夜雨聆风点击蓝字 关注我们
No1. 文章导读
3D 打印的最大痛点不是机器不够快，而是打到一半坏了没人管：据统计 MEX 打印整体失败率高达 41.1%，其中人为失误占 26.3%。现有的监控方案要么依赖针对特定打印机调参的规则系统、要么需要大量标注数据训练深度学习模型，换个打印机、换种材料就水土不服。卡内基梅隆大学团队提出了一个截然不同的思路：把 ChatGPT-4o 直接"塞"进打印机控制回路。它不需要任何微调或领域专门训练，仅靠 in-context learning 和自提示迭代推理，就能从逐层拍摄的照片中识别挤出不均、拉丝、翘曲、层间分离等常见缺陷，自主查询打印机参数、生成纠错方案、执行 G-code 指令并验证效果。压缩测试验证了优化成效：方形结构峰值载荷提升 5.06 倍、六边形 1.60 倍、半球形 1.34 倍、拉胀结构 2.46 倍。更关键的是，LLM 比人类专家更早发现了层间分离的早期征兆。
该研究由卡内基梅隆大学机械工程系 Amir Barati Farimani 课题组完成，相关成果以"LLM-3D print: Large Language Models to monitor and control 3D printing"为题发表于 Additive Manufacturing。
题译：LLM-3D 打印：利用大语言模型监控与控制 3D 打印
DOI：https://doi.org/10.1016/j.addma.2025.105027
No2. 研究背景
材料挤出（MEX）是应用最广泛的增材制造工艺之一，开源社区项目如 RepRap 和 Klipper 极大降低了准入门槛。但 MEX 极易受缺陷困扰：翘曲、层错位、欠挤出、过挤出、拉丝等问题频发。统计显示 PLA 打印 20% 会失败，ABS 材料浪费率达 34%，整体失败率 41.1%。这些失败不仅浪费材料、能源和时间，更限制了 3D 打印件在医疗设备和航空航天等安全关键领域的终端应用。
现有解决方案主要沿两条路线：一是基于物理仿真优化工艺参数，但计算成本高、实用性差；二是引入传感器构建闭环控制，用加速度计、声学传感器、激光扫描仪等各有侧重，但对拉丝、层间分离这类缺乏明显物理信号的缺陷仍然无能为力。基于摄像头的视觉监控成本低、易集成，但传统计算机视觉方法需要针对每台打印机、每种材料、每个零件单独标定，难以泛化。机器学习方法虽提升了灵活性，却依赖大规模标注数据集。
大语言模型（LLM）的出现打破了这一僵局。LLM 在机械工程领域已展现出知识检索、假设生成、工程图纸分析、CAD 生成等能力，而多模态视觉语言模型（VLMs）进一步扩展了视觉推理能力。本文的核心创新在于：直接将商用 LLM（ChatGPT-4o）作为一个"即插即用"的打印控制器，通过层次化智能体架构（监督者→规划者→执行者）和上下文学习（in-context learning），让 LLM 从打印图像中自主识别缺陷、推理成因、制定并执行纠错方案。这种方法无需任何标注数据，模型本身零训练开销，且通过 API 抽象层实现了跨打印机、跨传感器的泛化。
No3. 实验/模拟方法
（1）硬件平台： 采用两台消费级 3D 打印机（Creality Ender 5 Plus 和 Creality Ender 3），均刷入 Klipper v0.13.0 开源固件，配合 Moonraker v0.9.3 API 暴露打印机参数接口。两台 SVPRO1080P 摄像头（2.8–12 mm 手动变焦）分别提供俯视和前视画面，通过 Crowsnest v4.1.16 插件流式传输。实验故意使用 1 mm 喷嘴（非标准配置），使默认切片参数失效，制造了一个 LLM 必须自主优化参数的真实场景。
（2）LLM 智能体架构： 采用层次化多智能体框架。监督者智能体（Supervisor Agent）维护全局状态，协调各模块激活顺序。检测智能体（Error Detection Agent）接收逐层图像和零件自然语言描述，通过 VLM 评估打印质量、识别缺陷。规划智能体（Planning Agent）包含适配器模块（根据检测结果调整推理提示）和规划器模块（生成具体行动计划）。执行智能体（Executor Agent）基于 ReAct（Reasoning+Acting）方法，通过打印机 API 查询参数和执行 G-code 指令，并验证执行结果。所有智能体基于 ChatGPT-4o，不做任何微调，仅使用领域通用的结构化提示引导推理。
