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

要約

インダストリー 4.0 は、デジタル化を推進し、積層造形 (AM) へパラダイムを移行することにより、製造業に革命をもたらしました。
主要な AM テクノロジーである溶融堆積モデリング (FDM) は、層ごとの押出成形により材料の無駄を最小限に抑え、高度にカスタマイズされたコスト効率の高い製品の作成を可能にし、従来のサブトラクティブ法に大きな課題をもたらします。
ただし、材料の押出技術はエラーが発生しやすいため、製品の品質を大きく損なう可能性のある欠陥を検出して軽減するには専門家の介入が必要になることがよくあります。
自動化されたエラー検出および機械学習モデルは存在しますが、さまざまな 3D プリンターのセットアップ、ファームウェア、センサーにわたる汎用性は限られており、深層学習手法には大規模なラベル付きデータセットが必要であり、スケーラビリティ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、事前にトレーニングされたラージ言語モデル (LLM) を 3D プリンターと併用して印刷欠陥を検出して対処する、プロセスの監視および制御フレームワークを紹介します。
LLM は、各層または印刷セグメントの後にキャプチャされた画像を分析し、故障モードを特定し、プリンターに関連パラメーターを問い合わせることによって印刷品質を評価します。
次に、是正措置計画を作成して実行します。
私たちは、提案されたフレームワークを、さまざまな AM 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、欠陥を特定する際の有効性を検証しました。
私たちの評価では、LLM ベースのエージェントが、一貫性のない押し出し、糸引き、反り、層の接着などの一般的な 3D プリンティング エラーを正確に特定するだけでなく、これらのエラーの原因となるパラメータを効果的に特定し、人間の介入を必要とせずに自律的に修正できることが実証されました。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google