機器學習是用數據或以往的經驗，以此優化計算機程序的性能標準，非聯合學習和聯合學習從屬于機器學習的概念范疇之內。非聯合學習指每套系統按照自身數據建立并優化預測模型，但其存在數據孤島現象：相互獨立存儲，獨立維護，彼此間相互孤立，嚴重影響機器學習的效率、效果。
聯合學習作為一種全新人工智能范式，它在確保數據隱私的前提下，鼓勵多個設備貢獻數據，讓共創智能成為可能。每套設備確保數據留在本地，在本地進行模型訓練，然后通過模型流動聚合的方式，與其他設備共同訓練出更加精準的智能模型。
為了更好展現聯合學習技術以及優勢，本套演示DEMO利用一臺東土科技邊緣控制器產品，同時搭載三套設備控制系統，展示聯合學習模型如何精準預測設備在完成某項任務的能耗。
方案優勢
東土科技NewPre邊緣通用服務器產品，搭載INTEWELL工業級網絡操作系統，虛擬出多個實時系統及非實時系統，并實現兩種系統的融合統一。其中，實時系統完成各套系統的運動控制，通過集成的邊緣計算功能，可調節每套系統的控制參數，實現數據采集、運算等功能，并為云端服務器提供聯合學習的運算數據；非實時系統提供數據庫和人機接口，運行KyScada軟件以展示東土科技邊緣通用控制器實時系統與非實時系統的數據交互。
NewPre邊緣通用控制器非實時系統提供人工交互機制，根據操作人員輸入的信息，通過實時系統中的控制邏輯和算法可以向電機發出實時指令，電機按照既定的運動方式、軌跡、參數等（比如砝碼重量、提升高度、提升時間、每段行程的加減速度）形式完成重物的提升動作。實時系統會根據電表的實時反饋值來記錄每次任務的能耗，并將每次任務的參量用于優化機器學習的數學模型。
以往，我們通過設置一系列系統參數來實時控制電機，每一個軌道采用不同的控制方式執行升降砝碼的任務，導致電機能耗的測算值具備較大差異。搭載NewPre邊緣通用控制器的聯合學習模式，共享并建立所有軌道的運行數據，三個軌道采用相同的控制系統和設備，從理論上講，三套系統具備相同的數學模型，考慮到每個軌道各自物理屬性差異，在保證數據不出主權的前提下使用多方數據，訓練出更加泛化的模型，并精準地預測各種控制策略下的電機能耗。
在允許的時間內，完成指定提升高度的路徑有多種：如先以最高速度啟動，接近終點后剎車停止；或先慢速然后再加速；或加速和減速間隔運行或勻速運行等各類情況。為了節約能耗，需要精準預測不同策略/參數下，在規定時間區間內完成指定任務的能耗。
如圖所示，在圖1軌、2軌和3軌中，分別輸入不同的參數，點擊“開始預測”按鈕，聯合學習和非聯合學習都會給出相應的預測值。設備按照設定參數運行之后，會得到實際能耗，系統自動優化各自模型中的系數。
根據實驗結果發現：3軌整體數據的數值誤差較小；聯合學習的誤差百分比小于非聯合學習的誤差百分比；測試累計次數越多。誤差的百分比越小。
方案亮點：
運用一臺NewPre虛擬出多個PLC，可進行實時控制、數據采集和處理、人工智能和聯合學習算法等相關技術可普及并應用到電梯系統及其他控制系統，以提高工作效率，節約能耗。
聯合學習的智能模型可以更加精準地預測電機能耗，有助于推測最優解決方案。
驗證了聯合學習的潛在能力，在數據隱私和機密保護的前提下，利用各自的ERP/MSE上的人員/設備/訂單管理和排班信息，訓練出個性化的模型，以便更加精準地預測用電負荷。
