一种工业设备端边云数据分级与协同决策方法及系统与流程

本发明涉及工业设备智能运维，具体涉及一种工业设备端边云数据分级与协同决策方法及系统。

背景技术：

1、在工业设备运维领域，随着传感器网络和边缘计算设备的普及，海量监测数据得以实时采集。然而，现有技术在处理端边云协同方面仍存在一系列不足。在数据管理层面，系统往往采用全量上传或全量本地处理的方式，缺乏精细化的数据分级机制，难以兼顾数据安全合规与传输效率。在任务调度层面，任务分配多依赖固定规则，无法根据任务的实时特征和算网资源的动态变化选择最优执行位置，易导致响应延迟或资源利用率不高。在上下文信息利用方面，分析模块常不加区分地加载全量历史数据，引入的无关信息不仅增加计算开销，还可能对分析模型的推理结果产生干扰。在协同融合方面，边、云两侧的分析结果直接加权叠加或简单投票，对于证据冲突的情形处理能力有限。此外，现有系统大多具备结果同步功能，但缺乏基于人工反馈的持续优化闭环，对现场工况演变的适应性有待提升。

2、因此，有必要提供一种工业设备端边云数据分级与协同决策方法及系统。

技术实现思路

1、本发明的目的在于提供一种工业设备端边云数据分级与协同决策方法及系统，能够实现工业数据分级管控、任务智能路由、上下文精简加载和协同持续优化。

2、为实现上述目的，本发明采用的技术方案如下：

3、一种工业设备端边云数据分级与协同决策方法，包括：

4、步骤1：接入工业设备运行过程中的实时监测数据、现场输入信息、告警事件或智能体任务请求，并对接入的数据进行时间戳对齐与协议统一，形成标准化的原始数据流；

5、步骤2：依据数据内容、敏感等级、实时性要求和传输条件，对原始数据流中的各数据项进行分级，将各数据项区分为应留在本地的l1级数据、可上传摘要的l2级数据和可上传规则结果的l3级数据，并生成携带分级标签的数据集及数据分级图；

6、步骤3：基于所接收的智能体任务请求、数据分级图及留存于边缘侧的l1级原始时序数据片段，通过多尺度动态解耦注意力网络识别当前任务的任务特征隐变量；

7、步骤4：根据数据分级图、任务特征隐变量及实时采集的端边云算网资源状态，通过演化图博弈路由网络动态确定当前任务的最优执行位置；

8、步骤5：围绕目标任务所指向的目标设备，从全域信息库中提取与当前任务直接相关的最小必要信息实体，通过信息纠缠熵约束动态生长算法形成上下文工作集；

9、步骤6：根据步骤4确定的最优执行位置，由相应侧执行分析任务，得到最终决策结果；

10、步骤7：将最终决策结果格式化为多模态决策报告并推送至端侧，同时接收人工确认信息或修正信息，并基于人工交互生成带标签的持续学习样本；

11、步骤8：累积持续学习样本至经验回放缓冲区，当满足触发条件时，通过云侧重训练、边缘侧增量蒸馏、端侧模板注入和全局信任参数调整的四层联动机制，对分布在各侧的模型、规则及策略进行同步更新，并采用两阶段提交协议保证更新过程的一致性。

12、进一步地，步骤2中，对原始数据流中的各数据项进行分级，具体为：

13、构建多尺度时空熵增图，将各数据项作为节点，节点间的边权重基于多尺度复合距离和联合信息差异度计算，所述多尺度复合距离综合了设备物理坐标、时间戳和数据类型语义距离，所述联合信息差异度为两个数据项相互条件熵之和；

14、在所述时空熵增图上为每个节点赋予基于运维知识图谱推导的业务因果势能，所述业务因果势能正比于节点所关联的关键故障的全局风险权重，反比于节点与所述关键故障在知识图谱中的最短路径长度；

