想象你走进一家大型综合医院的检验科。每天早上，门诊采血窗口、住院部护士站、体检中心大巴会分别送来一箱箱血液样本——采血管型号不同、标签格式不同、到达时间也不同。检验科主任早就习惯了这种“混乱”：她的工作不是让源头变得统一，而是把不同源头送来的样本都处理干净。每根管子的条码记录着采血时间、病人信息和采样部位，有的血量不足、有的出现溶血、有的条码模糊。老师傅绝不会把样本直接塞进分析仪——混匀、登记、排序、剔除不合格样本，每一道工序都马虎不得。因为大家都明白：样本不干净，检验报告就是废纸，再高明的医生也会被误导。 工业IoT的世界里，PLC、传感器、SCADA就是那三个“采血渠道”，它们源源不断产生的温度、压力、振动数据就是“数据血样”。数据采集负责把异构源头的数据汇聚回来，数据清洗负责去抖动、补缺失、对齐时间戳、剔除异常。这两步做好了，上层的数字孪生、预测性维护、能耗优化才有可靠的“化验单”。这篇文章带你走一遍工业数据从源头到洁净数据的完整旅程，看看数据工程师如何像检验科老师傅一样，把“脏样本”变成可信的“化验结果”。

岗位关联

掌握工业数据的采集与清洗，是进入工业AI和数字孪生领域的第一道门槛，它直接决定上层模型效果的上限，是工业数据工程师最核心的硬技能。

目录
  1. 可视化演示
  2. 数据源接入
  3. 时序特征
  4. 数据清洗
  5. 质量评估
  6. 安全治理
  7. 系统集成
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示工业IoT从PLC、传感器、SCADA异构数据源到采集、清洗、输出的完整数据管线，点击按钮切换各环节详细视图

本节配有交互动效（进入视口后自动加载，约 3KB）。

工业数据管线总览 PLC传感器SCADA为异构数据源 采集层汇聚多源时序数据 清洗层去抖动补缺失对齐时间戳 输出高质量数据供下游建模 数据质量决定算法效果上限 五阶段管线构建工业智能数据基石

数据源接入

想象你走进一家大型综合医院的检验科。每天早上，门诊采血窗口、住院部护士站、体检中心大巴会分别送来一箱箱血液样本——采血管型号不同、标签格式不同、到达时间也不同。检验科主任早就习惯了这种“混乱”，因为她的工作不是让源头变得统一，而是把不同源头送来的样本都处理好。工业IoT的数据源接入，面临同样的局面。

数据采集解决的是“接得进来、读得懂”的问题。PLC（可编程逻辑控制器）是设备的控制大脑，运行参数要通过Modbus、Profinet等现场总线读出；传感器直接感知温度、振动、电流，是设备级最细腻的“神经末梢”；SCADA（监控与数据采集系统）站在更上层，把若干PLC和传感器的数据汇聚到中央监控画面。这三类源头产生的数据天然异构——协议不同、单位不同、刷新周期不同。

协议解析是接入环节的“翻译官”：Modbus帧结构简单但字段含义需查设备手册，OPC UA提供工业互联的语义标准，MQTT适合轻量数据上云。在一个真实项目中，经常需要同时对接十几种协议。而设计采集方案时，采样频率决定能捕捉到多快的变化，依据是采样定理：

采样频率怎么定？就像采血窗口要按门诊高峰时段的人流量来安排一样——窗口太少，排队队伍长，关键时刻的样本就漏掉了。接入层的规划设计，决定了后续流程有没有合格的“样”可用。

fs≥2fmax\displaystyle f_s \ge 2 f_{max}
  1. 采样频率 \( f_s \)采集系统每秒记录多少个数据点，是决定数据密度的基础参数，例如每秒100个采样。
    fs=NsamplesTseconds\displaystyle f_s = \frac{N_{samples}}{T_{seconds}}
  2. 信号最高频率 \( f_{max} \)被监测物理量变化中最快的分量，比如电机振动中50Hz的谐波成分，低于此频率的信息都无从分辨。
    fmax=max⁡{f:A(f)>0}\displaystyle f_{max} = \max\{f : A(f) > 0\}
  3. 两倍约束关系采样频率至少要达到最高频率的两倍，才能从离散样本中无失真地重建原始波形，这是数据采集的底线规则。
    fs≥2fmax⇒波形可恢复\displaystyle f_s \ge 2 f_{max} \Rightarrow 波形可恢复

