مقدمه

مدلهای مقطر کوچک از Deepseek-R1 با استفاده از داده های زنجیره ای از فکر تولید شده توسط Deepseek-R1 ، با هم تنظیم شده اند ، مشخص شده با...برچسب ها ، وراثت قابلیت های استدلال R1. این مجموعه داده های تنظیم شده به صراحت شامل فرآیندهای استدلال مانند تجزیه مسئله و کسر میانی است. یادگیری تقویت شده الگوهای رفتاری مدل مقطر را با مراحل استدلال ایجاد شده توسط R1 تراز کرده است. این مکانیسم تقطیر به مدلهای کوچک اجازه می دهد تا ضمن به دست آوردن توانایی های استدلال پیچیده در نزدیکی مدل های بزرگتر ، بازده محاسباتی را حفظ کنند ، که از نظر کاربرد قابل توجهی در سناریوهای محدود شده منابع است. به عنوان مثال ، نسخه 14B به 92 ٪ از تکمیل کد مدل اصلی Deepseek-R1 دست می یابد. در این مقاله مدل تقطیر شده Deepseek-R1 و کاربردهای اصلی آن در محاسبات لبه صنعتی ، خلاصه شده در چهار جهت زیر ، همراه با موارد خاص اجرای:

نگهداری پیش بینی کننده تجهیزات

اجرای فنی

فیوژن سنسور:

لرزش ، دما و داده های فعلی از PLC را از طریق پروتکل Modbus (میزان نمونه برداری 1 کیلوهرتز) ادغام کنید.

استخراج ویژگی:

Impulse Edge را بر روی Jetson Orin NX برای استخراج ویژگی های سری زمانی 128 بعدی.

استنتاج مدل:

مدل Deepseek-R1-Distill-14B را مستقر کنید و بردارهای ویژگی را برای تولید مقادیر احتمال گسل وارد کنید.

تنظیم پویا:

هنگام اطمینان> 85 ٪ ، سفارشات کار تعمیر و نگهداری را انجام دهید و یک فرآیند تأیید ثانویه را در زمان <60 ٪ آغاز کنید.

مورد مربوطه

اشنایدر الکتریک این راه حل را در ماشین آلات معدن مستقر کرد و نرخ مثبت کاذب را 63 ٪ کاهش داد و 41 ٪ هزینه های نگهداری را نیز کاهش داد.

اجرای مدل تقطیر شده Deepseek R1 در رایانه های Endand AI Edge

بازرسی بصری پیشرفته

معماری خروجی

خط لوله استقرار معمولی:

دوربین = GIGE_VISION_CAMERA (500FPS) # دوربین صنعتی گیگابیت
قاب = camera.capture () # تصویر ضبط
پیش پردازش = opencv.denoise (قاب) # پیش پردازش denoising
defect_type = deepseek_r1_7b.infer (پیش پردازش شده) # طبقه بندی نقص
اگر defect_type! = 'عادی':
plc.trigger_reject () # مکانیسم مرتب سازی ماشه

معیارهای عملکرد

تأخیر پردازش:

82 ms (Jetson Agx Orin)

دقت:

تشخیص نقص قالب تزریق به 98.7 ٪ می رسد.

پیامدهای Deepseek R1: برندگان و بازندگان در زنجیره ارزش AI تولیدی

بهینه سازی جریان فرآیند

فن آوری های کلیدی

تعامل زبان طبیعی:

اپراتورها ناهنجاری های تجهیزات را از طریق صدا توصیف می کنند (به عنوان مثال ، "نوسان فشار اکسترودر 0.3 MPa").

استدلال چند حالته:

این مدل پیشنهادات بهینه سازی را بر اساس داده های تاریخی تجهیزات ایجاد می کند (به عنوان مثال ، تنظیم سرعت پیچ 2.5 ٪).

تأیید دوقلوی دیجیتال:

اعتبار سنجی شبیه سازی پارامتر در بستر ریخته گری Edgex.

اثر اجرا

کارخانه شیمیایی BASF این طرح را اتخاذ کرد و به کاهش 17 ٪ در مصرف انرژی و افزایش 9 درصدی نرخ کیفیت محصول رسید.

Edge AI و آینده تجارت: Openai O1 در مقابل Deepseek R1 برای مراقبت های بهداشتی ، خودرو و IIOT

بازیابی فوری پایگاه دانش

طراحی معماری

پایگاه داده بردار محلی:

از Chromadb برای ذخیره کتابچه های راهنمای تجهیزات و مشخصات فرآیند استفاده کنید (تعبیه ابعاد 768).

بازیابی ترکیبی:

ترکیب الگوریتم BM25 + شباهت Cosine برای پرس و جو.

تولید نتیجه:

مدل R1-7B نتایج بازیابی را خلاصه و اصلاح می کند.

مورد معمولی

مهندسان زیمنس شکست های اینورتر را از طریق پرس و جوهای زبان طبیعی برطرف کردند و میانگین زمان پردازش را 58 ٪ کاهش دادند.

چالش ها و راه حل های استقرار

محدودیت های حافظه:

با استفاده از فناوری کمیت حافظه پنهان KV ، استفاده از حافظه از مدل 14B از 32 گیگابایت به 9 گیگابایت کاهش می یابد.

تضمین عملکرد در زمان واقعی:

تثبیت تأخیر استنتاج تک به 15 میلی ثانیه از طریق بهینه سازی نمودار CUDA.

رانش مدل:

به روزرسانی های افزایشی هفتگی (انتقال فقط 2 ٪ از پارامترها).

محیط های شدید:

طراحی شده برای دامنه دمای گسترده -40 درجه سانتیگراد تا 85 درجه سانتیگراد با سطح حفاظت IP67.

پایان

هزینه های استقرار فعلی اکنون به 599 دلار در هر گره (Jetson Orin NX) کاهش یافته است و برنامه های مقیاس پذیر در بخش هایی مانند تولید 3C ، مونتاژ خودرو و شیمی انرژی تشکیل شده است. بهینه سازی مداوم معماری MOE و فناوری کمیت انتظار می رود مدل 70B را تا پایان سال 2025 روی دستگاه های Edge اجرا کند.

راه حل کابل ELV را پیدا کنید

کابل های کنترل

برای BMS ، اتوبوس ، صنعتی ، کابل ابزار دقیق.

اینجا را کلیک کنید

سیستم کابل کشی ساختاری

شبکه و داده ها ، کابل فیبر نوری ، بند ناف ، ماژول ها ، صفحه صورت