15、在所述时空熵增图上执行双向信息价值传播，通过正向因果-熵增扩散与反向冗余-隐私抑制的迭代过程，得到各节点的信息驻留价值；

16、基于所述信息驻留价值和传输环境折损因子计算分级综合得分，并与预设的双阈值比较，确定各数据项的分级标签。

17、进一步地，步骤3中，所述多尺度动态解耦注意力网络包括：

18、多模态异构编码阶段，分别通过金字塔膨胀卷积模块对任务请求进行语义编码、通过双层级联图注意力网络对所述数据分级图进行结构编码及通过局部-全局时频transformer对l1级原始时序数据片段进行时序编码，得到三个等维的特征向量；

19、动态解耦焦点融合阶段，将三个特征向量拼接后经全连接层得到初始融合向量，通过动态焦点路由器生成七组焦点调制参数，并利用七个并行的独立特征提取分支结合焦点调制参数输出七个统计独立的特征值，经相应激活函数后构成七维任务特征隐变量；

20、其中，在训练过程中引入希尔伯特-施密特独立性准则作为正则项，以增强各维度间的统计独立性。

21、进一步地，步骤4中，所述演化图博弈路由网络包括：

22、算网环境动态拓扑构建，将端侧、边缘侧和云侧抽象为三个节点，根据各侧实时资源状态和通信链路质量生成节点特征和边特征；

23、时序演化图编码，通过带门控循环单元的图注意力网络对当前时刻的算网拓扑进行编码，利用历史隐状态与边条件注意力机制捕捉环境演化特征，得到环境上下文向量；

24、多臂协同博弈决策，将四个路由选项视为博弈臂，将任务特征隐变量、数据分级全局摘要和环境上下文向量融合为博弈上下文，通过多轮迭代更新各臂价值嵌入和博弈上下文，最终输出路由概率分布。

25、进一步地，步骤5中，所述信息纠缠熵约束动态生长算法包括：

26、构建信息实体纠缠网络，以候选信息实体为节点，基于设备关联、共同引用、语义相似度和时间邻近性建立加权边，边权重综合物理、语义、时间和业务耦合四个维度的纠缠强度；

27、在纠缠网络上定义任务关联势和初始信息熵场，所述任务关联势通过注意力机制计算各节点与任务特征隐变量的匹配度，所述初始信息熵场表征各实体的信息丰度；

28、以目标设备的基础信息节点为根，迭代评估候选节点的综合增益得分，所述综合增益得分正比于信息相关度增量与信息熵增量的比值及结构影响力，并扣除冗余度惩罚项，每次选取得分最高者生长并进行局部剪枝，直至满足任务相关度阈值与信息熵预算约束，或达到预设终止条件。

29、进一步地，步骤6中，根据步骤4确定的最优执行位置，由相应侧执行分析任务，得到最终决策结果，具体为：

30、根据步骤4确定的最优执行位置，由相应侧执行分析任务，当最优执行位置为协同时，在边缘侧和云侧分别生成基本概率分配函数形式的证据体，通过对两个证据体进行冲突深度分解和动态信任重构，并利用证据融合规则得到最终决策结果，其中，所述冲突深度分解和动态信任重构包括：

31、计算边缘侧证据体与云侧证据体之间的jousselme距离作为总冲突度，将总冲突度分解为数据层面冲突和认知层面冲突，所述数据层面冲突通过数据重建一致性校验器间接度量，所述认知层面冲突基于两侧认知不确定性的交互计算；

32、基于所述数据层面冲突、认知层面冲突及来自历史信任追踪器的基础信任度，分别计算边缘侧和云侧的动态信任折扣因子，利用折扣因子对两侧的基本概率分配函数进行折扣修正；