时序特征

每一管血样条码上，最醒目的信息除了病人ID，就是采血时间。护士必须精确到分钟记录，因为血糖、血气、药物浓度都随时间剧烈变化。如果没有这个时间戳，样本就失去了诊断价值。工业数据也一样——它带着自己的“时间条码”，也就是时间戳。

时序数据是工业IoT的“母语”：设备振动每隔几毫秒产生一个值，温度每隔几秒变化一点，电能表每分钟上报读数。这些序列有四个鲜明特征：高频采样，高端振动传感器可达kHz级；时间戳依赖，顺序即真相，乱序和延迟会直接导致误判；多源异构，不同设备的采样率、单位、精度各不相同；海量数据，一条产线一天可产生TB级记录。

多源异构带来的第一个挑战是存储规划。估算是架构设计的第一步，数据总量公式为：

代入一个典型场景：2560Hz × 4字节 × 100测点 × 86400秒，一天就是88GB。理解了时序数据的“脾性”，才会明白为什么数据清洗不是可选项——样本保存不善，再厉害的仪器也验不出来。

D=fs×b×n×T\displaystyle D = f_s \times b \times n \times T
  1. 采样频率 \( f_s \)每秒采集点数，振动监测常取2560Hz，温度监测常取1Hz。
    fs=2560 Hz (振动)\displaystyle f_s = 2560\ \text{Hz (振动)}
  2. 单点字节数 \( b \)一条数据占用存储字节数，工业常用的float32浮点数占4字节，带时间戳的结构体可能占8字节以上。
    b=4 bytes (float32)\displaystyle b = 4\ \text{bytes (float32)}
  3. 测点数量 \( n \)同时监控的测点总数，一台设备可能挂几十个传感器，一条产线挂上千个。
    n=nsensors+nPLC tags\displaystyle n = n_{sensors} + n_{PLC\ tags}
  4. 采集时长 \( T \)持续采集的总秒数，一天为86400秒，一年约3.15×10^7秒。
    T=86400 s/day\displaystyle T = 86400\ \text{s/day}

数据清洗

检验科老师傅收到样本后从不直接上机。先放入摇床混匀，让样本成分均匀——这是“去抖动”；血量不足的样本标记补采——这是“补缺失”；把样本按采血时间排序上机——这是“时间对齐”；肉眼可见溶血、脂血浑浊的样本直接退回重采——这是“异常剔除”。这四道工序组合起来，就是检验科的“数据清洗”。

为什么清洗如此重要？因为原始数据一定带着现场的各种杂质：传感器受电磁干扰产生毛刺、通信中断造成数据空洞、多套系统时间基准不一导致错位、设备故障推高读数。清洗就是把这些杂质滤掉，让数据真实反映物理世界。

去抖动最常用的工具是滑动平均——把当前值与前后几个邻居取平均，毛刺就被摊平了：

补缺失的常用方法是线性插值——用缺失段前后的已知点连一条直线，估计中间值：

异常剔除最经典的是3σ规则——数据点偏离均值超过三倍标准差，就当作离群值剔除：

这一节对应的四种“数据病”——毛刺病、空洞病、错位病、离群病——每治一种都要理解物理背景。检验科老师傅的耐心，就是数据工程师在清洗环节必须付出的耐心，因为报告不准，再高明的医生也束手无策。

xˉt=1N∑i=0N−1xt−i\displaystyle \bar{x}_t = \frac{1}{N}\sum_{i=0}^{N-1}x_{t-i}
  1. 均值 \( \mu \) 与标准差 \( \sigma \)对窗口或全体数据计算平均值和标准差，σ表示数据围绕均值波动的幅度。
    μ=1N∑xt,σ=1N∑(xt−μ)2\displaystyle \mu = \frac{1}{N}\sum x_t,\quad \sigma = \sqrt{\frac{1}{N}\sum (x_t-\mu)^2}
  2. 标准化 \( z_t \)把每个点换算成“偏离均值多少个标准差”，这是一个无量纲的离群程度指标。
    zt=xt−μσ\displaystyle z_t = \frac{x_t - \mu}{\sigma}
  3. 阈值判决 \( |z_t| > 3 \)正态分布下约99.7%的点落在3σ内，超过3σ的极可能是传感器故障或设备异常。
    P(∣z∣>3)≈0.3%\displaystyle P(|z| > 3) \approx 0.3\%

