1.一种基于端边云的工业过程监控方法，其特征在于，包括以下步骤：步骤A：依据采样频率动态更新策略进行数据采集；

步骤B：在边缘计算节点采用双目标函数优化算法对采集的原始模拟信号s进行预处理，以生成特征数据向量；

步骤C：云平台将所述特征数据向量输入至预先训练的预警模型，以获得各类工业过程异常的实时预测概率值；然后将所述实时预测概率值与动态调整的预警阈值进行比较，以判定并发出相应的预警信号；

所述步骤B具体过程为：

B1.建立双目标函数模型，所述模型包括用于量化信号降噪程度的第一目标函数f1(θ)和用于评估特征保真度的第二目标函数f2(θ)；

B2.建立并维护一个最多存放M个最优参数解并对内部参数解按优化程度进行排序的优化解存档；在算法迭代过程中，当新生成的参数解根据预设的最优解选取规则被判定为更优解时，将该新生成的参数解存入所述优化解存档，并同时从存档中剔除排名最低的参数解，然后对存档内的参数解重新排序，直至算法收敛获得一组在噪声抑制与特征保留间达成最优权衡的预处理参数向量θ；

B3.应用收敛后的最优的预处理参数向量θ对原始模拟信号s进行处理，并将处理后的信号打包为特征数据向量后发送至云平台；

步骤B2中，最优解选取规则为：当某参数集获得的降噪程度优于存档中其他参数集，且其特征保真度不弱于其他参数集时，或当其获取的特征保真度优于其他参数集，且降噪程度不弱于其他参数集时，将其判定为更优解。

2.根据权利要求1所述的一种基于端边云的工业过程监控方法，其特征在于，第一目标函数为：；

第二目标函数为：

；

；

式中，θ为包含滤波截止频率和小波阈值的预处理参数向量，为原始模拟信号s经过预处理参数向量θ预处理后的信号，F(·)为用于时频域变换的特征提取算子，Fk(·)表示F(·)的第k个分量，p取2。

3.根据权利要求1所述的一种基于端边云的工业过程监控方法，其特征在于，所述步骤A具体为：A1.云平台基于历史及实时监测的测量参数变化率、环境信噪比以及网络情况，计算并确定各传感器下一周期的采样频率，生成采样频率一维矩阵；

A2.边缘网关接收所述采样频率一维矩阵，并对采样频率一维矩阵中的所有传感器进行传感器设备号校验，然后依据预设的采样频率上限和下限对采样频率一维矩阵进行校正，校正后对校验通过的传感器将采样频率一维矩阵中的对应采样频率下发，校验未通过的传感器延用上一步点的采样频率，并发出异常校验报警；

A3.各传感器按照更新后的采样频率采集包含温度、压力、流量以及振动在内的原始模拟信号s。

4.根据权利要求3所述的一种基于端边云的工业过程监控方法，其特征在于，所述步骤A1中，各传感器下一周期的采样频率通过以下方法确定：A11：计算变化率因子Fchange：

Fchange=1+log2(1+ΔP/ΔPavg)；

ΔP表示该传感器在该周期的测量参数变化率，ΔP=(Pt‑Pt‑1)/Δt，Pt和Pt‑1分别为该传感器本步点即当前时刻t和上一步点即前一时刻t‑1测得的测量参数值，Δt为步点时间间隔即周期时长，ΔPavg为该传感器历史平均参数变化率；

A12：计算信噪比因子Fsnr：

Fsnr=max(0.5,2‑SNR/SNRref)；

SNR表示该传感器在本步点信噪比，SNRref为高频工况环境下设定的信噪比基准值；

A13：计算网络环境因子Fnet：

；

Qnet表示该传感器在本步点网络环境指数，Qnet‑ref为高频工况环境下设定的网络环境指数基准值，Qnet=B/[L×(1+Rloss)],B为综合网络带宽，L表示延迟，Rloss表示丢包率；

A14：对各因子进行标准化，然后依据下式计算采样频率：fs=fbase×(α×Fchange+β×Fsnr+γ×Fnet)；

fs表示将在本步点发布的用于传感器网络执行的采样频率，即该传感器下一周期的采样频率，fbase为预设的基准采样频率，α为变化率因子权重，β为信噪比因子权重，γ为网络环境因子权重。

5.根据权利要求1所述的一种基于端边云的工业过程监控方法，其特征在于，所述步骤C具体为：C1.基于历史特征数据向量训练一个预警模型神经网络，所述神经网络的损失函数表达式为：；

其中，N为训练样本总数，C为异常类型总数，yi,c为第i条样本关于第c类异常的真实标签， 为所述神经网络对第i条样本关于第c类异常输出的预测概率值；

C2.将实时接收的特征数据向量输入至训练完成的所述预警模型神经网络，获得针对全部C类不同异常类型的一组实时预测概率值{pc}，pc为第c类异常的实时预测概率值；

C3.建立并维护一个动态阈值判定区间集，根据预设的滚动周期内第c类异常历史预测概率值的中位数pmc和动态参数m，将0‑100%的概率区间划分为至少三个预警等级区间，所述动态参数m为所述滚动周期内第3K/4个最大预测概率值与第K/4个最大预测概率值之差,K为用于统计分析的样本数量；

C4.将步骤C2获得的实时预测概率值pc与所述动态阈值判定区间集进行比较，判定其所处的预警等级，并当所述预警等级非正常时，发出相应的预警信号。

6.根据权利要求5所述的一种基于端边云的工业过程监控方法，其特征在于，所述动态阈值判定区间集划分为四个区间：正常区间：[0,pmc‑k×m]；

注意区间：(pmc‑k×m,pmc]；

告警区间：(pmc,pmc+k×m]；

危险区间：(pmc+k×m,100%]；

其中，k为调整参数，k=1.5×m/pmc。

7.一种基于端边云的工业过程监控系统，运行有如权利要求1所述的工业过程监控方法，其特征在于，包括：异构传感器网络，用于根据接收到的采样频率指令，采集原始模拟信号s；

边缘网关，用于接收来自云平台的采样频率一维矩阵，并将其转换为对各传感器的更新指令进行下发；

云平台，配置用于：

基于历史及实时监测的测量参数变化率、环境信噪比以及网络情况，计算并生成所述采样频率一维矩阵；

接收来自边缘计算节点的特征数据向量，并通过一个预先训练的预警模型神经网络对所述特征数据向量进行处理，以输出各类异常的实时预测概率值；

建立并维护一个动态阈值判定区间集，通过将所述实时预测概率值与所述区间集进行比较，判定并发出预警信号；

边缘计算节点，配置用于：

接收由所述异构传感器网络采集的原始模拟信号s；

通过执行双目标函数优化算法对所述原始模拟信号s进行预处理，以生成所述特征数据向量；

所述双目标函数优化算法基于一个包括第一目标函数f1(θ)和第二目标函数f2(θ)的模型；

所述边缘计算节点通过迭代寻优，获得能够平衡噪声抑制与特征保留的最优的预处理参数向量θ，并应用该预处理参数向量生成所述特征数据向量；

所述边缘计算节点中的双目标函数优化算法，还包括一个用于存储不多于3个最优参数解的优化解存档，并根据以下规则进行迭代更新：当某参数集获得的降噪程度优于存档中其他参数集，且其特征保真度不弱于其他参数集时，或当其获取的特征保真度优于其他参数集，且降噪程度不弱于其他参数集时，将其选为更优解并更新至存档。