一种集成人工智能的闭环锂离子电池回收框架,能够实现选择性金属回收、自适应回收优化以及循环制造的可持续发展

《Journal of Industrial and Engineering Chemistry》:Ai-integrated closed-loop lithium-ion battery recycling framework enabling selective metal regeneration, adaptive recovery optimization, and circular manufacturing sustainability

【字体: 大 中 小 】 时间:2026年08月27日 来源:Journal of Industrial and Engineering Chemistry 7.1

编辑推荐:

  •集成人工智能的回收技术实现了98.5%的电池分类准确率。•自适应拆解技术的成功率达到97.6%,且对材料的损坏最小。•选择性回收技术实现了超过96%的锂、钴和镍的提取率。•深度共晶优化技术使回收材料的纯度超过了98.8%。•闭环回收框架实现了96%的循环制造效率。引言锂离子电池

  
  • •
    集成人工智能的回收技术实现了98.5%的电池分类准确率。
  • •
    自适应拆解技术的成功率达到97.6%,且对材料的损坏最小。
  • •
    选择性回收技术实现了超过96%的锂、钴和镍的提取率。
  • •
    深度共晶优化技术使回收材料的纯度超过了98.8%。
  • •
    闭环回收框架实现了96%的循环制造效率。

引言

锂离子电池为现有的能源存储系统树立了新的标准,这些系统广泛应用于电动汽车、消费电子产品和可再生能源系统。由于其高效性、长寿命和高能量密度,它们已成为可持续能源的首选方案。然而,电池消耗量的快速增长导致了与电池寿命管理相关的一系列严重问题[1]。如果处理不当,锂离子电池会对环境造成危害,因为它们由有毒材料和重金属制成[2][3]。此外,锂、钴和镍等宝贵原材料的枯竭也引发了资源可持续性和供应链稳定性的问题。所有这些问题都促使人们开发出适当的回收机制,以便不仅回收有价值的材料,还能将其重新用于电池制造[4]。
传统的电池回收方法主要包括火法冶金和湿法冶金,这些方法在传统电池回收过程中被广泛使用[5]。尽管这些方法可以提取金属,但它们存在显著缺点,如能耗高、选择性低和环境污染严重。此外,传统回收方法通常不够智能和灵活,因为它们不区分电池的结构差异及其退化状态,而是一概对待所有电池[6][7]。这导致了处理效果差、材料浪费和经济可持续性低的问题。随着电池废物的积累及其相关问题的加剧,对能够处理先进电池设计并根据实际情况简化回收流程的先进回收设备的需求也在增加[8]。人工智能和自动化技术的最新发展为改进电池回收系统提供了新的机会。利用计算机视觉模型进行电池识别和分类,通过机器学习模型预测电池状态[9]。同时,机器人系统也被用于自动化拆解,以提高安全性和效率[10]。尽管这些方法已经取得了一些成果,但它们大多作为独立解决方案使用,而不是被整合进一个协调统一的机制中。由于这种整合上的不足,它们在处理整个电池生命周期(包括电池和材料的再生与再利用)方面受到限制[11]。
依赖人工智能的循环回收程序通常基于单一模式的数据(如数值传感器数据或视觉数据),这限制了它们确定电池总体特性的能力[12]。此外,各种模型中并不总是包含基于物理的知识,因此在预测电池退化方面可靠性较低。尽管机器人拆解系统使用效率较高,但它们并不能适应不同电池的设计,每次新电池设计都需要手动重新配置。传统的优化工具也无法主动应对材料回收阶段输入质量的变化并调整处理参数[13][14]。此外,大多数现有系统并未实现真正的闭环系统,即回收材料能够被重新用于生产并持续进行反馈和优化[15]。另一个重要问题是无法实时监控和决策。一些系统本质上是固定的,无法适应回收过程中的环境变化[16]。这导致了运营效率低下和运营成本增加。此外,模型中通常没有涵盖可持续性方面的问题,如能源消耗、碳排放和循环经济效率[17]。这些缺点表明,需要一个全面且智能的框架来整体解决电池回收所带来的所有问题[17]。
本文提出了一种解决现有缺陷的方案,即AICL(AI辅助的闭环回收模型),该模型能够实现高纯度材料的回收,并使锂离子电池制造商能够进行循环利用。该系统结合了NASA锂离子电池老化数据集(NASA Lithium-Ion Battery Aging Dataset)和RecyBat24数据,提供了对电池情况的清晰理解。基于视觉Transformer构建了准确的电池识别模型,并使用时间序列预测模型来预测电池健康状况和使用寿命。该框架还包括一个机器人拆解系统,该系统是强化学习的扩展,带有触觉反馈机制,确保电池部件的分离既安全又高效。在材料回收阶段,采用了自适应优化方法来保证最高的提取效率和材料纯度。该系统还具有一个智能再生系统,可以将回收的材料重新包装,以便重新用于电池生产过程。多目标优化机制使回收过程不断改进,能够在效率、成本和环境影响之间取得平衡。所提出的AICL模型是一种智能、可持续且可扩展的解决方案,有助于实现向循环经济的过渡。