质量评估

检验科每天开诊前，都要用标准质控品跑一遍分析仪：明明装了已知浓度的质控液，仪器读出来是多少？如果偏差超标，说明仪器需要校准，当天所有报告都要重测。这种“拿着标尺量自己”的做法，对应到数据领域，就是数据质量评估。

数据质量不是凭感觉，而是可量化的指标。业界常用三个维度：完整性，指该收到的数据点有没有收到；准确性，指数据与真实物理值的接近程度，通常用与校准源的偏差衡量；及时性，指数据从产生到进入存储可用的端到端延迟。

完整性是最基础的指标。假设一条产线按10Hz采样、运行8小时，期望收到288000个点，实际系统只落库了282240个点，完整性率就是：

质量评估不是事后补救，而是持续监控——一旦完整性率跌破阈值立刻告警，定位是网络丢包、设备停机还是采集程序故障。就像检验科的质控一旦失控，当天所有报告都要作废重测，数据管线的质量门禁也必须一票否决。

C=NaNe×100%\displaystyle C = \frac{N_a}{N_e} \times 100\%
  1. 实际点数 \( N_a \)清洗后真正保留并可入库的数据点数量，由计数器统计得出。
    Na=282240\displaystyle N_a = 282240
  2. 期望点数 \( N_e \)按采样频率与运行时长理论应产生的点数，是衡量基线的“满分答卷”。
    Ne=10 Hz×8×3600 s=288000\displaystyle N_e = 10\ \text{Hz} \times 8 \times 3600\ \text{s} = 288000
  3. 百分比换算 \( \times 100\% \)两者相除得到比例，方便对照质量目标（如工业界常要求≥99%）。
    C=282240288000×100%=98%\displaystyle C = \frac{282240}{288000} \times 100\% = 98\%

安全治理

检验科的样本条码带有防伪校验，冷链运输全程记录温度，只有授权医生才能打印报告——医院的公信力建立在严谨的安全管理上。工业数据是工厂的“生产血液”，一旦被篡改或泄露，轻则模型误判，重则生产事故。

工业数据安全治理有三根支柱。第一根是访问控制：设备侧做白名单，只有认证过的采集网关才能接入网络；平台侧做角色权限，操作员、工程师、管理层各看各的数据。第二根是传输加密：内网用TLS协议加密通道，跨地域用VPN隧道，防止数据在链路上被窃听或篡改。第三根是审计追溯：每一次访问、修改都有日志记录，出了问题能追溯到具体账号和设备。

加密强度可以量化，以最常用的AES对称加密为例，攻击者平均穷举时间与密钥长度呈指数关系：

翻译成大白话：AES-256的钥匙孔大到让宇宙毁灭也试不完。工业数据安全治理的意义，就是给数据管线装上这样的“防伪锁”。检验科的严谨换来了医院的公信力，工业IoT的安全治理换来的则是生产连续性和数据可信度。

T=2k−1×t0\displaystyle T = 2^{k-1} \times t_0
  1. 密钥位数 \( k \)加密算法使用的密钥长度，AES-128、AES-256分别代表128位与256位密钥。
    k=256 (AES-256)\displaystyle k = 256\ \text{(AES-256)}
  2. 单次尝试耗时 \( t_0 \)攻击者每验证一个候选密钥所需的计算时间，与算力相关。
    t0=1 μs\displaystyle t_0 = 1\ \mu\text{s}
  3. 平均穷举时间 \( T \)密钥空间一半被遍历的耗时，代表破解难度的理论下限，每增加1位翻倍。
    T=2255×1 μs≈1063 年\displaystyle T = 2^{255} \times 1\ \mu\text{s} \approx 10^{63}\ \text{年}

系统集成

检验科从来不是孤岛。病人的样本来自门诊HIS系统，检验申请在LIS系统中流转，报告最终要写回电子病历。如果这些系统不打通，护士就只能手工抄录，又慢又容易错。工业IoT也一样——采集和清洗只是旅程的一半，系统集成是让数据流动起来的血管网络。

系统集成的典型架构是“边缘+云”。边缘网关部署在设备附近，负责协议解析、数据缓存、实时控制——就像住院部采血点就地取材、快速出初检。云端负责海量历史数据的存储、批量训练与全厂可视化——就像检验科的总部实验室，汇聚全部样本做深度分析。两者协同，关键是控制端到端时延：

