Deepseek-R1 συνδυάζοντας AI και Edge Computing για βιομηχανική IoT

Εισαγωγή

Τα μοντέλα αποσταγμένου μικρού μεγέθους του Deepseek-R1 είναι τελειοποιημένα χρησιμοποιώντας δεδομένα αλυσίδας με σχεδιασμό που παράγονται από το DeepSeek-R1, σημειωμένα με...Ετικέτες, κληρονομώντας τις δυνατότητες συλλογιστικής του R1. Αυτά τα σύνολα δεδομένων που έχουν ρυθμιστεί με λεπτό τρόπο περιλαμβάνουν ρητά διαδικασίες συλλογιστικής, όπως η αποσύνθεση των προβλημάτων και οι ενδιάμεσες μειώσεις. Η μάθηση ενίσχυσης έχει ευθυγραμμίσει τα πρότυπα συμπεριφοράς του αποσταγμένου μοντέλου με τα βήματα συλλογιστικής που παράγονται από το R1. Αυτός ο μηχανισμός απόσταξης επιτρέπει στα μικρά μοντέλα να διατηρούν την υπολογιστική απόδοση, ενώ λαμβάνουν σύνθετες ικανότητες συλλογιστικής κοντά σε εκείνες των μεγαλύτερων μοντέλων, η οποία έχει σημαντική αξία εφαρμογής σε σενάρια περιορισμένων πόρων. Για παράδειγμα, η έκδοση 14B επιτυγχάνει το 92% της ολοκλήρωσης του κώδικα του αρχικού μοντέλου Deepseek-R1. Αυτό το άρθρο εισάγει το μοντέλο Deepseek-R1 και τις βασικές εφαρμογές του στον υπολογισμό του Industrial Edge, που συνοψίζονται στις ακόλουθες τέσσερις κατευθύνσεις, μαζί με συγκεκριμένες περιπτώσεις εφαρμογής:

DC3C637C5BEAD8B62ED51B6D83AC0B4

Προγνωστική συντήρηση του εξοπλισμού

Τεχνική εφαρμογή

Σύντηξη αισθητήρων:

Ενσωματώστε δεδομένα δόνησης, θερμοκρασίας και ρεύματος από PLCs μέσω του πρωτοκόλλου MODBUS (ρυθμός δειγματοληψίας 1 kHz).

Εξαγωγή χαρακτηριστικών:

Εκτελέστε την ώθηση άκρων στο Jetson Orin NX για να εξαγάγετε χαρακτηριστικά 128 διαστάσεων χρονοσειρών.

Μοντέλο συμπερασμάτων:

Αναπτύξτε το μοντέλο DeepSeeek-R1-Distill-14B, εισάγοντας τους διανύσματα χαρακτηριστικών για τη δημιουργία τιμών πιθανότητας σφάλματος.

Δυναμική προσαρμογή:

Εργασίες συντήρησης ενεργοποίησης όταν εμπιστοσύνη> 85%και ξεκινήστε μια δευτερεύουσα διαδικασία επαλήθευσης όταν <60%.

Σχετική περίπτωση

Η Schneider Electric ανέπτυξε αυτή τη λύση σε μηχανήματα εξόρυξης, μειώνοντας τα ψευδώς θετικά ποσοστά κατά 63% και το κόστος συντήρησης κατά 41%.

1

Τρέχοντας Deepseek R1 Αποσταγμένο μοντέλο σε υπολογιστές AI Edge AI

Ενισχυμένη οπτική επιθεώρηση

Αρχιτεκτονική εξόδου

Τυπικός αγωγός ανάπτυξης:

Κάμερα = gige_vision_camera (500fps) # βιομηχανική κάμερα Gigabit
πλαίσιο = Camera.Capture () # Εικόνα λήψης
προεπεξεργασία = opencv.denoise (πλαίσιο) # denoising προεπεξεργασία
defect_type = deepseek_r1_7b.infer (προεπεξεργασμένη) # ταξινόμηση ελαττωμάτων
Εάν defect_type! = 'Normal':
Plc.trigger_reject () # Μηχανισμός ταξινόμησης σκανδάλης

Μετρήσεις απόδοσης

Καθυστέρηση επεξεργασίας:

82 ms (Jetson Agx Orin)

Ακρίβεια:

Η ανίχνευση ελαττωμάτων με έγχυση φθάνει το 98,7%.

2

Οι συνέπειες του Deepseek R1: Οι νικητές και οι ηττημένοι στη γενετική αλυσίδα αξίας AI

Βελτιστοποίηση ροής διαδικασίας

Βασικές τεχνολογίες

Αλληλεπίδραση φυσικής γλώσσας:

Οι χειριστές περιγράφουν ανωμαλίες εξοπλισμού μέσω φωνής (π.χ. "διακύμανση της πίεσης εξωθητήρα ± 0,3 MPa").

