LLM-3D 프린트: 대형 언어 모델을 사용한 3D 프린팅 모니터링 및 제어

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

August 26, 2024

저자: Yayati Jadhav, Peter Pak, Amir Barati Farimani

cs.AI

초록

제 4차 산업혁명은 디지턔화를 촉진하고 부가 제조 기술(AM)로 패러다임을 전환함으로써 제조업을 혁신했습니다. Fused Deposition Modeling (FDM)은 주요한 AM 기술로, 층층이 추출하여 맞춤형이며 경제적인 제품을 최소한의 재료 낭비로 제작할 수 있어 전통적인 감산 방법에 상당한 도전을 제시합니다. 그러나 재료 추출 기술의 취약성으로 인해 오류가 발생하기 쉬워 종종 전문가의 개입이 필요하며, 제품 품질을 심각하게 저해할 수 있는 결함을 탐지하고 완화해야 합니다. 자동 오류 탐지 및 기계 학습 모델이 존재하지만, 다양한 3D 프린터 설정, 펌웨어 및 센서에 대한 일반화가 제한되어 있으며, 심층 학습 방법은 방대한 레이블 데이터셋이 필요하여 확장성과 적응성이 제한됩니다. 이러한 도전에 대응하기 위해 우리는 3D 프린터와 함께 사전 훈련된 대형 언어 모델(LLMs)을 활용하여 인쇄 결함을 탐지하고 처리하는 프로세스 모니터링 및 제어 프레임워크를 제시합니다. LLM은 각 층 또는 인쇄 세그먼트 후에 촬영된 이미지를 분석하여 인쇄 품질을 평가하고, 결함 모드를 식별하고 관련 매개변수에 대해 프린터에 쿼리합니다. 그런 다음 수정 조치 계획을 생성하고 실행합니다. 우리는 제안된 프레임워크가 결함을 식별하는 데 효과적인지를 다양한 AM 전문 지식을 가진 엔지니어들의 대조군과 비교하여 확인했습니다. 우리의 평가는 LLM 기반 에이전트가 일반적인 3D 프린팅 오류(일관되지 않은 추출, 줄무늬, 왜곡, 층 결합 등)를 정확하게 식별할 뿐만 아니라 이러한 실패를 유발하는 매개변수를 효과적으로 결정하고 인간 개입 없이 자동으로 수정한다는 것을 입증했습니다.

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.