本发明属于数据融合领域，涉及云边协同技术，具体是基于云边协同的智能化生产线数据融合方法。
背景技术：
1、云计算以其强大的计算能力和存储资源，原本是处理这些数据的理想平台。然而，数据传输到云端处理存在的延迟问题，限制了实时分析和快速响应的能力。边缘计算应运而生，它允许数据在接近数据产生的地点进行预处理和分析，减少了数据传输的时间和带宽需求，提升了响应速度和处理效率。
2、申请号为cn2022110777923的发明专利公开了一种基于数字孪生的生产线数据映射及融合系统及方法，该发明通过数字孪生模型模拟生产线的实际运作状态，并对数字孪生模型进行状态与设备的监控，同时基于数字孪生系统中数据进行生产线管控计划的优化；该方法在对获取到的生产线数据与数字孪生模型进行融合同步，通过对数字孪生模型进行模拟并分析，可能会因数字孪生模型实际并非实际设备运行，若生产线在实际运行过程中出现故障或者异常，无法及时的进行检测并调整，导致生产线的生产出现效率低下甚至故障的情况。
3、本发明提供了基于云边协同的智能化生产线数据融合方法，以解决以上技术问题。
技术实现思路
1、本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了基于云边协同的智能化生产线数据融合方法，用于解决现有技术中对生产线实际状态检测不及时导致生产线效率低下的技术问题。
2、为实现上述目的，本发明的第一方面提供了基于云边协同的智能化生产线数据融合方法，包括：
3、步骤一：通过传感器与图像采集设备实时收集生产线工作状态时的静态数据与动态数据；
4、步骤二：通过边缘计算对静态数据与动态数据进行预处理获取标准静态数据与标准动态数据；识别标准动态数据中的异常动态数据获取异常信号；根据异常信号控制生产线动态调整；
5、步骤三：通过云端计算识别标准静态数据中的关键控制数据；基于关键控制数据生成决策信息；
6、步骤四：将决策信息输送回边缘计算节点生成控制信号，基于控制信号控制生产线进行优化调整。
7、本发明通过传感器和图像采集设备实时收集生产线工作状态时的静态数据和动态数据，并通过边缘计算对其进行预处理，提高数据质量和数据分析效率；在边缘计算节点中通过与设置阈值进行比较，识别标准动态数据中出现异常的异常动态数据，并生成异常信号；基于异常信号对生产线实现动态调整，控制生产线能够在较高效率的情况下进行生产，提高整体生产效率和能效比；通过云端计算中的关键模型识别标准静态数据中的关键控制数据，通过对关键控制数据和历史数据进行分析，生成控制信号，合理安排库存调度，减少生产延误成本；基于控制信号对生产线进行优化调整，保证生产的高效运行。
8、优选的，所述通过边缘计算对静态数据与动态数据进行预处理获取标准静态数据与标准动态数据，包括：
9、提取静态数据与动态数据；其中，静态数据包括订单数据、设备数据、库存数据和环境数据；动态数据包括运行数据、生产数据和质检数据；
10、依次对静态数据和动态数据进行去除噪声、异常值检测和数据规范化处理，并筛选出关键数据，将动态数据中筛选得到的关键数据标记为标准动态数据，将静态数据中筛选得到的关键数据标记为标准静态数据。
11、优选的，所述识别标准动态数据中的异常动态数据获取异常信号，包括：
12、提取标准动态数据；其中，标准动态数据包括运行数据和质检数据；运行数据包括温度、生产线稼动率和能耗速率；质检数据包括产品合格率和产品总数量；
13、设置温度阈值、稼动率阈值、能耗阈值、合格率阈值和数量阈值；其中，温度阈值、稼动率阈值和能耗阈值根据生产线中可能会影响最终产品质量的程度设置；合格率阈值根据批次部件的要求设置；数量阈值根据订单数据中所需的产品数量设置；
14、判断温度是否大于温度阈值；是，则生成温度异常信号；否，则生成温度正常信号；
