随着物联网、5G、人工智能和大数据等新兴信息技术的发展,数据密集型工业应用通常需要大规模时序数据以支持实时处理和分析。传统的云计算模式因具有较高的响应时延和网络带宽要求,无法适用于所有工业应用场景,边缘计算模式可以有效解决以上问题。然而,边缘计算节点有限的计算与存储资源,无法单独应对工业应用海量的计算与存储需求。因此,大规模工业时序数据的存储管理成为亟需解决的关键问题。为了解决该问题,本文利用机器学习方法和数据缩减技术,提出了一个支持边-云协同的边缘数据管理架构以及相应算法。详细的研究内容概括如下:针对工业应用场景特点,在开源边缘计算框架Edge X基础上,提出了一个支持边-云协同的边缘数据管理架构。本文首先研究了开源边缘计算框架Edge X的基本结构和实现机制;其次,设计了支持边-云协同的边缘数据管理架构及其主要组件;最后,对核心组件的运行机制和部署方式进行了详细描述与分析。针对不同工业应用对时序数据的不同访问需求问题,提出一个基于应用访问模式和时序数据特征的数据分流算法（DPM）。首先,建立了边云工业应用对数据的访问频率与被访问数据的特征之间的关联模型;其次,基于该模型提出一种基于预测的数据分流算法,将数据根据边云应用的需求分别进行存储。最后,提出了一种预测方法的动态自适应选择机制以提高DPM分流的准确度。针对边缘节点存储资源受限的问题,进一步提出一个基于预测的结合变点检测和时序分割的数据缩减算法（CDRM）。首先,提出了一个基于指数平滑预测方法的基础数据缩减算法（BDRM）,通过只保留部分数据而非全部数据来降低边缘存储开销。其次,针对BDRM对非平稳时序数据序列缩减效果不佳的问题,引入变点检测和时序分割技术,进一步提出一种综合数据缩减算法（CDRM）,改善对不平稳时序数据的缩减效果。最后,本文用真实的工业数据对所设计的边缘数据管理架构以及提出的算法性能进行评估和分析,实验结果验证了本文所提出的架构及其相关算法的有效性。