LLM-3D Print: Большие языковые модели для мониторинга и управления 3D-печатью

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

August 26, 2024

Авторы: Yayati Jadhav, Peter Pak, Amir Barati Farimani

cs.AI

Аннотация

Промышленность 4.0 революционизировала производство, сместив акцент на цифровизацию и переход к аддитивным технологиям производства (AM). Одной из ключевых технологий AM является моделирование методом наплавления (FDM), позволяющее создавать высоко настраиваемые, экономически эффективные продукты с минимальными потерями материала благодаря экструзии слой за слоем, представляя значительное вызов традиционным методам выемки. Однако уязвимость техник экструзии материала к ошибкам часто требует вмешательства экспертов для обнаружения и устранения дефектов, которые могут серьезно подорвать качество продукции. Несмотря на существование автоматизированных систем обнаружения ошибок и моделей машинного обучения, их обобщаемость на различные настройки 3D-принтеров, прошивки и сенсоры ограничена, а методы глубокого обучения требуют обширных размеченных наборов данных, затрудняя масштабируемость и адаптивность. Для решения этих проблем мы представляем фреймворк мониторинга и управления процессом, который использует предварительно обученные большие языковые модели (LLM) вместе с 3D-принтерами для обнаружения и устранения дефектов печати. LLM оценивает качество печати, анализируя изображения, полученные после каждого слоя или сегмента печати, идентифицируя режимы отказа и запрашивая у принтера соответствующие параметры. Затем он разрабатывает и выполняет план корректирующих действий. Мы подтвердили эффективность предложенного фреймворка в обнаружении дефектов, сравнив его с контрольной группой инженеров с разнообразным опытом в области AM. Наша оценка показала, что агенты на основе LLM не только точно определяют распространенные ошибки 3D-печати, такие как неоднородная экструзия, образование нитей, деформация и сцепление слоев, но и эффективно определяют параметры, вызывающие эти сбои, и автономно исправляют их без необходимости человеческого вмешательства.

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.