LLM-3D Print: Überwachung und Steuerung des 3D-Drucks mit großen Sprachmodellen

Die vierte industrielle Revolution, bekannt als Industrie 4.0, hat die Fertigungsindustrie durch die Förderung der Digitalisierung und die Verschiebung des Paradigmas hin zur additiven Fertigung (AM) revolutioniert. Eine Schlüsseltechnologie in diesem Bereich ist das Fused Deposition Modeling (FDM), das die Herstellung hochgradig kundenspezifischer, kostengünstiger Produkte mit minimalem Materialabfall durch schichtweises Extrudieren ermöglicht. Diese Methode stellt eine bedeutende Herausforderung für herkömmliche subtraktive Verfahren dar.

Herausforderungen und Lösungen

Trotz der Vorteile sind materialextrudierende Techniken anfällig für Fehler, die oft das Eingreifen von Experten erfordern, um Defekte zu erkennen und zu beheben, die die Produktqualität erheblich beeinträchtigen können. Während es automatisierte Fehlererkennungssysteme und maschinelle Lernmodelle gibt, ist ihre Generalisierbarkeit über verschiedene 3D-Drucker-Setups, Firmware und Sensoren hinweg begrenzt. Darüber hinaus erfordern tiefenlernende Methoden umfangreiche gekennzeichnete Datensätze, was ihre Skalierbarkeit und Anpassungsfähigkeit behindert.

Um diese Herausforderungen zu bewältigen, wurde ein Prozessüberwachungs- und Steuerungsrahmen entwickelt, der vortrainierte große Sprachmodelle (LLMs) zusammen mit 3D-Druckern verwendet, um Druckfehler zu erkennen und zu beheben. Das LLM bewertet die Druckqualität, indem es nach jeder Schicht oder Drucksegment Bilder analysiert, Fehlermodi identifiziert und den Drucker nach relevanten Parametern abfragt. Anschließend erstellt und führt es einen Korrekturaktionsplan aus.

Die LLM-basierte Lösung

Der vorgeschlagene Rahmen nutzt vortrainierte große Sprachmodelle, um die Druckqualität zu bewerten, indem Bilder jeder Schicht analysiert und Defekte erkannt werden. Diese Methode beinhaltet die Verwendung fein abgestimmter Eingabeaufforderungen, um das LLM als Expertenagenten für 3D-Druck agieren zu lassen. Der Agent bewertet die Druckqualität, identifiziert sichtbare Fehlermodi und liefert strukturierte, fokussierte und umsetzbare Antworten in einem vorgegebenen Format.

Der Rahmen umfasst ein Bildbasiertes Begründungsmodul, das Defekte erkennt und Beobachtungen macht, wenn der Drucker pausiert ist. Es besteht aus sieben Schlüsselmodulen, die jeweils spezifische Aufgaben unabhängig voneinander ausführen, wie Fehlererkennung, Informationssammlung, Lösungsplanung und -ausführung. Das Supervisor-Modul überwacht den gesamten Betrieb, pflegt ein dynamisches Zustandsverzeichnis, erleichtert die Kommunikation der Agenten und orchestriert die rechtzeitige Aktivierung der Module basierend auf den aktuellen Daten und Bedürfnissen.

Experimente und Ergebnisse

Die Experimente wurden auf zwei Datensätzen durchgeführt: Mehrschichtige Drucke und Einzelschichtdrucke.

Mehrschichtige Drucke

- Experiment: Drucken eines Schraubenschlüssels und erhabener Texte, um die Komplexität von Mehrteildrucken zu simulieren. - Experimentelle Schritte: Optimierung nach Abschluss jeder Schicht, um den Druckprozess kontinuierlich zu überwachen und zu optimieren. - Ergebnis: Der LLM-optimierte Druck zeigte sauberere, gut definierte Kanten, konsistente Extrusion und verbesserte Schichtanhaftung im Vergleich zum Basisdruck, der raue Oberflächen, ungleichmäßige Schichtanhaftung und Unterextrusion aufwies.

Einzelschichtdrucke

- Experiment: Drucken eines 100 mm x 100 mm großen Quadrats mit einer Höhe von 0,5 mm, bestehend aus einer einzigen Schicht. - Experimentelle Schritte: Unterteilung des Einzelschichtdrucks in vier Segmente, um die Druckqualität in jeder Phase zu analysieren. - Ergebnis: Das LLM erkannte genau Probleme wie Unterextrusion, Düsenverstopfungen, inkonsistente Druckgeschwindigkeiten und Probleme bei der Bettnivellierung in jedem Segment und gab Empfehlungen zur Behebung der erkannten Probleme.

Fazit

Die Forschungsergebnisse zeigen, dass der LLM-basierte Rahmen nicht nur gängige 3D-Druckfehler wie inkonsistente Extrusion, Stringing, Verziehen und Schichtanhaftung genau identifiziert, sondern auch effektiv die Parameter bestimmt, die diese Fehler verursachen, und diese autonom ohne menschliches Eingreifen korrigiert. Diese Innovation könnte die Zuverlässigkeit und Effizienz von additiven Fertigungsprozessen erheblich verbessern und den Weg für die Weiterentwicklung autonomer 3D-Drucktechnologien ebnen.

Bibliografie

https://www.arxiv.org/abs/2408.14307 https://staging.chatpaper.com/chatpaper/paper/53736 https://www.reddit.com/r/MachineLearning/comments/1f2z8d1/r_llm3d_print_large_language_models_to_monitor/ https://www.reddit.com/r/MachineLearning/comments/1f281mf/p_llm_for_3d_printing/ https://www.researchgate.net/publication/326822437_Automated_Process_Monitoring_in_3D_Printing_Using_Supervised_Machine_Learning https://paperswithcode.com/paper/3d-llm-injecting-the-3d-world-into-large https://www.sciencedirect.com/science/article/pii/S2542504823000192 https://www.nano-di.com/ https://www.youtube.com/watch?v=NP0U2fdnY2U