1.一种新能源汽车驱动电机装配生产线的工业数据云端服务平台数据传输方法，所述的工业数据云端服务平台包括驱动电机装配生产线设备数据传感器、本地预处理器和云端数据处理器，所述的驱动电机装配生产线设备数据传感器采集生产线工业数据并通过本地预处理器传送给云端数据处理器进行故障数据判断；其特征在于，所述的工业数据云端服务平台数据传输方法包括以下步骤：

11)多源异构数据的采集：驱动电机装配生产线设备数据传感器采集装配生产线上的工业数据并传送给本地预处理器，其工业数据包括当前运行状态数据、生产装配数据、产品质量数据和故障报警数据；

12)本地预处理器的融合处理：本地预处理器利用深度机器学习的聚类方法，对大量工业数据进行分类、融合处理，通过已组建的专家库对工业大数据中不完整数据、偶发性异常故障数据进行筛选、移除；

13)云端数据处理器的数据二次融合处理：本地预处理器的筛选数据发送至远程云服务平台，在对云端工业数据的处理过程中，对深度神经网络的通道层级关系进行分析，进而实现通道分配、压缩，并移除冗余通道；

14)云端数据处理器的数据接收：本地预处理器基于处理后的数据通道对云端数据处理器进行工业数据传送。

2.根据权利要求1所述的一种新能源汽车驱动电机装配生产线的工业数据云端服务平台数据传输方法，其特征在于，所述的本地预处理器的融合处理包括以下步骤：

21)专家库模型设定：将由传感器采集的工业大数据按照数据类型，结合专家经验知识建立以规则推理为依据的规则树，用于分类数据的判定；

22)工业大数据初步分类处理：利用机器学习FCM模糊聚类算法，对传感器采集的数据按类型特征及权值进行聚类划分，形成基于已有数据的C个分类中心的检测分类集合；

所述的FCM模糊聚类算法为：根据工业大数据的初步特征，建立数据集M，通过机器学习，将数据集内的数据根据权重度αij划分为C个类中心，其定义的目标函数F，及其约束条件U表达式如下：其中：F为聚类使用的目标函数， 表示样本j属于分类集合i的权重度，xj为样本j的数据值，ci为分类集合i的类中心数值，m为权重度因子；

23)将聚类分析后的数据利用专家库的规则树进行初步判定；判定过程表述为：将由聚类分析得到的C个分类特征，结合专家经验和知识，转化为多值或者二值推理，从而实现本地预处理器的数据快速、准确地融合处理。

3.根据权利要求1所述的一种新能源汽车驱动电机装配生产线的工业数据云端服务平台数据传输方法，其特征在于，所述的云端数据处理器的数据二次融合处理包括以下步骤：

31)神经网络模型的设定：利用来自本地预处理器的数据，构建数据集建立CNN卷积神经网络模型，在模型中构建权值剪枝值，开展冗余通道剪切，构建上下网络层级的约束函数开展权重评价，用于冗余通道压缩；

32)神经网络模型的优化：利用OI网络正则化方法训练神经网络模型，对神经网络模型进行优化；其优化方法为：

321)使用通道剪枝方法移除神经网络中冗余通道，加速神经网络推理过程和压缩模型体积，；

322)结合拓展的OI网络正则化方法，将结构正则化同时运用连续网络层中相互对应的out-channels和in-channels；

323)在训练过程中加入结构正则化对网络权重进行结构化约束；

33)神经网络模型的训练；

34)将云端服务器获得的工业数据输入训练后的神经网络模型，去除冗余通道。

4.根据权利要求3所述的一种新能源汽车驱动电机装配生产线的工业数据云端服务平台数据传输方法，其特征在于，所述神经网络模型的训练包括以下步骤：

41)初始模型设定：利用训练数据集M，初始化权重值W，定义剪切迭代数量n，初始定义剪切比例关联因子τ；

42)层级剪切训练：在训练集中随机选取权重值W进行通道剪切训练，训练由0层至目标2

层L-1时，选取正则化评价指标ξ，ξ采用对W 求和为正则化计算规则，满足

43)层级优化训练：在对两个连续静态信息层L层及L+1层进行拓展OI网络正则化优化时，同时考虑L层及L+1层的权重平方和，获得优化的正则化评价指标，满足：系统判定中，计算优化的正则化评价指标，评价指标值越大，表示L及L+1连续层网络关联权重越重要，则通道剪切考虑L与L+1层的关联性；

44)实施冗余通道剪切：将根据人为经验初始得到的剪切比例关联因子τ带入训练数据集进行训练，在n次剪切迭代中，将由0层至目标层L迭代的权重因子进行迭代记录，数值计入W(0)，当n-1次迭代的剪枝比例＜(1-τ)W(0)处的剪枝比例时，对通道按通道剪枝方法开展持续剪切修正，实现已定剪切比例的通道约束，直至达到预设剪切比例时，通道剪切停止；

45)通道修正：剪切后的通道删除了关联性较差的冗余通道，同时利用多次平滑修正避免了一次剪切对网络精度造成的损失。

5.根据权利要求3所述的一种新能源汽车驱动电机装配生产线的工业数据云端服务平台数据传输方法，其特征在于，所述的拓展的OI网络正则化方法为将神经网络中连续两层网络层中的上下通道开展权重评价，分配权重W和剪切比例关联因子τ，其表达式如下：式中：

J(W)为经过拓展的OI网络正则化方法优化后的优化值，W为神经网络中所有层中可训练的权重值，M为目标训练数据集，Loss(W,M)为目标训练集M的训练损失，R(W)为非结构正则化项，σ为非结构正则化超参数，ROI(Wl,Wl+1)为结构正则化应用到第L层的函数，σs为结构正则化超参数；

其中，ROI(Wl,Wl+1)在对常规L层评价过程中，通常设定均等的剪切比例，或者根据实验者的经验人为设定L层框架下的被剪切比例，在经过拓展的OI网络正则化方法优化后，考虑L层对L+1层的权重关联，利用连续两层的网络信息选取冗余通道剪切比例关联因子τ，用于强化上下通道之间的影响。