综述：边缘-云协同在机器状态监测中的应用：机制、模型与应用的全面综述 于立媛（Liyuan Yu） 方继涛（Jitao Fang） 王秋艳（Qiuyan Wang） 李法家（Fajia Li） 刘海宁（Haining Liu）

《Machines》：Edge–Cloud Collaboration for Machine Condition Monitoring: A Comprehensive Review of Mechanisms, Models, and Applications Liyuan Yu, Jitao Fang, Qiuyan Wang, Fajia Li and Haining Liu

　　

摘要

机器状态监测越来越依赖于分布式传感、边缘智能和云计算分析，然而及时且可靠的健康评估仍然受到延迟、带宽、隐私和可靠性要求的限制。仅依赖云的架构可以提供可扩展的计算能力和历史数据整合，但往往无法满足工业领域的实时需求；而仅依赖边缘设备的部署则受到计算资源有限和本地知识碎片化的制约。因此，边缘-云协作成为一种实用的技术方案，用于在分层工业系统中分发感知、推理、学习和协调功能。本文综述了2019年至2026年2月期间发表的147篇关于机器状态监测领域边缘-云协作的论文。通过构建一个四维分类体系，将这些论文分为以模型为中心、以数据为中心、以资源和任务为中心以及以架构和信任为中心的机制类型，并另外分析了13篇调查性和综述性论文以进行对比研究。在此基础上，本文重点探讨了联邦学习、迁移学习、知识蒸馏、数字孪生和深度强化学习等关键技术及其在制造业、能源、交通和基础设施监测场景中的应用。目前相关研究仍以模型为中心，但以架构和信任为中心的研究正逐步为实际应用奠定系统基础。此外，本文还指出了主要的研究挑战，包括在变化的操作条件下的鲁棒泛化能力、高效的数据传输、实时资源协调、互操作性以及大规模部署的可靠性问题，并提出了未来研究的方向，包括基于基础模型的边缘-云协作、持续学习、双重数字孪生、可信协作以及保护隐私的工业生态系统等。