（3）打印实验： 多层打印包括扳手模型和凸起文字模型（100% 直线填充），每层打印完成后暂停并拍摄图像，LLM 分析后执行优化。单层打印为 100 mm × 100 mm 方形（高度 0.5 mm），分为四段逐段检测。两种材料（PLA 和 TPU）均在 190°C 喷嘴温度下测试，打印速度 120 mm/s，层高 0.35 mm。TPU 打印中 LLM 自主将温度提升至 220°C。
（4）人类对标实验： 邀请具有不同增材制造经验的参与者和领域专家对 LLM 曾分析的打印层进行独立评估，比较人机检测结果，以专家标注作为"金标准"。
（5）机械验证： 对方形、六边形、半球形、拉胀四种几何结构的基线与 LLM 优化件进行压缩测试，量化缺陷纠错对力学性能的实质提升。
No4. 关键图表解读
图1 LLM-3D Print 框架总体架构
（a） 零件 G-code 文件上传至打印机。（b） 打印机配备两台框架安装摄像头（俯视+前视）。（c） 每层打印完成后，挤出机归位，拍摄两幅当前打印状态图像，由 LLM 分析评估质量并识别缺陷。（d）/（e） 若检测到缺陷，监督者激活信息规划器。（f） 执行器执行信息收集计划，通过 API 查询打印机实时参数。（g） 监督者激活方案规划器。（h） 第二执行器执行修正方案。（i）/（j） 监督者调用交接模块恢复打印，循环进入下一层。整个流程是"感知→诊断→规划→执行→验证→恢复"的闭环。
图2 智能体提示管道设计
（a）缺陷检测智能体： 暂停打印的图像（1）→格式化为预定义提示模板（2）→传入 VLM（3）→VLM 分析后返回结构化响应（4），包含打印质量评估和缺陷列表。（b）规划智能体： 适配器模块根据检测输出调整通用推理提示，使其与特定上下文匹配；规划器基于调整后的提示生成可执行计划。（c）执行智能体： LLM 在 ReAct 框架下选择合适的 API 端点执行计划，验证打印机响应是否成功，必要时更换端点或修改 G-code，迭代至预期结果达成。三者的提示管道设计是 LLM 零微调泛化的关键：通用结构化提示替代了传统方法的定制特征工程。
图3 扳手模型：LLM 优化 vs 基线打印质量
LLM优化打印与基准打印的对比：(a) LLM优化打印呈现更清晰、边界分明的边缘，而基准打印则显示(b)粗糙不均的边缘；(c) LLM优化打印始终保持表面光滑均匀，而基准打印(d)表面粗糙且可见材料沉积间断现象；(e) LLM优化打印具有稳定的挤出效果和均匀的材料沉积，相比之下，基准打印(f)存在层间粘附不均和挤出不足的问题；(g) LLM优化打印在各层中持续提升，层间粘附性更好、填充图案更精确，而基准打印的质量则呈现持续下降趋势。
图4 LLM 逐层参数优化的实时追踪
（a） PLA 单层打印的参数优化轨迹：LLM 检测到拉丝和挤出问题后，逐步调节回抽流量至约 25%，有效抑制了喷嘴移动间的渗料和拉丝。（b） TPU 单层打印：LLM 建议将喷嘴温度从 190°C 提升至 220°C，改善了熔融流动性和层间粘合，减少了拉丝。（c） 凸起文字的多层打印优化：LLM 识别欠挤出后增加流量、调整挤出加速度、降低打印速度，完成初始修正后进入系统调优阶段：精细调节速度和流量以寻找特定条件下的最优设置，最终文字间无拉丝。（d） 扳手模型：初始检测欠挤出 → 增加流量 → 系统调优 → 检测到 Z 位置偏差后持续尝试修正。整个优化过程中，LLM 的各项参数并非随机试探，而是基于对缺陷成因的推理进行定向调整。
图5 跨打印机平台的泛化验证
在搭载不同传感器配置的 Ender 3 上验证框架泛化能力。四种几何结构（（a） 方形、（b） 六边形、（c） 半球形、（d） 拉胀结构）的基线件与 LLM 优化件对比。基线件在接缝位置和填充-外壁过渡区存在一致的间隙缺陷（切片 G-code 固有的路径重叠不足所致），这些微小缺口构成应力集中点。关键发现：LLM 优化件的前几层同样显示了这些缺陷，证明框架起始于完全相同的欠佳条件。但约 5 轮迭代内，LLM 成功将这些表现诊断为欠挤出问题，通过调节挤出速度、温度和挤出倍率补偿了固定路径的局限。值得注意的是：本次验证使用接近默认的打印参数（非故意劣化），基线件拉丝等严重缺陷较少，但 LLM 仍然实现了可测量的接缝质量和界面结合改善。
图6 压缩测试：视觉缺陷纠错
力学性能提升的定量验证
四种结构的基线件与 LLM 优化件压缩载荷-位移曲线对比。基线件在所有几何结构下均表现出过早失效和载荷-位移关系不稳定——这与打印过程中观察到的视觉缺陷直接相关。LLM 优化件的峰值载荷大幅提升：方形 ×5.06、六边形 ×1.60、半球形 ×1.34、拉胀 ×2.46。不仅峰值更高，LLM 件的载荷曲线也更平滑、失效模式更可预测。这一组数据建立了"视觉缺陷纠错→结构完整性→力学性能"的完整因果链：LLM 并非仅仅改善外观，而是实质性地提升了打印件的承载能力。
