LLM-3D Print: Grandi Modelli Linguistici per Monitorare e Controllare la Stampa 3D

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

August 26, 2024

Autori: Yayati Jadhav, Peter Pak, Amir Barati Farimani

cs.AI

Abstract

L'Industria 4.0 ha rivoluzionato la produzione guidando la digitalizzazione e spostando il paradigma verso la manifattura additiva (AM). La Modellazione a Deposizione Fusa (FDM), una tecnologia chiave di AM, consente la creazione di prodotti altamente personalizzati ed economici con un minimo spreco di materiale attraverso l'estrusione strato dopo strato, ponendo una sfida significativa ai tradizionali metodi sottrattivi. Tuttavia, la suscettibilità delle tecniche di estrusione dei materiali agli errori richiede spesso l'intervento di esperti per rilevare e mitigare difetti che possono compromettere gravemente la qualità del prodotto. Sebbene esistano modelli automatizzati di rilevamento degli errori e di apprendimento automatico, la loro generalizzabilità tra diversi set-up di stampanti 3D, firmware e sensori è limitata, e i metodi di apprendimento profondo richiedono ampi set di dati etichettati, ostacolando la scalabilità e l'adattabilità. Per affrontare queste sfide, presentiamo un framework di monitoraggio e controllo dei processi che sfrutta i Large Language Models (LLM) pre-addestrati insieme alle stampanti 3D per rilevare e affrontare i difetti di stampa. L'LLM valuta la qualità di stampa analizzando le immagini catturate dopo ogni strato o segmento di stampa, identificando le modalità di fallimento e interrogando la stampante per i parametri rilevanti. Genera quindi ed esegue un piano d'azione correttivo. Abbiamo convalidato l'efficacia del framework proposto nell'identificare i difetti confrontandolo con un gruppo di controllo di ingegneri con diverse competenze in AM. La nostra valutazione ha dimostrato che gli agenti basati su LLM identificano non solo con precisione gli errori comuni nella stampa 3D, come l'estrusione inconsistente, lo stringing, il warping e l'adesione tra strati, ma determinano anche efficacemente i parametri che causano tali fallimenti e li correggono autonomamente senza alcun bisogno di intervento umano.

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.