機器學習是用數(shù)據(jù)或以往的經(jīng)驗，以此優(yōu)化計算機程序的性能標準，非聯(lián)合學習和聯(lián)合學習從屬于機器學習的概念范疇之內(nèi)。非聯(lián)合學習指每套系統(tǒng)按照自身數(shù)據(jù)建立并優(yōu)化預測模型，但其存在數(shù)據(jù)孤島現(xiàn)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(lián)合學習作為一種全新人工智能范式，它在確保數(shù)據(jù)隱私的前提下，鼓勵多個設備貢獻數(shù)據(jù)，讓共創(chuàng)智能成為可能。每套設備確保數(shù)據(jù)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(xiàn)聯(lián)合學習技術(shù)以及優(yōu)勢，本套演示DEMO利用一臺東土科技邊緣控制器產(chǎn)品，同時搭載三套設備控制系統(tǒng)，展示聯(lián)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(yōu)勢
東土科技NewPre邊緣通用服務器產(chǎn)品，搭載INTEWELL工業(yè)級網(wǎng)絡操作系統(tǒng)，虛擬出多個實時系統(tǒng)及非實時系統(tǒng)，并實現(xiàn)兩種系統(tǒng)的融合統(tǒng)一。其中，實時系統(tǒng)完成各套系統(tǒng)的運動控制，通過集成的邊緣計算功能，可調(diào)節(jié)每套系統(tǒng)的控制參數(shù)，實現(xiàn)數(shù)據(jù)采集、運算等功能，并為云端服務器提供聯(lián)合學習的運算數(shù)據(jù)；非實時系統(tǒng)提供數(shù)據(jù)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(tǒng)與非實時系統(tǒng)的數(shù)據(jù)交互。
NewPre邊緣通用控制器非實時系統(tǒng)提供人工交互機制，根據(jù)操作人員輸入的信息，通過實時系統(tǒng)中的控制邏輯和算法可以向電機發(fā)出實時指令，電機按照既定的運動方式、軌跡、參數(shù)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(tǒng)會根據(jù)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(yōu)化機器學習的數(shù)學模型。
以往，我們通過設置一系列系統(tǒng)參數(shù)來實時控制電機，每一個軌道采用不同的控制方式執(zhí)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(lián)合學習模式，共享并建立所有軌道的運行數(shù)據(jù)，三個軌道采用相同的控制系統(tǒng)和設備，從理論上講，三套系統(tǒng)具備相同的數(shù)學模型，考慮到每個軌道各自物理屬性差異，在保證數(shù)據(jù)不出主權(quán)的前提下使用多方數(shù)據(jù)，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(nèi)，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(jié)約能耗，需要精準預測不同策略/參數(shù)下，在規(guī)定時間區(qū)間內(nèi)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(shù)，點擊“開始預測”按鈕，聯(lián)合學習和非聯(lián)合學習都會給出相應的預測值。設備按照設定參數(shù)運行之后，會得到實際能耗，系統(tǒng)自動優(yōu)化各自模型中的系數(shù)。
根據(jù)實驗結(jié)果發(fā)現(xiàn)：3軌整體數(shù)據(jù)的數(shù)值誤差較??；聯(lián)合學習的誤差百分比小于非聯(lián)合學習的誤差百分比；測試累計次數(shù)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(shù)據(jù)采集和處理、人工智能和聯(lián)合學習算法等相關(guān)技術(shù)可普及并應用到電梯系統(tǒng)及其他控制系統(tǒng)，以提高工作效率，節(jié)約能耗。
聯(lián)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(yōu)解決方案。
驗證了聯(lián)合學習的潛在能力，在數(shù)據(jù)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。