图7 LLM 缺陷识别与纠错决策的端到端示例
第 9 层打印图像由专家标注出四类缺陷：（1）挤出不一致、（2）拉丝、（3）层间分离、（4）材料团块。LLM 成功识别了前三类并提出了具体修正方案：增加回抽长度和速度以抑制拉丝、调整 Z 偏移改善粘合、提高挤出倍率解决欠挤出，唯独遗漏了团块缺陷（可能因其外观与拉丝相似而被误归入拉丝）。值得注意的是，LLM 还参考了之前的修正历史：它意识到上一轮的 105% 流量和 50 mm/s 回抽速度效果有限，主动将流量上调至 110%、回抽速度上调至 55 mm/s。所有诊断基于纯上下文推理，无需训练数据。
图8 缺陷检测的多方对标
（a） LLM 在单层打印优化过程中逐段检测到的缺陷和观察记录。（b） 扳手模型多层打印中，LLM、人类参与者（不同经验水平）和领域专家三方的逐层检测对比。三方一致识别了拉丝和挤出问题作为主要失效模式。LLM 能检测热床粘合失效、翘曲、层间分离等更复杂的缺陷，这些有时被经验不足的参与者遗漏。更关键的是：LLM 在第 7 层和第 11 层比专家更早发现了层间分离的早期征兆，证明其具备通过逐层视觉演化推理预判结构失效的能力。
图9 LLM 与人类缺陷分类的混淆矩阵量化对比
（左） LLM 相对于专家标注的混淆矩阵：在高影响缺陷（挤出问题、拉丝/渗料）上精确率和召回率均高，假阳性/假阴性少。但存在少量误分类：某些层的团块/斑点被归为拉丝。（右） 人类调查结果的混淆矩阵：在重影、象脚、裂纹等细微缺陷上假阳性率显著更高——经验不足的参与者倾向于过度识别这些罕见缺陷。这一量化对比表明：LLM 不仅匹配了专家级诊断精度，还减少了过度归因，在保持高检出率的同时控制了误报率。
No5. 核心研究结论
（1）LLM 可以作为 3D 打印的自主闭环控制器，无需微调或领域专门训练。 基于 ChatGPT-4o 的层次化智能体框架通过 in-context learning 和自提示迭代推理，成功实现了对 MEX 打印过程中缺陷的检测、成因分析和自主纠错。模型零训练开销、即插即用。
（2）LLM 优化使打印件力学性能获得数量级提升。 压缩测试中方形结构峰值载荷提升 5.06 倍、拉胀结构 2.46 倍、六边形 1.60 倍、半球形 1.34 倍。LLM 件载荷曲线更平滑、失效更可预测，证明视觉缺陷纠错直接转化为结构完整性提升。
（3）框架具备跨硬件、跨传感器泛化能力。 在 Ender 5 Plus 和 Ender 3 两个硬件平台（不同传感器配置）上均成功运行，通过 API 抽象层实现了传感器无关设计，约 5 轮迭代内即可将接近默认参数的打印优化至更高精度标准。
（4）LLM 在缺陷检测上匹配甚至超越人类专家。 在拉丝和挤出问题等常见缺陷上与专家一致；在层间分离的早期检测上领先于专家标注；混淆矩阵显示 LLM 在细微缺陷分类上比非专家参与者具有更低的假阳性率。
（5）LLM 展现出类人的诊断推理和策略自适应能力。 它不仅能识别缺陷，还参考历史修正效果进行策略调整——流量从 105% 升至 110%、回抽速度从 50 升至 55 mm/s。这些调整基于因果推理（"上一轮修正不够→加大力度"）而非预设规则。
小编评语
这篇论文把ChatGPT的图像理解和推理能力嫁接到打印机的 API 上,实现了自主监控和调参。现有"智能监控"方案的缺点是规则系统换台打印机就废，深度学习换个材料就要重新标注，而 LLM 靠prompt工程和in-context learning就把这三个问题一并绕过了。5 倍压缩强度提升这个数字虽然听着夸张，但仔细看实验设计（1 mm 非标喷嘴、故意劣化的初始参数），提升幅度是合理的。真正值得关注的反而是跨打印机泛化和比专家更早发现层间分离这两个结果：前者意味着"一次部署、多机复用"的工程可行性，后者指向 LLM 在时序视觉推理上的巨大潜力。局限也很直白：当前依赖 ChatGPT-4o 云端推理，延迟和成本是大规模部署的硬伤；图像被压缩以适应词元（token） 限制，可能漏检需要高分辨率的细微缺陷；只验证了 MEX 工艺，粉末床等其他 AM 工艺尚未覆盖。但这篇论文的核心价值不在于解决了所有问题，而是证明了 LLM 作为"通用打印控制器"这个方向的可行性，在AI发展如此迅速的今天，相信很快就能解决这些问题。
——————版权声明——————
①小编能力有限，提供文章每日速读，解读内容仅供参考。
②文献来源于公开发表网站，如有侵权，请及时后台联系。
③本文由C4编辑发布在增材制造产学研公众号，欢迎转发分享，如有合作，请联系后台。