15、判断生产线稼动率是否大于稼动率阈值；是，则生成稼动率异常信号；否，则生成稼动率正常信号；
16、判断能耗速率是否大于能耗阈值；是，则生成能耗异常信号；否，则生成能耗正常信号；
17、判断产品合格率是否小于合格率阈值；是，则生成合格率异常信号；否，则生成合格率正常信号；
18、判断产品总数量是否大于数量阈值；是，则生成停止异常信号；否，则继续进行生产；
19、将温度异常信号、稼动率异常信号、能耗异常信号、合理率异常信号和停止异常信号组合生成异常信号。
20、优选的，所述根据异常信号控制生产线动态调整，包括：
21、提取异常信号；
22、分别赋予每个异常信号一个权重系数；其中，权重系数根据异常信号对于生产线生产的影响程度进行设置；
23、判断异常信号的数量是否大于等于1；是，则生成警报信息，并根据权重系数的大小为异常信号的优先级进行排序，按照排序顺序对异常信号进行处理；否，则继续保持生产。
24、优选的，所述通过云端计算识别标准静态数据中的关键控制数据，包括：
25、提取标准静态数据；其中，标准静态数据包括订单数据、库存数据和环境数据；
26、将标准静态数据输入关键模型，得到标准静态数据中与生产线运行相关的关键控制数据；其中，关键模型基于神经网络模型构建。
27、优选的，所述关键模型基于神经网络模型构建，包括：
28、从数据库中提取历史静态数据和其中的历史关键控制数据；将历史静态数据和历史关键控制数据作为训练数据和检验数据，使用训练数据对神经网络模型进行训练，使用检验数据对训练完成后的神经网络模型进行检验，根据检验结果对神经网络模型进行参数调整，得到输入数据为标准静态数据，输出数据为关键控制数据的关键模型。
29、优选的，所述基于关键控制数据生成决策信息，包括：
30、a1：提取关键控制数据；所述关键控制数据包括订单中所需物料数量、库存数量、环境温度和环境湿度；
31、a2：判断所需物料数量是否大于库存数量；是，则生成紧急补货的决策信息；否，则跳转至a3；
32、a3：设置库存阈值；将所需物料数量减去库存数量得到库存剩余量；其中，库存阈值根据历史订单中所需物料数量平均值设置；
33、判断库存剩余量是否大于等于库存阈值；是，则生成暂不补货的决策信息；否，则生成预约补货的决策信息；
34、设置温度适宜范围和湿度适宜范围；其中，温度适宜范围和湿度适宜范围基于不影响生产线正常运作的环境温度和湿度设置；
35、判断温度适宜范围是否包含环境温度；是，则生成温度适宜的决策信息；否，则生成温度异常调整的决策信息；
36、判断湿度适宜范围是否包括环境湿度；是，则生成湿度适宜的决策信息；否，则生成湿度异常调整的决策信息。
37、优选的，所述将决策信息输送回边缘计算节点生成控制信号，包括：
38、提取决策信息；
39、将决策信息输送回边缘计算节点进行边缘计算；当决策信息中出现紧急补货时，匹配缺少的库存类型，生成库存紧急补充信号；当决策信息中出现预约补货的决策信息时，生成库存预约补充信号；
40、当决策信息中出现温度异常调整的决策信息时，生成温度调整信号；当决策信息中出现湿度异常调整的决策信息时，生成湿度调整信号；
41、将库存紧急补充信号、库存预约补充信号、温度调整信号和湿度调整信号整合得到控制信号。
42、优选的，所述基于控制信号控制生产线进行优化调整，包括：
43、提取控制信号；根据库存阈值、温度适宜范围和湿度适宜范围设置补货阈值和环境调节值；
44、当接收到库存紧急补充信号和库存预约补充信号时，控制运输系统完成补货，当库存量等于补货阈值时，生成补货完成信号反馈至边缘计算节点停止补货；
45、当接收到温度调整信号和湿度调整信号时，控制环境控制系统调节生产线车间环境，实时监测环境温度与环境湿度，当环境温度与环境湿度达到环境调节值时，生成调节完成信号反馈至边缘计算节点停止环境调节。
