DeepSeek-R1 combinant la computació IA i Edge per a IoT industrial

Presentació

Els models destil·lats de mida petita de DeepSeek-R1 s’ajusten a les dades de la cadena de pensament generades per DeepSeek-R1, marcades amb...Etiquetes, heretar les capacitats de raonament de R1. Aquests conjunts de dades ajustats inclouen explícitament processos de raonament com ara la descomposició de problemes i les deduccions intermèdies. L’aprenentatge de reforç ha alineat els patrons de comportament del model destil·lat amb els passos de raonament generats per R1. Aquest mecanisme de destil·lació permet als petits models mantenir l'eficiència computacional alhora que obté habilitats de raonament complexes properes a les de models més grans, que és de valor d'aplicació significatiu en escenaris restringits per recursos. Per exemple, la versió 14B aconsegueix el 92% de la finalització del codi del model Original DeepSeek-R1. Aquest article introdueix el model destil·lat de DeepSeek-R1 i les seves aplicacions bàsiques en la computació industrial, resumida en les quatre direccions següents, juntament amb casos específics d’implementació:

dc3c637c5bead8b62ed51b6d83ac0b4

Manteniment predictiu dels equips

Implementació tècnica

Fusió del sensor:

Integra la vibració, la temperatura i les dades actuals de PLCs mitjançant el protocol Modbus (velocitat de mostreig 1 kHz).

Extracció de funcions:

Executar Impulse a Jetson Orin NX per extreure funcions de la sèrie de temps 128 dimensionals.

Inferència del model:

Desplegueu el model DeepSeek-R1-Distill-14B, que introduïu els vectors de funcions per generar valors de probabilitat de falles.

Ajust dinàmic:

Desactivar les ordres de treball de manteniment quan confiança> 85%i iniciar un procés de verificació secundària quan <60%.

Cas rellevant

Schneider Electric va desplegar aquesta solució en maquinària minera, reduint un 63% les taxes falses positives i els costos de manteniment en un 41%.

1

Model destil·lat de DeepSeek R1 en ordinadors de vora inhand AI

Inspecció visual millorada

Arquitectura de sortida

Pipeline de desplegament típic:

Camera = Gige_Vision_Camera (500fps) # càmera industrial gigabit
Frame = camera.capture () # Imatge de captura
Preprocessat = Opencv.Denoise (fotograma) # Preprocessament Denoising
Defect_Type = DeepSeek_R1_7B.Infer (Preprocessat) # Classificació de defectes
si defecte_type! = 'normal':
PLC.TRIGGER_REJECT () # Mecanisme d’ordenació de disparadors

Mètriques de rendiment

Retard de processament:

82 ms (Jetson Agx Orin)

Precisió:

La detecció de defectes modelat per injecció arriba al 98,7%.

2

Implicacions de DeepSeek R1: guanyadors i perdedors a la cadena de valor de l'AI generativa

Optimització del flux de processos

Tecnologies clau

Interacció del llenguatge natural:

Els operadors descriuen les anomalies dels equips mitjançant la veu (per exemple, "Fluctuació de pressió de l'extrusora ± 0,3 MPa").

Raonament multimodal:

El model genera suggeriments d’optimització basats en dades històriques d’equips (per exemple, ajustar la velocitat del cargol un 2,5%).

Verificació de bessons digitals:

Validació de simulació de paràmetres a la plataforma Foundry Edgex.

Efecte d'execució

La planta química de BASF va adoptar aquest esquema, aconseguint una reducció del 17% del consum d’energia i un augment del 9% de la taxa de qualitat del producte.

3

Edge AI i el futur del negoci: Openai O1 vs. DeepSeek R1 per a assistència sanitària, automoció i IIoT

Recuperació instantània de la base de coneixement

Disseny d’arquitectura

Base de dades vectorial local:

Utilitzeu ChromadB per emmagatzemar manuals d’equips i especificacions de procés (Dimensió d’incrustació 768).

Recuperació híbrida:

Combina l'algoritme BM25 + Cosiny SILIFICIA per a la consulta.

Generació de resultats:

El model R1-7B resumeix i perfecciona els resultats de recuperació.

Cas típic

Els enginyers de Siemens van resoldre les fallades del inversor mitjançant consultes del llenguatge natural, reduint el temps mitjà de processament en un 58%.

Reptes i solucions de desplegament

Limitacions de memòria:

Es va utilitzar la tecnologia de quantització de la memòria cau KV, reduint l’ús de la memòria del model 14B de 32 GB a 9 GB.

Garantir el rendiment en temps real:

Estabilitzà la latència d’inferència única a ± 15 ms mitjançant l’optimització de gràfics CUDA.

Model Drift:

Actualitzacions incrementals setmanals (transmissió només el 2% dels paràmetres).

Ambients extrems:

Dissenyat per a àmplies intervals de temperatura de -40 ° C a 85 ° C amb nivell de protecció IP67.

5
微信图片 _20240614024031.jpg1

Conclusió

Els costos de desplegament actuals han disminuït fins a 599 dòlars/node (Jetson Orin NX), amb aplicacions escalables que es formen en sectors com la fabricació 3C, el muntatge d'automoció i la química energètica. Es preveu que l’optimització contínua de la tecnologia d’arquitectura i quantització MOE permeti que el model 70B funcioni en dispositius de vora a finals de 2025.

Cerqueu la solució de cable ELV

Cables de control

Per a BMS, autobús, cable industrial, instrumentació.

Sistema de cablejat estructurat

Xarxa i dades, cable de fibra òptica, cable de pegat, mòduls, placa facial

2024 Revisió d’exposicions i esdeveniments

16 d'abril-18, 2024 Energia de l'Orient Mitjà a Dubai

16 d'abril-18, 2024 Securika a Moscou

9 de maig de 2024 Esdeveniment de llançament de nous productes i tecnologies a Xangai

22 d'octubre del 25 d'octubre de 2024 Seguretat Xina a Beijing

19-20 de novembre de 2024 Mundial Connected KSA


Posada Posada: 07-07-2025