LLM-3Dプリント：大規模言語モデルによる3Dプリンティングの監視と制御

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

August 26, 2024

著者: Yayati Jadhav, Peter Pak, Amir Barati Farimani

cs.AI

要旨

産業 4.0 は、デジタル化を推進し、付加製造（AM）に向けたパラダイムの転換をもたらすことで製造業を革命化しています。Fused Deposition Modeling（FDM）という主要なAM技術は、層を重ねて押し出すことにより、高度にカスタマイズされた、コスト効率の良い製品を作成し、材料の無駄を最小限に抑えることを可能にし、従来の減算法に対して重要な挑戦をもたらしています。しかしながら、材料の押し出し技術が誤差に対して敏感であるため、製品品質を深刻に損なう可能性のある欠陥を検出し軽減するためには、しばしば専門家の介入が必要とされます。自動化されたエラー検出や機械学習モデルは存在しますが、それらの一般化は多様な3Dプリンタのセットアップ、ファームウェア、およびセンサにわたって制限されており、深層学習手法は広範なラベル付きデータセットを必要とするため、拡張性と適応性が妨げられています。これらの課題に対処するために、我々は、3Dプリンタと共に事前学習された大規模言語モデル（LLMs）を活用するプロセス監視および制御フレームワークを提案します。LLMは、各層または印刷セグメント後にキャプチャされた画像を分析し、失敗モードを特定し、プリンタに関連するパラメータを問い合わせることで印刷品質を評価します。そして、修正アクションプランを生成および実行します。提案されたフレームワークの欠陥の特定能力を評価するために、多様なAMの専門知識を持つエンジニアの対照グループと比較することで、その有効性を検証しました。我々の評価は、LLMベースのエージェントが一般的な3Dプリントエラー（一貫性のない押し出し、ストリング、反り、および層の密着）を正確に特定し、これらの失敗を引き起こすパラメータを効果的に決定し、人間の介入を必要とせずに自律的に修正することを示しました。

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.