地下管网非开挖领域DeepSeek-R1融合多模态时序数据的故障预测模型优化研究

随着边缘计算在工业物联网中的广泛应用,地下管网故障诊断模型的轻量化部署成为亟待解决的关键问题。传统基于深度学习的诊断模型(如ResNet、Transformer)因参数量庞大,难以满足边缘设备严格的存储与实时性要求。本研究提出一种面向DeepSeek-R1大语言模型的轻量化压缩框架,通过多粒度混合剪枝、硬件感知动态量化与编译时内存优化技术,实现模型参数量压缩至原尺寸的15%,推理速度提升3.2倍。实验表明,在合成管网数据集与UCR时序基准上,压缩后模型分类F1值达89.3%,推理延迟≤10ms,内存占用降低至312MB。本研究为边缘侧时序-空间联合特征建模提供了理论突破,并开源跨平台压缩工具链,支持ARM/RISC-V硬件自动适配。

资料为PDF文档格式.

本文档关键词:时序,故障,模型,融合,预测