46、优选的，所述根据库存阈值、温度适宜范围和湿度适宜范围设置补货阈值和环境调节值，包括：
47、提取库存阈值、温度适宜范围和湿度适宜范围；从数据库中提取历史订单数据；
48、判断库存物品种类是否与历史订单数据的物品种类相同；是，则将对应历史订单数据标记为匹配订单数据；否，则将对应历史订单数据标记为不匹配订单数据；
49、将匹配订单数据中所需物品数量的平均数减去库存阈值得到补货阈值；将温度适宜范围的中间值标记为温度调节值，将湿度适宜范围的中间值标记为湿度调节值；将温度调节值和湿度调节值组合得到环境调节值。
50、与现有技术相比，本发明的有益效果是：
51、1.本发明通过传感器与图像采集设备实时收集生产线工作状态时的静态数据和动态数据；通过边缘计算对静态数据与动态数据进行预处理获取标准静态数据与标准动态数据，得到标准动态数据和标准静态数据，能够提高数据质量，减少计算负担，提高数据处理和分析的效率；通过边缘计算节点识别标准动态数据中的异常动态数据并获取异常信号，能够实时的对生产线的运作状态进行监测，避免潜在的生产事故或质量问题，实现动态优化策略；根据异常信号控制生产线进行动态调整，能够及时指导生产调度和流程优化，提高整体生产效率和能效比；通过云端计算识别标准静态数据中的关键控制数据，能够提高运算速率，提高优化调整效率；通过将关键控制数据与设置阈值进行比较，生成决策信息，有助于避免因缺料导致的生产停滞，减少生产延误成本，并提升生产效率；将云端计算得到的决策信息输送回边缘计算节点生成控制信号，可以更合理地调配物流和仓储资源，避免不必要的快速物流成本，同时确保供应链的流畅运转，减少因库存不足或过剩造成的浪费；基于控制信号控制生产线进行优化调整，保证生产的正常运行。
52、2.本发明通过云边协同实现对生产线数据的数据融合，将需要进行快速反应的动态数据输送至边缘计算节点进行计算，能够快速对生产线的状态进行监测并调整，保证生产连续性和产品质量，提高生产效率；通过云端计算结合历史数据对当前生产车间的库存数据和环境数据进行监测与调整，更合理地调配物流和仓储资源，避免不必要的快速物流成本。
1.基于云边协同的智能化生产线数据融合方法，其特征在于，包括：
2.根据权利要求1所述的基于云边协同的智能化生产线数据融合方法，其特征在于，所述通过边缘计算对静态数据与动态数据进行预处理获取标准静态数据与标准动态数据，包括：
3.根据权利要求1所述的基于云边协同的智能化生产线数据融合方法，其特征在于，所述识别标准动态数据中的异常动态数据获取异常信号，包括：
4.根据权利要求1所述的基于云边协同的智能化生产线数据融合方法，其特征在于，所述根据异常信号控制生产线动态调整，包括：
5.根据权利要求1所述的基于云边协同的智能化生产线数据融合方法，其特征在于，所述通过云端计算识别标准静态数据中的关键控制数据，包括：
6.根据权利要求5所述的基于云边协同的智能化生产线数据融合方法，其特征在于，所述关键模型基于神经网络模型构建，包括：
7.根据权利要求1所述的基于云边协同的智能化生产线数据融合方法，其特征在于，所述基于关键控制数据生成决策信息，包括：
8.根据权利要求1所述的基于云边协同的智能化生产线数据融合方法，其特征在于，所述将决策信息输送回边缘计算节点生成控制信号，包括：
9.根据权利要求1所述的基于云边协同的智能化生产线数据融合方法，其特征在于，所述基于控制信号控制生产线进行优化调整，包括：
10.根据权利要求9所述的基于云边协同的智能化生产线数据融合方法，其特征在于，所述根据库存阈值、温度适宜范围和湿度适宜范围设置补货阈值和环境调节值，包括：
