LLM-3D-Druck: Große Sprachmodelle zur Überwachung und Steuerung des 3D-Drucks

LLM-3D Print: Large Language Models To Monitor and Control 3D Printing

August 26, 2024

Autoren: Yayati Jadhav, Peter Pak, Amir Barati Farimani

cs.AI

Zusammenfassung

Die Industrie 4.0 hat die Fertigung revolutioniert, indem sie die Digitalisierung vorangetrieben und das Paradigma hin zur additiven Fertigung (AM) verschoben hat. Die Fused Deposition Modeling (FDM), eine wichtige AM-Technologie, ermöglicht die Herstellung hochgradig angepasster, kostengünstiger Produkte mit minimalem Materialverlust durch schichtweisen Extrusionsprozess und stellt eine bedeutende Herausforderung für traditionelle subtraktive Methoden dar. Die Anfälligkeit von Materialextrusionstechniken für Fehler erfordert jedoch oft Experteneingriffe zur Erkennung und Behebung von Mängeln, die die Produktqualität erheblich beeinträchtigen können. Obwohl automatisierte Fehlererkennung und maschinelles Lernen existieren, ist ihre Generalisierbarkeit über verschiedene 3D-Drucker-Setups, Firmware und Sensoren begrenzt, und Deep-Learning-Methoden erfordern umfangreiche gelabelte Datensätze, was die Skalierbarkeit und Anpassungsfähigkeit behindert. Um diese Herausforderungen anzugehen, präsentieren wir ein Prozessüberwachungs- und -steuerungsframework, das auf vorab trainierten Large Language Models (LLMs) neben 3D-Druckern basiert, um Druckfehler zu erkennen und zu beheben. Das LLM bewertet die Druckqualität, indem es Bilder analysiert, die nach jeder Schicht oder jedem Drucksegment aufgenommen wurden, Fehlermodi identifiziert und den Drucker nach relevanten Parametern abfragt. Anschließend erstellt und führt es einen Korrekturaktionsplan aus. Wir haben die Wirksamkeit des vorgeschlagenen Frameworks bei der Identifizierung von Mängeln validiert, indem wir es mit einer Kontrollgruppe von Ingenieuren mit unterschiedlicher AM-Expertise verglichen haben. Unsere Evaluation zeigte, dass auf LLM basierende Agenten nicht nur gängige 3D-Druckfehler wie inkonsistente Extrusion, Fädenziehen, Verzug und Schichthaftung genau identifizieren, sondern auch effektiv die Parameter bestimmen, die diese Fehler verursachen, und sie autonom korrigieren, ohne dass menschliches Eingreifen erforderlich ist.

English

Industry 4.0 has revolutionized manufacturing by driving digitalization and shifting the paradigm toward additive manufacturing (AM). Fused Deposition Modeling (FDM), a key AM technology, enables the creation of highly customized, cost-effective products with minimal material waste through layer-by-layer extrusion, posing a significant challenge to traditional subtractive methods. However, the susceptibility of material extrusion techniques to errors often requires expert intervention to detect and mitigate defects that can severely compromise product quality. While automated error detection and machine learning models exist, their generalizability across diverse 3D printer setups, firmware, and sensors is limited, and deep learning methods require extensive labeled datasets, hindering scalability and adaptability. To address these challenges, we present a process monitoring and control framework that leverages pre-trained Large Language Models (LLMs) alongside 3D printers to detect and address printing defects. The LLM evaluates print quality by analyzing images captured after each layer or print segment, identifying failure modes and querying the printer for relevant parameters. It then generates and executes a corrective action plan. We validated the effectiveness of the proposed framework in identifying defects by comparing it against a control group of engineers with diverse AM expertise. Our evaluation demonstrated that LLM-based agents not only accurately identify common 3D printing errors, such as inconsistent extrusion, stringing, warping, and layer adhesion, but also effectively determine the parameters causing these failures and autonomously correct them without any need for human intervention.