实施路径上，业界共识是“先试点、再推广”：先选一条产线跑通PLC接入、清洗、看板展示的闭环，验证价值后再复制到全厂。全院一张网，数据在科室间流动成“智慧”；全厂一张网，数据在设备间流动成“智能”。系统集成不是最后的点缀，而是工业数据真正创造价值的前提。

Te2e=Ta+Tt+Tp\displaystyle T_{e2e} = T_a + T_t + T_p
  1. 采集时延 \( T_a \)从物理量产生到被传感器与采集网关记录的时间，受传感器响应速度影响。
    Ta=Tsensor+Tgateway\displaystyle T_a = T_{sensor} + T_{gateway}
  2. 传输时延 \( T_t \)数据从边缘网关经网络到达云端的时间，与链路带宽、距离、路由跳数相关。
    Tt=Tnetwork+Tqueue\displaystyle T_t = T_{network} + T_{queue}
  3. 处理时延 \( T_p \)清洗、存储、特征计算所需时间，由数据量和算力共同决定。
    Tp=Tclean+Tstore+Tcompute\displaystyle T_p = T_{clean} + T_{store} + T_{compute}

AI 应用场景

设备预测性维护

阶段：数据采集与清洗 → 故障预测建模

解决的问题：传统定期维护“该修时没修、不该修时乱修”。高频振动数据里夹杂着大量电磁干扰毛刺和冲击噪声，直接建模会频繁误报。

具体案例：某钢铁厂在轧机轴承加装加速度传感器，以10kHz采样，用滑动平均去抖、3σ剔除冲击噪声后，把干净数据喂给时序模型，提前72小时预测到轴承劣化，避免了单次数百万元的非计划停机损失。

产线数字孪生

阶段：多源数据对齐融合 → 孪生建模与同步

解决的问题：数字孪生要求物理产线与虚拟模型实时同步，PLC节拍、机器人位置、传感器温度来自不同系统，时间戳不齐会导致孪生体动作失真。

具体案例：某汽车工厂把三类数据汇聚到边缘网关，统一重采样到100ms时间栅格后再同步到孪生平台，虚实同步误差从±5秒缩小到±100毫秒，工艺调优从此可以在虚拟环境中先试跑。

跨车间能源管理优化

阶段：跨车间数据汇聚清洗 → 能耗分析与优化

解决的问题：各车间电表协议不同（Modbus、DL/T645）、读表周期不一致，能耗账本长期对不上，优化无从谈起。

具体案例：某电子厂接入200块智能电表，统一协议后汇聚到能源管理平台，按15分钟间隔清洗对齐，发现空压机待机能耗占总用电18%。优化控制策略后，年省电费120万元。

Python 演示

python41 行
import numpy as npimport pandas as pd def simulate_raw_data(n=1000, seed=42):    rng = np.random.default_rng(seed)    t = np.arange(n)    temp = 50 + rng.normal(0, 0.3, n)    temp[100] += 1.5    temp[250] += 1.2    temp[450] += 2.0    temp[300:305] = np.nan    temp[700] = 99.0    return pd.DataFrame({'time': t, 'temperature': temp}) def clean_data(df, window=5, z_thresh=3.0):    out = df.copy()    out['filled'] = out['temperature'].interpolate(method='linear').bfill().ffill()    out['smooth'] = out['filled'].rolling(window, center=True, min_periods=1).mean()    mu = out['smooth'].mean()    sigma = out['smooth'].std()    out['z'] = (out['smooth'] - mu) / sigma    out['is_anomaly'] = out['z'].abs() > z_thresh    out['clean'] = out['smooth'].where(~out['is_anomaly'])    return out def quality_report(df):    total = len(df)    complete = int(df['clean'].notna().sum())    anomaly = int(df['is_anomaly'].sum())    missing = int(df['temperature'].isna().sum())    return total, complete, anomaly, missing if __name__ == '__main__':    raw = simulate_raw_data()    cleaned = clean_data(raw)    total, complete, anomaly, missing = quality_report(cleaned)    print('数据总量:', total)    print('原始缺失数:', missing)    print('识别异常点:', anomaly)    print('清洗后可用点数:', complete)    print('完整性率: %.2f%%' % (complete / total * 100))
目的：模拟工业温度传感器一天的原始数据（含毛刺、缺失、离群值），完整演示“补缺失→去抖动→3σ剔异常”的清洗管线，最后输出质量报告。
  1. temp = 50 + rng.normal(0, 0.3, n)生成一个在50度附近正常波动的温度信号作为基线，代表设备稳态运行。
  2. temp[100] += 1.5在第100个点注入小毛刺，模拟传感器受电磁干扰产生的瞬时抖动。
  3. temp[300:305] = np.nan把300到304共5个点置为空，模拟通信中断造成的数据空洞。
  4. temp[700] = 99.0把第700个点改为99度，模拟设备故障产生的离群大值。
  5. out['filled'] = out['temperature'].interpolate(method='linear').bfill().ffill()先用线性插值填充空洞，再处理首尾空隙，对应“时间对齐前的补缺失”工序。
  6. out['smooth'] = out['filled'].rolling(window, center=True, min_periods=1).mean()5点滑动平均磨平毛刺，窗口居中让每个点都被前后邻居校正。
  7. out['z'] = (out['smooth'] - mu) / sigma用均值与标准差把每个点换算成z分数，量化偏离程度。
  8. out['clean'] = out['smooth'].where(~out['is_anomaly'])把超过3σ的异常点置为空值，完成剔除工序。

