um ein generalisiertes Modell für den Batterie-Recycler zu trainieren, das unabhängig von historischen Verwendungen und Batterietypen ist. 52 1 Für die Standardisierung sind alle vom Recycler benötigten Daten der aktuell gemessene (Feldtest-) Zyklus mit einem Lade- und Entladetest, der in praktischen Fällen leicht zu implementieren ist. Die gemessenen Daten werden zuerst durch Auffüllen von fehlenden Werten, Ersetzen von Ausreißern und Medianfilterung entrauscht. Menschlich verursachte und Kathoden-Heterogenitäts-bedingte Rausche werden jedoch bewusst beibehalten, um das Modell robust gegenüber unvollständigen Eingaben zu machen. Die Daten werden dann linear interpoliert für die Kurvenfüllung (Ergänzende Abb. ) und zur Dimensionsreduktion merkmalsbereinigt, mit einem gemeinsamen Satz von Standardisierungsparametern (Ergänzende Notiz ). Die extrahierten Merkmale aus der Standardisierungspipeline 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 verwendet werden, um die Strategiegestaltung des Batterierecyclings zu unterstützen. 1 1 Abbildung a, b zeigen den Prozess der Merkmalsbereinigung. 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 der Ergänzenden Tabelle und der Ergänzenden 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 (mit 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 latente Muster über verschiedene Batterietypen hinweg nutzt. 2 2 5 2 2 2 6 **a** Für den Ladevorgang werden 15 Merkmale aus der Spannungs-Kapazitäts-Kurve (links) und der dQ/dV-Kurve (rechts) extrahiert. **b** Derselbe Merkmalsatz gilt für den Entladevorgang als F16 bis F30. **c** 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 werden als Quelldatendatei bereitgestellt. Sortierung von Altbatterien bei homogenem Datenzugriff Wir betrachten zunächst eine Einstellung, in der die Batteriedaten homogen über die Kollaborateure (d. h. die Clients) verteilt sind. Homogenität bedeutet, dass jeder Client Batteriedaten für alle 9 Klassen zur Verfügung stellt, auch wenn die genaue Anzahl der Batterien nicht begrenzt ist (Ergänzende Tabelle ). Wir trainieren unser föderiertes Modell für maschinelles Lernen, ohne Informationen über die historische Nutzung der Altbatterien zu benötigen. In unserer Arbeit müssen der Recycler und die Clients die Altbatterien im aktuellen (Feldtest-)Zyklus testen, insbesondere mit einem vollständigen Lade-Entlade-Zyklus für einen standardisierten Merkmalsextraktionsprozess, der vom Recycler initiiert wird. Lokale Modelle werden auf der Grundlage von Merkmalen trainiert, die aus ihren privaten Batteriedaten extrahiert wurden. Der föderierte Rahmen für maschinelles Lernen aggregiert die lokalen Modellparameter, anstatt die privaten Batteriedaten, damit der Recycler die Altbatterien klassifizieren kann. 3 Abbildung zeigt die Sortierungsergebnisse, wenn Clients homogene Batteriedaten beitragen. Abbildung a vergleicht zwei Methoden des föderierten maschinellen Lernens, d. h. Mehrheits-Voting (MV) und unser vorgeschlagenes Wasserstein-Distanz-Voting (WDV), mit dem unabhängigen Lernparadigma (IL). Es ist zu beachten, dass die Genauigkeit für IL im nicht-föderierten Sinne über alle Clients gemittelt wird. Im Vergleich zu IL opfert MV keine Sortierleistung, mit einer durchschnittlichen Genauigkeit von 95 %, und ist gleichzeitig in der Lage, Datenschutz zu gewährleisten und die Rechenlast zu mindern. Allerdings werden 3 Klassen mit MV falsch sortiert. Beispielsweise werden 3 Batterien in NMC (SNL, Klasse 8, 15 insgesamt) fälschlicherweise als 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 fälschlicherweise als NMC (MICH_Form, Klasse 4) und 1 Batterie als NMC/LCO-Mischtyp (HNEI, Klasse 2) sortiert werden. Im Gegensatz dazu übertrifft WDV MV, da es nur eine Batterie falsch sortiert, was zu einer Sortiergenauigkeit von 99 % führt. Wir evaluieren auch die Vorhersagewahrscheinlichkeit jeder Klasse für MV und WDV. Es stellt sich heraus, dass WDV eine sicherere Sortierung als MV vornimmt, da die Vorhersagewahrscheinlichkeiten von WDV im Allgemeinen nach rechts zu einer höheren Wahrscheinlichkeit verschoben sind. Daher liefert unser vorgeschlagener WDV höhere Sortiergenauigkeiten über alle Klassen hinweg, und die Sortierung weist reichere Wahrscheinlichkeitskonfidenzmargen auf. 3 3 **a** Die Konfusionsmatrix für die Methoden Majority Voting (MV) und Wasserstein Distance Voting (WDV) jeweils. Wir betrachten die Vorhersagewahrscheinlichkeitsverteilung für jede Klasse. Die Sortierung von Independent Learning (IL) ist annotiert. **b** Sortiergenauigkeitsverteilung und Datenschutzbudget (PB) von IL, MV und WDV bei Vorhandensein von Zufallsrauschen. Der PB-Wert bezieht sich auf eine Genauigkeit von 90 %. **c** Durchschnittlicher F1-Score der Sortierungsergebnisse und PBs in jeder Klasse mit 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. **d** Merkmal-Wichtigkeit in absteigender Reihenfolge. Die Teilgrafik zeigt den durch die ersten beiden wichtigsten Merkmale aufgespannten Merkmalsraum. Die Daten werden als Mittelwerte ±1 Standardabweichung dargestellt. Quelldaten werden als Quelldatei bereitgestellt. Wir bewerten auch das Datenschutzbudget (PB, Abschnitt "Methoden"), da die Client-Daten durch Mithören privater Daten anfällig für eine Rückrekonstruktion sein können . In dieser Hinsicht fügen wir den Client-Daten mit unterschiedlichen Intensitäten Zufalls-Gaußsches Rauschen hinzu. Die Intensität des Rauschens wird durch ein Rausch-zu-Signal-Verhältnis (NSR) gesteuert, das von 1 % bis 10 % reicht. Abbildung b zeigt den Vergleich von Genauigkeit und Datenschutzbudget bei Verwendung von IL, MV und WDV. Die Sortiergenauigkeit von MV sinkt von 95 % auf 82 %, ähnlich wie bei IL, wenn die Rauschintensität von 1 53 3