33、对修正后的基本概率分配函数采用dempster组合规则进行融合，并经pignistic转换获得最终的概率分布与决策置信度。

34、进一步地，步骤8中，四层联动机制包括：

35、云侧采用带弹性权重巩固的增量微调进行全局代理模型重训练；

36、边缘侧采用综合交叉熵损失、软标签蒸馏损失和特征层对齐损失的结构蒸馏方式从更新后的云侧模型及新样本中学习；

37、端侧通过因果归因剪枝算法从更新后模型中提取高精度规则，以增量补丁形式下发；

38、以及同时更新用于协同决策的路由信任追踪器和用于上下文工作集构建的时间相关性系数。

39、本发明还提供了一种工业设备端边云数据分级与协同决策系统，应用于上述的一种工业设备端边云数据分级与协同决策方法，包括：

40、端侧交互与采集模块，用于接入工业设备运行过程中的实时监测数据、现场输入信息、告警事件或智能体任务请求，并对所接入的数据进行时间戳对齐与协议统一，形成标准化的原始数据流；

41、边缘预处理与本地决策模块，部署在边缘侧，用于对原始数据进行预处理、清洗、压缩和特征提取，并执行低时延本地判断、阈值检测和快速告警；

42、云侧分析与策略生成模块，部署在云侧，用于执行复杂趋势分析、长期劣化分析、多设备关联分析和策略优化；

43、数据分级管理模块，用于依据数据内容、敏感等级、实时性要求和传输条件，对所述原始数据流中的各数据项进行分级，将各数据项区分为应留在本地的l1级数据、可上传摘要的l2级数据和可上传规则结果的l3级数据，并生成携带分级标签的数据集以及数据分级图；

44、任务路由模块，用于根据所述数据分级图、当前任务的任务特征隐变量以及实时采集的端边云算网资源状态，通过演化图博弈路由网络动态确定当前任务的最优执行位置，所述执行位置为端侧执行、边缘侧执行、云侧执行或端边云协同执行中的一种；

45、上下文工作集管理模块，用于围绕目标任务所指向的目标设备，从全域信息库中提取与当前任务直接相关的信息实体，通过信息纠缠熵约束动态生长算法形成最小必要上下文工作集；

46、协同决策模块，用于当路由结果为协同时，在边缘侧和云侧分别生成基本概率分配函数形式的证据体，通过对两个证据体进行冲突深度分解和动态信任重构，并利用证据融合规则得到最终决策结果，并将结果推送至所述端侧交互与采集模块；

47、结果回写与同步模块，用于累积人工反馈生成的持续学习样本，并在满足触发条件时，通过云侧重训练、边缘侧增量蒸馏、端侧模板注入和全局信任参数调整的四层联动机制，对分布在各侧的模型、规则及策略进行同步更新，并采用两阶段提交协议保证更新过程的一致性。

48、综上所述，本发明包括以下至少一种有益技术效果：

49、通过构建多尺度时空熵增图并结合业务因果势能的双向信息价值传播，实现了动态的数据分级判定，能够在保障数据安全合规的前提下，更精准地区分数据的本地驻留必要性，从而有效减少不必要的数据上云，降低网络带宽占用和云侧存储压力。

50、通过演化图博弈路由网络，综合考虑任务特征隐变量、数据分级结果和实时算网环境状态，能够动态确定任务的最优执行位置，在满足时效性要求的同时提升端边云资源的整体利用效率。

51、通过信息纠缠熵约束动态生长算法构建上下文工作集，能够从全域信息中准确提取最小必要信息实体，避免无关信息的引入，从而提升分析模型的推理准确性和响应速度。

52、通过基于冲突深度分解和动态信任重构的协同决策机制，能够有效处理边缘侧与云侧证据体之间的分歧，融合两者的分析优势，获得更为可靠且可解释的综合决策结果。

53、通过云侧重训练、边缘侧增量蒸馏、端侧模板注入和全局信任参数调整的四层联动机制，配合两阶段提交协议，能够将人工反馈持续转化为各侧模型和策略的增量更新，实现了系统在复杂工业现场的长期自适应优化。