常见误区

误区采样频率开到最高，数据越全越保险。反正硬盘便宜，多采一点总没错，总比漏数据好。

正解过高的采样会引入更多高频噪声、推高存储与计算成本，还会让清洗难度激增。采样频率应当依据奈奎斯特采样定理和业务需求确定——看的是信号最高频率，而不是盲目拉满。就像抽血不会每分钟抽一次，够化验就行，抽太多病人先受不了。

为何常见：大家天然觉得“数据越多信息越多”，忽略了工业数据的高频噪声和存储成本是真实的工程约束。

误区清洗会把真实数据改掉，我不洗，直接用原始数据才最可信，模型结果才能还原现场。

正解原始数据带着抖动、缺失、异常，直接喂给模型相当于把溶血样本送进分析仪，结果必然失真。清洗是在保留真实物理趋势的前提下滤除测量噪声，同时工程上会保留原始层，清洗前后都留档，可追溯可回滚。检验科也不会因为“怕弄脏样本”就不处理样本。

为何常见：把“清洗”误解为“篡改”，忽略了传感器测量本身就有误差，必须经过校正才能反映物理真实。

误区缺失几个点没什么大不了，补0或者用前面那个数填上就行，反正模型也注意不到。

正解工业时序数据高度依赖趋势，填0会人为制造巨大的阶跃，前值填充在长时间缺失时会形成一条水平线，都会严重误导模型。正确做法是短期缺失用线性插值，长期缺失结合工况建模填充，并在数据集中标记该段为插补数据、降低权重。

为何常见：很多人用通用数据清洗的思维处理工业时序数据，忽略了时间维度上的连续性才是时序数据的命根子。

误区数据到了数据中心，质量不好就找IT修，跟车间和设备没关系。

正解数据质量七成问题出在源头：传感器漂移、PLC配置错误、网络丢包、协议解析偏差。这需要OT（运营技术）与IT协同治理——工艺工程师确认物理量合理范围，设备工程师校准传感器，数据工程师负责清洗与监控。检验科报告不准，责任可不只在检验科，采血护士同样关键。

为何常见：组织上IT与OT部门长期割裂，责任边界模糊，导致质量问题互相推诿，迟迟无法根治。

面试题

Q1. PLC最主流的工业数据采集方式是哪种？

单选题 · easy

  • A.通过Modbus等协议读取寄存器← 正确答案
  • B.通过摄像头拍照识别仪表
  • C.通过SQL直接读取数据库
  • D.通过人工定期抄表录入

答案：A。PLC是设备控制大脑，几乎都支持Modbus、Profinet等现场总线协议，采集网关通过读取PLC寄存器获取温度、压力、转速等参数，这是工业现场最主流的接入方式。摄像头识别、直接读数据库、人工抄表都不是PLC数据采集的主流路径。

