随着人工智能和智能制造的发展,各个企业在积极搭建工业智能化平台以提高产能、降低成本等的同时,又不愿意共享涉及核心技术的生产数据,进而选择在企业内部搭建算力中心部署人工智能模型。联邦学习算法在多个企业间搭建联合训练平台,通过共享模型参数发现多样性数据中的规律,打通了工业互联网上存在的信息孤岛。然而,现有的联邦学习方法依赖一个第三方节点作为参数服务器,这种中心化的网络结构增加了企业间的信任成本,同时也面临着中心节点崩溃、宕机的风险。本文基于区块链研究去中心化的协作学习模型,旨在解决联邦学习中的信任问题和安全问题。主要研究内容如下:研究区块数据结构设计,使用哈希函数针对参数集合计算消息摘要作为训练轮次的标记,同时还可以实现数据的完整性验证,达到降低通信过程的数据包大小、实现数据可靠传输的目的;搭建去中心化网络,基于Hyperledger Fabric创建联盟链,涉及的工作包括节点生成、通道创建、链码部署等,使其作为协作学习过程数据传输的底层网络支撑;研究异步协作学习方法,取消联邦学习训练同步锁,使节点可以即时上传、下载全局模型的参数,减少联邦学习每个训练轮次的等待时间。最后,本文通过通信性能实验检测了所搭建去中心化网络的通信时间和每秒事务处理量,结果证明该网络的通信性能可以满足协作学习训练的数据传输需求。此外,本文还面向火力发电中工业蒸汽量预测数据集进行人工智能实验分析,以均方误差、均方根误差、平均绝对误差及R方值作为评估指标,结合绝对收敛时间评估模型训练过程,实验结果证明本文提出的异步协作学习算法可以达到很好的收敛效果,并且在测试集上的表现也优于单机单卡回归预测算法。本文研究的去中心化协作学习模型免去了联邦学习集群上的各个节点相互信任前提,并且有效避免了中心化网络存在的安全问题,使其在工业、医疗等领域有非常广阔的应用前景。