LLM-3D Imprimir: Modelos de Lenguaje Grandes para Monitorear y Controlar la Impresión 3D

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

August 26, 2024

Autores: Yayati Jadhav, Peter Pak, Amir Barati Farimani

cs.AI

Resumen

La Industria 4.0 ha revolucionado la fabricación al impulsar la digitalización y cambiar el paradigma hacia la fabricación aditiva (FA). La Modelado por Deposición Fundida (FDM), una tecnología clave de FA, permite la creación de productos altamente personalizados y rentables con un mínimo desperdicio de material a través de la extrusión capa por capa, planteando un desafío significativo a los métodos tradicionales de sustracción. Sin embargo, la susceptibilidad de las técnicas de extrusión de material a errores a menudo requiere la intervención de expertos para detectar y mitigar defectos que pueden comprometer gravemente la calidad del producto. Aunque existen la detección automatizada de errores y modelos de aprendizaje automático, su generalización en configuraciones diversas de impresoras 3D, firmware y sensores es limitada, y los métodos de aprendizaje profundo requieren conjuntos de datos etiquetados extensos, lo que dificulta la escalabilidad y adaptabilidad. Para abordar estos desafíos, presentamos un marco de monitoreo y control del proceso que aprovecha Modelos de Lenguaje Grandes (LLMs) pre-entrenados junto con impresoras 3D para detectar y abordar defectos de impresión. El LLM evalúa la calidad de impresión analizando imágenes capturadas después de cada capa o segmento de impresión, identificando modos de falla y consultando a la impresora sobre los parámetros relevantes. Luego genera y ejecuta un plan de acción correctivo. Validamos la efectividad del marco propuesto en la identificación de defectos al compararlo con un grupo de control de ingenieros con experiencia diversa en FA. Nuestra evaluación demostró que los agentes basados en LLM identifican con precisión errores comunes de impresión 3D, como la extrusión inconsistente, el stringing, el warping y la adhesión de capas, y también determinan de manera efectiva los parámetros que causan estos fallos y los corrigen de forma autónoma sin necesidad de intervención humana.

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.