Q2. 以下哪项是时序数据最典型的特征？

单选题 · easy

  • A.数据无需任何顺序
  • B.高度依赖时间戳先后← 正确答案
  • C.数据量总是很小
  • D.无需专门存储

答案：B。时序数据的灵魂就是时间戳顺序——先产生、先记录、先分析，顺序颠倒意味着信息失真。就像血样条码上的采血时间一样，丢了时间戳，数据就失去了诊断价值。其余三个选项都是对时序数据的典型误解。

Q3. 奈奎斯特采样定理要求采样频率至少为信号最高频率的几倍？

单选题 · easy

  • A.1倍
  • B.2倍← 正确答案
  • C.10倍
  • D.100倍

答案：B。采样定理规定采样频率必须不低于信号最高频率的2倍，才能无失真地重建波形。这就像采血窗口不能隔太久才抽一次——如果病情在半小时内恶化，你一小时才采一次血，中间的变化就完全漏掉了。

Q4. 线性插值补缺失依赖的核心假设是什么？

单选题 · mid

  • A.数据按线性趋势变化← 正确答案
  • B.数据一直恒等于零
  • C.数据服从正态分布
  • D.缺失段可以直接删掉

答案：A。线性插值假设缺失段两端的数据可以用直线连接，这在温度、压力等缓变物理量上非常合理。填零会人为制造阶跃，正态分布假设属于参数模型方法，直接删除缺失段会破坏序列连续性。

Q5. 3σ异常检测规则中，σ代表什么统计量？

单选题 · mid

  • A.全体数据的均值
  • B.全体数据的标准差← 正确答案
  • C.全体数据的方差
  • D.全体数据的中位数

答案：B。σ是标准差，衡量数据围绕均值波动的离散程度；μ才表示均值。3σ规则的含义是：数据点偏离均值超过3倍标准差就判定为异常，因为正态分布下这个区间覆盖了约99.7%的正常数据。

Q6. 完整性率的正确计算公式是哪个？

单选题 · mid

  • A.异常点数除以总点数
  • B.实际点数除以期望点数← 正确答案
  • C.缺失点数除以总点数
  • D.正确点数除以错误点数

答案：B。完整性率 = 实际收到并入库的数据点数 ÷ 按采样频率和时长应得的期望点数 × 100%。它衡量的是“该来的数据来了多少”，是质量评估最基础的指标。A描述的是异常占比，C是缺失率，D混淆了概念。

Q7. 以下哪项最能缓解设备振动数据中的高频抖动？

单选题 · hard

  • A.提高采样频率
  • B.滑动平均滤波← 正确答案
  • C.增加存储空间
  • D.降低PLC扫描周期

答案：B。高频抖动是叠加在真实信号上的随机毛刺，滑动平均用窗口内相邻点取均值抵消随机误差，是最直接的平滑手段。提高采样率反而会采进更多抖动，增加存储压力；降低PLC扫描周期同理；增加存储空间与抖动无关。

Q8. 工业数据清洗包含哪些标准工序？

多选题 · mid

  • A.平滑去抖动← 正确答案
  • B.填充缺失值← 正确答案
  • C.对齐时间戳← 正确答案
  • D.训练神经网络

答案：ABC。清洗四大工序是去抖动、补缺失、时间对齐、异常剔除，对应检验科老师傅的混匀、补采、排序、退样。模型训练属于清洗之后的上层建模环节，不是清洗工序本身。

Q9. 工业数据安全治理的有效措施包括哪些？

多选题 · hard

  • A.设置访问权限控制← 正确答案
  • B.启用传输通道加密← 正确答案
  • C.记录完整审计日志← 正确答案
  • D.无限提高采集频率

答案：ABC。访问控制保证只有授权设备与人员能接触数据，传输加密防止链路窃听与篡改，审计日志支撑事后追溯，这三者是安全治理的三根支柱。无限提高采集频率只会引入噪声和成本，与安全无关。

Q10. 关于云边协同的数据采集架构，哪些做法是正确的？

多选题 · extreme

  • A.边缘网关负责实时预处理← 正确答案
  • B.云端负责批量历史分析← 正确答案
  • C.所有原始数据都直连上云
  • D.按延迟需求划分边缘与云← 正确答案

答案：ABD。云边协同的标准分工是：边缘做实时采集、清洗与控制，云端做批量训练与历史分析，两者按延迟需求灵活分工。所有原始数据直连上云既浪费带宽又增加时延，还放大安全暴露面，是不推荐的架构——就像所有血样都直接送到总部实验室，急诊早就耽误了。