Πολυτροπική λογική:

Το μοντέλο δημιουργεί προτάσεις βελτιστοποίησης βασισμένες σε ιστορικά δεδομένα εξοπλισμού (π.χ. ταχύτητα βιδών ρύθμισης κατά 2,5%).

Ψηφιακή δίδυμη επαλήθευση:

Επικύρωση προσομοίωσης παραμέτρων στην πλατφόρμα χυτηρίου EDGEX.

Επίδραση εφαρμογής

Το χημικό εργοστάσιο της BASF υιοθέτησε αυτό το σχέδιο, επιτυγχάνοντας μείωση κατά 17% της κατανάλωσης ενέργειας και αύξηση κατά 9% του ποσοστού ποιότητας του προϊόντος.

3

Edge AI και το μέλλον των επιχειρήσεων: OpenAI O1 εναντίον DeepSeeek R1 για την υγειονομική περίθαλψη, την αυτοκινητοβιομηχανία και το IIOT

Άμεση ανάκτηση της βάσης γνώσης

Σχεδιασμός αρχιτεκτονικής

Τοπική βάση δεδομένων διάνυσμα:

Χρησιμοποιήστε το ChromadB για να αποθηκεύσετε εγχειρίδια εξοπλισμού και προδιαγραφές επεξεργασίας (διάσταση ενσωμάτωσης 768).

Υβριδική ανάκτηση:

Συνδυάστε τον αλγόριθμο BM25 + ομοιότητα συνημιτόνου για το ερώτημα.

Δημιουργία αποτελεσμάτων:

Το μοντέλο R1-7B συνοψίζει και βελτιώνει τα αποτελέσματα ανάκτησης.

Τυπική περίπτωση

Οι μηχανικοί της Siemens επιλύουν τις αποτυχίες του μετατροπέα μέσω ερωτημάτων φυσικής γλώσσας, μειώνοντας τον μέσο χρόνο επεξεργασίας κατά 58%.

Προκλήσεις και λύσεις ανάπτυξης

Περιορισμοί μνήμης:

Χρησιμοποιημένη τεχνολογία ποσοτικοποίησης kV προσωρινής μνήμης, μειώνοντας τη χρήση της μνήμης του μοντέλου 14Β από 32GB σε 9GB.

Εξασφάλιση απόδοσης σε πραγματικό χρόνο:

Σταθεροποιημένη λανθάνουσα κατάσταση μεμονωμένων συμπερασμάτων σε ± 15 ms μέσω της βελτιστοποίησης γραφημάτων CUDA.

Μετατόπιση μοντέλου:

Εβδομαδιαίες αυξητικές ενημερώσεις (μεταδίδοντας μόνο το 2% των παραμέτρων).

Ακραία περιβάλλοντα:

Σχεδιασμένο για ευρείες κλίμακες θερμοκρασίας -40 ° C έως 85 ° C με επίπεδο προστασίας IP67.

5
微信图片 _20240614024031.jpg1

Σύναψη

Τα τρέχοντα έξοδα ανάπτυξης μειώθηκαν τώρα σε $ 599/κόμβο (Jetson Orin NX), με κλιμακούμενες εφαρμογές που σχηματίζονται σε τομείς όπως η κατασκευή 3C, η αυτοκινητοβιομηχανία και η χημεία ενέργειας. Η συνεχής βελτιστοποίηση της τεχνολογίας αρχιτεκτονικής MOE και ποσοτικοποίησης αναμένεται να επιτρέψει στο μοντέλο 70B να τρέχει σε συσκευές άκρων μέχρι το τέλος του 2025.

Βρείτε λύση καλωδίου ELV

Καλώδια ελέγχου

Για BMS, λεωφορείο, βιομηχανικό, καλώδιο οργάνων.

Δομημένο σύστημα καλωδίωσης

Δίκτυο & Δεδομένα, καλώδιο οπτικών ινών, καλώδιο έμπλασσης, ενότητες, πρόσοψη

2024 Εκθέσεις και αναθεώρηση εκδηλώσεων

Απριλίου-16η-18η, 2024 Μεσαία Ενεργειακή Αριακή στο Ντουμπάι

Απριλίου-16η-18η, 2024 Securika στη Μόσχα

Οκτώβριος 22ος-25ος, 2024 Ασφάλεια Κίνα στο Πεκίνο

Νοέμβριος 19-20, 2024 Connected World KSA


Χρόνος δημοσίευσης: Φεβ-07-2025