LLM-3D Print: Grote Taalmodellen voor het Monitoren en Besturen van 3D-printen

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

August 26, 2024

Auteurs: Yayati Jadhav, Peter Pak, Amir Barati Farimani

cs.AI

Samenvatting

Industry 4.0 heeft de productie gerevolutioneerd door digitalisering te stimuleren en het paradigma te verschuiven naar additieve productie (AM). Fused Deposition Modeling (FDM), een belangrijke AM-technologie, maakt het mogelijk om sterk gepersonaliseerde, kosteneffectieve producten te creëren met minimaal materiaalverlies door middel van laag-voor-laag extrusie, wat een aanzienlijke uitdaging vormt voor traditionele subtractieve methoden. Echter, de gevoeligheid van materiaalextrusietechnieken voor fouten vereist vaak expertinterventie om defecten te detecteren en te mitigeren die de productkwaliteit ernstig kunnen aantasten. Hoewel geautomatiseerde foutdetectie en machine learning-modellen bestaan, is hun generaliseerbaarheid over diverse 3D-printeropstellingen, firmware en sensoren beperkt, en vereisen deep learning-methoden uitgebreide gelabelde datasets, wat de schaalbaarheid en aanpasbaarheid belemmert. Om deze uitdagingen aan te pakken, presenteren we een procesmonitorings- en controlekader dat gebruikmaakt van vooraf getrainde Large Language Models (LLM's) naast 3D-printers om printdefecten te detecteren en aan te pakken. De LLM evalueert de printkwaliteit door afbeeldingen te analyseren die na elke laag of printsegment zijn vastgelegd, faalmodi te identificeren en de printer te bevragen voor relevante parameters. Vervolgens genereert en voert het een corrigerend actieplan uit. We hebben de effectiviteit van het voorgestelde kader bij het identificeren van defecten gevalideerd door het te vergelijken met een controlegroep van ingenieurs met diverse AM-expertise. Onze evaluatie toonde aan dat LLM-gebaseerde agents niet alleen veelvoorkomende 3D-printfouten, zoals inconsistente extrusie, stringing, warping en laagadhesie, nauwkeurig identificeren, maar ook effectief de parameters bepalen die deze fouten veroorzaken en deze autonoom corrigeren zonder enige menselijke interventie.

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.