机器学习是用数据或以往的经验，以此优化计算机程序的性能标准，非联合学习和联合学习从属于机器学习的概念范畴之内。非联合学习指每套系统按照自身数据建立并优化预测模型，但其存在数据孤岛现象：相互独立存储，独立维护，彼此间相互孤立，严重影响机器学习的效率、效果。
联合学习作为一种全新人工智能范式，它在确保数据隐私的前提下，鼓励多个设备贡献数据，让共创智能成为可能。每套设备确保数据留在本地，在本地进行模型训练，然后通过模型流动聚合的方式，与其他设备共同训练出更加精准的智能模型。
为了更好展现联合学习技术以及优势，本套演示DEMO利用一台js555888金沙科技边缘控制器产品，同时搭载三套设备控制系统，展示联合学习模型如何精准预测设备在完成某项任务的能耗。
方案优势
js555888金沙科技NewPre边缘通用服务器产品，搭载INTEWELL工业级网络操作系统，虚拟出多个实时系统及非实时系统，并实现两种系统的融合统一。其中，实时系统完成各套系统的运动控制，通过集成的边缘计算功能，可调节每套系统的控制参数，实现数据采集、运算等功能，并为云端服务器提供联合学习的运算数据；非实时系统提供数据库和人机接口，运行KyScada软件以展示js555888金沙科技边缘通用控制器实时系统与非实时系统的数据交互。
NewPre边缘通用控制器非实时系统提供人工交互机制，根据操作人员输入的信息，通过实时系统中的控制逻辑和算法可以向电机发出实时指令，电机按照既定的运动方式、轨迹、参数等（比如砝码重量、提升高度、提升时间、每段行程的加减速度）形式完成重物的提升动作。实时系统会根据电表的实时反馈值来记录每次任务的能耗，并将每次任务的参量用于优化机器学习的数学模型。
以往，我们通过设置一系列系统参数来实时控制电机，每一个轨道采用不同的控制方式执行升降砝码的任务，导致电机能耗的测算值具备较大差异。搭载NewPre边缘通用控制器的联合学习模式，共享并建立所有轨道的运行数据，三个轨道采用相同的控制系统和设备，从理论上讲，三套系统具备相同的数学模型，考虑到每个轨道各自物理属性差异，在保证数据不出主权的前提下使用多方数据，训练出更加泛化的模型，并精准地预测各种控制策略下的电机能耗。
在允许的时间内，完成指定提升高度的路径有多种：如先以最高速度启动，接近终点后刹车停止；或先慢速然后再加速；或加速和减速间隔运行或匀速运行等各类情况。为了节约能耗，需要精准预测不同策略/参数下，在规定时间区间内完成指定任务的能耗。
如图所示，在图1轨、2轨和3轨中，分别输入不同的参数，点击“开始预测”按钮，联合学习和非联合学习都会给出相应的预测值。设备按照设定参数运行之后，会得到实际能耗，系统自动优化各自模型中的系数。
根据实验结果发现：3轨整体数据的数值误差较小；联合学习的误差百分比小于非联合学习的误差百分比；测试累计次数越多。误差的百分比越小。
方案亮点：
运用一台NewPre虚拟出多个PLC，可进行实时控制、数据采集和处理、人工智能和联合学习算法等相关技术可普及并应用到电梯系统及其他控制系统，以提高工作效率，节约能耗。
联合学习的智能模型可以更加精准地预测电机能耗，有助于推测最优解决方案。
验证了联合学习的潜在能力，在数据隐私和机密保护的前提下，利用各自的ERP/MSE上的人员/设备/订单管理和排班信息，训练出个性化的模型，以便更加精准地预测用电负荷。
