LLM-3D Print: Modelos de Linguagem Avançados para Monitorar e Controlar Impressão 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

Resumo

A Indústria 4.0 revolucionou a manufatura ao impulsionar a digitalização e mudar o paradigma em direção à manufatura aditiva (MA). A Modelagem por Deposição Fundida (FDM), uma tecnologia chave de MA, permite a criação de produtos altamente personalizados e econômicos, com mínimo desperdício de material, por meio de extrusão camada a camada, representando um desafio significativo para os métodos tradicionais subtrativos. No entanto, a suscetibilidade das técnicas de extrusão de material a erros frequentemente requer intervenção de especialistas para detectar e mitigar defeitos que podem comprometer severamente a qualidade do produto. Embora existam modelos automatizados de detecção de erros e de aprendizado de máquina, sua generalizabilidade entre diferentes configurações de impressoras 3D, firmware e sensores é limitada, e os métodos de aprendizado profundo exigem conjuntos de dados rotulados extensos, dificultando a escalabilidade e adaptabilidade. Para enfrentar esses desafios, apresentamos um framework de monitoramento e controle de processo que aproveita Modelos de Linguagem Grandes (LLMs) pré-treinados em conjunto com impressoras 3D para detectar e corrigir defeitos de impressão. O LLM avalia a qualidade da impressão analisando imagens capturadas após cada camada ou segmento de impressão, identificando modos de falha e consultando a impressora para obter parâmetros relevantes. Em seguida, gera e executa um plano de ação corretiva. Validamos a eficácia do framework proposto na identificação de defeitos comparando-o com um grupo de controle de engenheiros com experiência diversificada em MA. Nossa avaliação demonstrou que os agentes baseados em LLM identificam com precisão não apenas erros comuns de impressão 3D, como extrusão inconsistente, fios, deformação e adesão de camadas, mas também determinam efetivamente os parâmetros que causam essas falhas e os corrigem autonomamente sem a necessidade de intervenção 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.