过去一年，基于材料挤出工艺的桌面级FDM 3D打印设备继续保持高增长态势。随着设备普及，3D打印机正被越来越多的人所熟悉——它已不再是制造企业或专业工程师专属的设计工具，而是日益“民主化”，成为更多业余爱好者将创意变为现实的得力助手。
然而，材料挤出3D打印工艺的稳定性始终是悬而未决的挑战。研究表明，PLA材料的打印失败率可达20%，ABS材料的浪费率高达34%，整体故障率更是达到41.1%，其中仅人为错误就占26.3%。从翘曲变形到层间剥离，从挤出不足到拉丝现象——这些缺陷不仅造成材料、能源和时间的大量浪费，更成为该工艺在医疗器械、航空航天等安全敏感领域规模化应用的主要障碍之一。业界一直在寻找能够克服这些挑战的有效解决方案。
但现有方案普遍面临三重困境：基于规则和传统机器学习的方法难以在不同打印机和传感器间实现通用；深度学习方法依赖大规模标注数据集，扩展性和适应性受限；而物理传感器监测方案成本高、集成复杂，且难以捕捉拉丝、细微层分离等缺乏强物理特征的缺陷。
针对上述难题，卡内基梅隆大学机械工程系与机器学习系的研究团队提出了LLM-3D Print（大语言模型3D打印）框架，将大型语言模型作为自主控制器引入增材制造过程。相关研究成果已发表于《Additive Manufacturing》期刊。本期谷·专栏将对这项研究进行简要分享。
论文链接：
https://doi.org/10.1016/j.addma.2025.105027
这项研究的核心突破在于，无需领域特定的微调或训练，仅通过上下文学习、自我提示和迭代提示推理优化，大语言模型即可从序列图像中评估打印质量、检测并分类新兴故障模式、查询并修改打印机运行参数。
这一方法摒弃了传统的规则依赖和数据依赖，实现了无规则、自我改进的过程控制范式。研究团队将这一框架与不同水平的增材制造工程师对照组进行对比评估，结果显示，基于大语言模型的智能体不仅可靠地识别了挤出不一致、拉丝、翘曲和层间附着力差等常见3D打印错误，还能确定其原因并在无需人工干预的情况下进行纠正。值得注意的是，大语言模型甚至比人类专家更早识别出新兴的3D打印错误。
GITHUB开源信息：
https://github.com/BaratiLab/LLM-3D-Print-Large-Language-Models-To-Monitor-and-Control-3D-Printing
多智能体协同架构
该框架采用层次化的机器对机器通信架构，由七个关键模块组成，各模块独立执行特定任务：
图1：提出的框架示意图。(a)将零件的G代码文件上传至3D打印机。(b) 打印机配备两个安装在框架上的摄像头。(c) 每层打印完成后，捕获两张当前打印状态的图像供LLM分析。(d, e) 如检测到故障，监督LLM调用信息规划器。(f) 执行器执行信息收集计划。(g) 随后，监督器激活解决方案规划器。(h) 另一执行器执行解决方案计划。(i, j) 循环结束，监督器调用交接模块恢复打印。
图像推理模块利用GPT-4o的图像分析能力检测进行中3D打印的异常。每层打印完成后，打印机暂停，两个安装在框架上的摄像头从顶部和正面捕获图像，连同部件的文本描述一同输入大语言模型进行分析。
监督智能体是整个系统的协调核心，维护动态状态字典，确保各模块在激活前都能访问最新相关信息，优化大语言模型令牌使用效率。
图2：各个智能体的提示流程。(a)错误检测智能体 – 暂停打印机的图像被格式化为预定义提示并传递给VLM进行分析，返回结构化响应。(b) 规划智能体 – 适配器模块根据错误检测结果优化推理提示，引导规划器制定行动计划。(c) 执行智能体 – LLM选择合适的API端点在打印机上执行计划，并根据打印机响应验证命令成功与否。
