基于云边协同的智能产线运行状态监测数据集

边缘侧数据采集与预处理：采用“云-边-端”三层协同架构，在产线边缘侧部署数据采集与预处理节点。通过Wi-Fi无线采集单元与有线高频采集单元相结合的方式，实现对设备振动、温度、超声等参数的实时采集与特征提取。边缘侧完成数据清洗、异常过滤、特征计算（如时域特征、频域特征）等预处理操作，有效降低云端数据传输与存储压力。 云端数据建模与智能分析：云端构建基于机理模型与数据驱动相融合的设备健康监测模型。采用动态阈值建模方法，替代传统单一固定阈值报警方式，根据设备运行工况自适应调整报警阈值，降低误报率。融合自回归模型（AR）与时空关联分析，实现对设备性能衰退趋势的早期追踪与预警。 云边协同机制：边缘侧负责实时数据采集与快速响应（毫秒级），云端负责复杂模型训练与全局优化决策。采用联邦学习或模型下发机制，将云端训练好的模型参数定期同步至边缘侧，实现“云上训练、边端推理”的协同模式，满足产线实时性需求的同时持续优化模型精度。 报警与事件管理：建立多级报警分级机制（预警/告警/紧急），结合历史案例库与规则库，对报警事件进行智能诊断与处理建议推荐，实现运维知识的沉淀与复用。

搜集汇总

背景与挑战

背景概述

该数据集基于云-边-端三层协同架构，包含产线设备振动、温度、超声等参数的实时采集与预处理数据，以及云端动态阈值模型、联邦学习协同机制及多级报警管理规则。数据规模为46GB，按年更新，主要应用于产线状态远程监控、设备异常早期预警和综合效能评估等场景。