LLM-3D Print: Large Language Models To Monitor and Control 3D Printing
作者: Yayati Jadhav, Peter Pak, Amir Barati Farimani
分类: cs.CL, cs.AI, cs.LG
发布日期: 2024-08-26 (更新: 2025-09-27)
期刊: Additive Manufacturing, Vol. 114, September 2025, Article 105027
DOI: 10.1016/j.addma.2025.105027
💡 一句话要点
提出LLM-3D Print框架，利用大语言模型监控和控制3D打印过程，实现缺陷检测与自主纠正。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 3D打印 大语言模型 缺陷检测 过程监控 自主控制
📋 核心要点
- 现有3D打印错误检测方法泛化性差，依赖大量标注数据，难以适应不同打印机和传感器。
- 提出LLM-3D Print框架，利用LLM分析打印图像，识别缺陷并自主生成纠正方案。
- 实验表明，该框架能有效识别并纠正挤出不一致、拉丝、翘曲等常见3D打印错误。
📝 摘要（中文）
工业4.0通过数字化推动制造业变革，并转向增材制造（AM）。熔融沉积建模（FDM）作为一种关键的AM技术，能够以逐层挤出的方式创建高度定制化、经济高效的产品，且材料浪费极少，对传统的减材制造方法构成了重大挑战。然而，材料挤出技术容易出错，通常需要专家干预来检测和减轻缺陷，这些缺陷会严重影响产品质量。虽然现有的自动化错误检测和机器学习模型存在，但它们在不同的3D打印机设置、固件和传感器上的泛化能力有限，并且深度学习方法需要大量的标记数据集，从而阻碍了可扩展性和适应性。为了解决这些挑战，我们提出了一种过程监控和控制框架，该框架利用预训练的大型语言模型（LLM）与3D打印机协同工作，以检测和解决打印缺陷。LLM通过分析每层或每个打印段之后捕获的图像来评估打印质量，识别故障模式并查询打印机以获取相关参数。然后，它生成并执行纠正措施计划。我们通过将所提出的框架与具有不同AM专业知识的工程师对照组进行比较，验证了其在识别缺陷方面的有效性。我们的评估表明，基于LLM的代理不仅准确地识别了常见的3D打印错误，如不一致的挤出、拉丝、翘曲和层粘附，而且还有效地确定了导致这些故障的参数，并在无需人工干预的情况下自主纠正它们。
🔬 方法详解
问题定义：论文旨在解决3D打印过程中缺陷检测和纠正的问题。现有方法，如传统的机器学习和深度学习模型，需要大量标注数据，且在不同3D打印机配置和传感器上的泛化能力较差。人工干预成本高昂，且依赖专家经验。
核心思路：论文的核心思路是利用预训练的大型语言模型（LLM）的强大推理和决策能力，通过分析3D打印过程中的图像，识别缺陷，并根据打印机参数生成纠正措施。这种方法旨在减少对大量标注数据的依赖，并提高在不同3D打印环境中的适应性。
技术框架：该框架包含以下主要模块：1) 图像采集模块：在每层或每个打印段完成后，采集打印对象的图像。2) LLM分析模块：LLM接收图像作为输入，分析打印质量，识别缺陷类型，并查询打印机以获取相关参数（如温度、速度等）。3) 纠正方案生成模块：LLM根据缺陷类型和打印机参数，生成纠正措施计划。4) 执行模块：将纠正措施发送到3D打印机，自动调整打印参数。
关键创新：最重要的技术创新点在于利用预训练的LLM进行3D打印过程的监控和控制。与传统的基于规则或机器学习的方法相比，LLM能够更好地理解图像中的复杂模式，并根据上下文信息进行推理，从而更准确地识别缺陷并生成有效的纠正措施。此外，该方法减少了对大量标注数据的需求，提高了可扩展性。
关键设计：LLM的选择和训练是关键。论文可能使用了视觉语言模型（VLM），并可能针对3D打印缺陷检测任务进行了微调。具体的损失函数和网络结构细节未知。此外，如何将LLM的输出转换为可执行的打印机指令也是一个关键设计点，可能涉及到特定的API调用或控制协议。
🖼️ 关键图片
📊 实验亮点
论文通过实验验证了LLM-3D Print框架的有效性，与人工专家相比，该框架能够准确识别常见的3D打印错误，如挤出不一致、拉丝、翘曲和层粘附等，并能自主确定导致这些故障的参数并进行纠正，无需人工干预。具体的性能数据和提升幅度未知。
🎯 应用场景
该研究成果可应用于自动化3D打印生产线，提高打印质量和效率，降低人工干预成本。潜在应用领域包括航空航天、医疗器械、定制化产品制造等，有助于推动增材制造技术的普及和发展，实现更智能、更高效的制造过程。
📄 摘要（原文）
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.