规划智能体包含适配器和规划器两个模块：适配器分析观测结果和检测到的故障，调整标准推理提示；规划器利用调整后的提示和推理框架生成具体可执行的行动计划。
执行智能体采用ReAct方法执行生成的计划，通过预定义的Python函数经API与打印机通信，不仅发出命令，还主动监控打印机响应并对每一步进行推理。
实验验证与性能提升
研究团队在改装后的消费级3D打印机上部署了这一框架，使用1mm喷嘴（非标准硬件配置）和Klipper固件，通过API动态调整打印参数。实验采用了两种线材：具有热变色性的PLA和柔性TPU。
l 多层打印实验
研究团队打印了扳手模型和凸起文字模型，逐层进行优化。在扳手模型的第9层，研究人员手动引入Z轴扰动，测试大语言模型检测和响应突发变化的能力。
图3：LLM优化打印与基线打印的对比：(a) LLM优化的打印件边缘更清洁、清晰，而基线打印件（b）边缘粗糙、不均匀。(c) LLM优化的打印件表面光洁度一致光滑，基线打印件（d）表面粗糙，可见材料沉积跳越。(e) LLM优化的打印件挤出和材料沉积一致，基线打印件（f）层间附着力不均，挤出不足。(g) LLM优化的打印件层质量和填充模式持续改善，基线打印件（h）质量稳步下降。
结果显示，经大语言模型优化的打印件边缘更清晰、表面更光滑、挤出一致性显著提升。大语言模型准确识别出打印速度和挤出率偏离标准值，并持续优化这些参数；在第10层检测到Z轴位置偏差后，持续尝试校正。
l 单层打印实验
为了测试框架在更高采样率下的表现，研究团队打印了单层100mm×100mm方形，分为四个片段逐段分析。
图4：LLM对单层打印（a）PLA、（b）TPU以及多层打印（c）文本、（d）扳手的参数优化。
对于PLA材料，大语言模型建议将打印速度降低至75%以改善线材附着、将流量率略微提高至100%以上以解决挤出不足、微调压力推进以减少拉丝和凸点、优化回抽流量至25%左右以缓解挤出物滴落。对于TPU材料，大语言模型建议将喷嘴温度提高至220°C，改善线材熔融和流动。逐段分析显示，占用率（打印层覆盖目标面积的程度）持续提升，验证了优化策略的有效性。
l 机械性能测试
研究团队对四种几何结构（方形、六边形、半球形和拉胀结构）进行了压缩测试。为适应测试设备灵敏度，框架提示加入了特定机械指令：”为压缩测试加强x/y方向的打印强度，z为建造方向”。
图6：基线样品与LLM优化样品的压缩性能对比。基线打印件过早失效，峰值载荷较低，而LLM优化的对应件结构完整性增强，峰值载荷能力显著提高：(a)方形结构 (×5.06)，(b) 六边形结构 (×1.60)，(c) 半球形结构 (×1.34)，(d) 拉胀结构 (×2.46)。
结果显示，经大语言模型优化的样品不仅达到更高峰值载荷，且表现出更一致的力学行为和更可预测的失效模式：方形结构峰值载荷提升5.06倍（从约0.8kN增至4.0kN以上），六边形单元提升1.60倍，半球形结构提升1.34倍，拉胀结构提升2.46倍。
跨平台通用的能力
为验证框架在不同硬件平台上的通用能力，研究团队将其部署在Creality Ender打印机上。该配置缺少Ender 5 Plus上的BLTouch自动调平传感器，研究团队仅通过从3D打印机文档中移除相关参数就完成了适配。
实验中，研究团队在切片阶段引入填充重叠率变化，模拟工业流程中G代码文件可能来自外部供应商或不同切片器配置的场景。
图5：基线打印件与LLM优化打印件对比。基线样品显示出可见缺陷，包括接缝间隙和填充-外围界面结合不完全，而LLM优化打印件在（a）方形、（b）六边形、（c）半球形和（d）拉胀几何结构中均显示出完全固结的特征。