章节摘录

研究动机

锂离子电池在电动汽车和电子设备中的高频率使用带来了如何处理废旧电池的严重问题。不道德的处置方式会导致土壤和水源受到有毒物质的污染等环境风险。此外,锂、钴和镍等重要资源的枯竭对长期可持续性构成了威胁。当前的回收系统尚不能

相关研究

M. Fereydoonian等人(2025年)研究了电动汽车废旧电池处理的重要性,特别是从循环经济的角度出发,探讨了电池组件的再利用、重新定位和回收[18]。该研究指出了像锂和钴这样的稀土元素的昂贵和毒性问题,并表明电动汽车部件在经济上更具价值。所提出的解决方案使得电动汽车技术更加完善

Sun等人(2023年)[31]基于电化学模型预测了温度敏感电池的性能能力,使用了灰狼优化方法估计模型参数。预测误差在4%以内。该技术提高了电池性能模型的准确性,但其计算密集度高,需要正确的电化学参数。Z. Yanan等人(2025年)[32]提出了一种基于本体模型和机器学习的混合学习模型,用于职业匹配的技能预测。测试表明该系统提高了工作满意度并提供了准确的推荐结果,但仍需要高质量的数据和领域本体。此外,将其应用于其他领域可能较为困难
在电池生命周期支持、能源存储优化和基于人工智能的预测方法方面的发展与电动汽车和能源领域密切相关。资源效率和循环经济得到了可持续实践和生命周期模型的支持,而狀态和容量的有效估计以及系统级优化则得益于人工智能技术。其他解决方案,如钠离子电池等替代技术的应用也起到了重要作用

基于人工智能的闭环电池回收框架

所提出的方法将结合NASA锂离子电池老化数据集和RecyBat24数据集的多模态信息,实现智能电池回收。第一步是利用视觉Transformer模型对电池图像进行分类,以确保图像正确分类;然后对时间序列数据进行建模,以预测电池的退化和健康状况。这些结果将用于电池的再利用

结果与讨论

提出的闭环人工智能集成(AICL)框架通过公开可用的基准数据集和严格控制的模拟环境进行了验证。使用NASA锂离子电池老化数据集和RecyBat24图像数据集定量评估了电池的识别性能和退化预测能力。图像被调整为224×224像素尺寸并进行了归一化处理,时间序列数据也进行了增强

结论与未来工作

所提出的AICL系统结合了人工智能、机器人自动化和自适应材料处理,形成了一种智能且全面的锂离子电池回收方案。该框架通过准确识别电池、准确预测退化情况、高效拆解以及高纯度材料回收,弥补了传统回收方法的不足

CRediT作者贡献声明

Natrayan Lakshmaiya: 负责撰写、审稿和编辑、原始稿件撰写、可视化处理、验证、软件开发、资源管理、项目协调、方法论设计、资金筹集、数据分析、概念构建。

资金情况

本文未获得任何资助。

数据可用性声明

本研究使用的数据集均为公开可用数据。RecyBat24数据集可通过Acaro Chacón等人的论文《RecyBat24:用于电子废物中锂离子电池检测的数据集》(版本1.0)获取,该论文发表于《Scientific Data》2025年第12卷,网址为:https://doi.org/10.1038/s41597-025–05211-5(2026年5月15日访问)。NASA锂离子电池老化数据集可从NASA预测中心(NASA Prognostics Center of Excellence,PCoE)获取

利益冲突声明

作者声明没有已知的财务利益或个人关系可能会影响本文所述的工作。
Natrayan Lakshmaiya
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号