机械学习是用数据或以往的履历，，，，，以此优化盘算机程序的性能标准，，，，，非联合学习和联合学习隶属于机械学习的看法领域之内。。。。非联合学习指每套系统凭证自身数据建设并优化展望模子，，，，，但其保存数据孤岛征象：相互自力存储，，，，，自力维护，，，，，相互间相互伶仃，，，，，严重影响机械学习的效率、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条件下，，，，，勉励多个装备孝顺数据，，，，，让共创智能成为可能。。。。每套装备确保数据留在外地，，，，，在外地举行模子训练，，，，，然后通过模子流动聚合的方法，，，，，与其他装备配合训练出越发精准的智能模子。。。。
为了更好展现联合学习手艺以及优势，，，，，本套演示DEMO使用一台99499威尼斯科技边沿控制器产品，，，，，同时搭载三套装备控制系统，，，，，展示联合学习模子怎样精准展望装备在完成某项使命的能耗。。。。
计划优势
99499威尼斯科技NewPre边沿通用效劳器产品，，，，，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，，，，，通过集成的边沿盘算功效，，，，，可调理每套系统的控制参数，，，，，实现数据收罗、运算等功效，，，，，并为云端效劳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99499威尼斯科技边沿通用控制器实时系统与非实时系统的数据交互。。。。
NewPre边沿通用控制器非实时系统提供人工交互机制，，，，，凭证操作职员输入的信息，，，，，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，，，，，电机凭证既定的运动方法、轨迹、参数等（好比砝码重量、提升高度、提升时间、每段行程的加减速率）形式完成重物的提升行动。。。。实时系统会凭证电表的实时反响值来纪录每次使命的能耗，，，，，并将每次使命的参量用于优化机械学习的数学模子。。。。
以往，，，，，我们通过设置一系列系统参数来实时控制电机，，，，，每一个轨道接纳差别的控制方法执行升降砝码的使命，，，，，导致电性能耗的测算值具备较大差别。。。。搭载NewPre边沿通用控制器的联合学习模式，，，，，共享并建设所有轨道的运行数据，，，，，三个轨道接纳相同的控制系统和装备，，，，，从理论上讲，，，，，三套系统具备相同的数学模子，，，，，思量到每个轨道各自物理属性差别，，，，，在包管数据不出主权的条件下使用多方数据，，，，，训练出越发泛化的模子，，，，，并精准地展望种种控制战略下的电性能耗。。。。
在允许的时间内，，，，，完成指定提升高度的路径有多种：如先以最高速率启动，，，，，靠近终点后刹车阻止；； ；或先慢速然后再加速；； ；或加速和减速距离运行或匀速运行等种种情形。。。。为了节约能耗，，，，，需要精准展望差别战略/参数下，，，，，在划准时间区间内完成指定使命的能耗。。。。
如图所示，，，，，在图1轨、2轨和3轨中，，，，，划分输入差别的参数，，，，，点击“最先展望”按钮，，，，，联合学习和非联合学习都会给出响应的展望值。。。。装备凭证设定参数运行之后，，，，，会获得现实能耗，，，，，系统自动优化各自模子中的系数。。。。
凭证实验效果发明：3轨整体数据的数值误差较�。。。�；； ；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。。。。
计划亮点：
运用一台NewPre虚拟出多个PLC，，，，，可举行实时控制、数据收罗和处置惩罚、人工智能和联合学习算法等相关手艺可普及并应用到电梯系统及其他控制系统，，，，，以提高事情效率，，，，，节约能耗。。。。
联合学习的智能模子可以越发精准地展望电性能耗，，，，，有助于推测最优解决计划。。。。
验证了联合学习的潜在能力，，，，，在数据隐私和神秘�；； ；さ奶跫拢�，，，，使用各自的ERP/MSE上的职员/装备/订单治理和排班信息，，，，，训练出个性化的模子，，，，，以便越发精准地展望用电负荷。。。。