结果显示，基线3D打印在接缝位置和填充-外围过渡区出现明显间隙，而经大语言模型优化的打印最初几层也显示相同缺陷，但在约5次迭代内，系统成功将这些表现识别为挤出不足问题，通过调整挤出速度、温度和挤出倍率参数进行补偿，实现了接缝质量、填充-外围结合度和整体表面一致性的可测量提升。
缺陷检测能力评估
图7：第9层LLM生成的响应。专家标注图像突出显示了观察到的缺陷：（1）挤出不一致，（2）拉丝，（3）层分离，（4）材料凸点。相应的LLM生成响应（格式化）识别了这些问题，并根据打印机状态和视觉输入概述了纠正措施。
研究团队组织了14名具有不同增材制造经验水平的工程师参与用户研究，将大语言模型的缺陷检测结果与专家标注进行对比。结果显示，大语言模型成功识别了拉丝、挤出不足、喷嘴堵塞、打印速度不一致和调平问题等多种故障模式。
图8：检测到的故障。（a）单层打印优化过程中LLM识别出的故障和观察结果。（b）扳手模型多层打印中，人类标注者、领域专家和LLM跨层检测到的故障逐层比较。
在多层打印中，大语言模型和大多数参与者（包括专家）一致识别出拉丝和挤出问题是跨多个层的主要故障模式，同时大语言模型还能检测到床面附着失效、翘曲和层分离等较复杂缺陷，这些有时被经验较少的参与者忽略。
值得注意的是，大语言模型在第7层和第11层识别出层分离的早期迹象，早于专家标注人员，表明模型能够通过跨层的视觉进展推理，比人类更早预判结构失效。
图9：混淆矩阵。检测到的打印缺陷与专家标注的对比。（左）LLM预测的缺陷显示，对于挤出问题和拉丝/滴落等主要问题具有较高的真阳性率，但也存在少量假阳性和误分类，特别是对于视觉相似的异常如凸点/粉刺。（右）人类调查响应显示出更大的变异性，在细微缺陷类别如打印裂纹、重影和大象脚方面出现更多假阳性，表明经验不足的参与者可能存在过度识别或误分类。
混淆矩阵分析显示，大语言模型在识别挤出问题和拉丝/滴落等高影响缺陷方面表现出高精度和高召回率，而人类调查响应则显示出更大变异性，特别是在细微缺陷分类上。
数据安全与模块化设计
该框架严格分离角色，系统只能在打印过程中修改运行时参数，从不改变或覆写切片器生成的G代码，防止对工具路径的意外或恶意修改。
其模块化部署方式允许根据敏感性和信任要求分配模块，基于视觉的缺陷检测和实时控制模块可使用微调或内部模型本地托管，仅处理不含专有设计几何的图像数据和机器状态；通用推理任务可运行在外部大语言模型服务上，仅消耗抽象的缺陷描述符和机器指标，不接触原始设计文件或工具路径。
在高度受限环境中，该框架支持完全本地部署，确保外部模型永不接触专有或敏感数据。
“ 3D Science Valley 白皮书 图文解析
”
意义与展望
这项工作的关键贡献在于证明了大语言模型能够作为材料挤出增材制造过程中的自主上下文控制器。该方法不依赖重新训练或微调，而是通过智能体间基于聊天的交互进行结构化推理。框架生成的详细制造评注和缺陷检测报告显著增强了零件缺陷可追溯性和自动化文档编制，有助于识别缺陷根本原因，简化质量控制流程，为关键应用中的零件认证提供支持。
该研究的通讯作者Amir Barati Farimani表示：”未来是自适应的。将大语言模型集成到3D打印流程中代表了一项重大进步。随着这些模型的发展，它们对更丰富的多模态数据进行推理的能力将解锁更多功能。就目前而言，这项工作为构建真正智能、自主增材制造系统奠定了基础，使其能够达到前所未有的精度和可靠性水平。”
l 谷专栏 l
欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。
白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷
