LLM-ADAM：用于增材制造预打印异常检测的通用 LLM 代理框架
机器学习
2026-05-06 v1 人工智能
摘要
增材制造 (AM) 持续变革现代制造业，使其能够实现灵活、按需生产复杂几何形状的跨行业应用。熔丝纤维制造 (FFF) 将 AM 扩展到实验室、教室和小型生产环境，但这会将过程规划责任转移给可能缺乏制造专业知识的用户。即使存在语法正确的切片器配置，仍可能编码热力或几何有害设置，细微的 G-code 编辑也会在打印开始前改变挤出、冷却或黏附。预打印 G-code 筛查可捕捉机器程序错误，避免浪费材料或机器时间。本文提出 LLM-ADAM 作为增材制造预打印异常检测的通用 LLM 框架。该框架将任务分解为三个角色：Extractor-LLM 将 G-code 文件映射到结构化过程参数模式；Reference-LLM 将打印机和材料文档转换为对齐的运行范围；Judge-LLM 解释确定性偏差表和 G-code 证据，以决定零件是否非异常或属于异常类。打印机、材料和 LLM 主干都是可互换的测试条件，而非固定假设。我们在 N=200 的 FFF G-code 语料库上进行评估，该语料库涵盖两个台式打印机系列、两种材料和五个类别，包括非异常、欠挤出、过挤出、翘曲和串线。最佳框架配置达到 87.5% 的准确率，而最强的人工设计单 LLM 基线为 59.5%。结果表明，结构化分解而非主干强度本身是改进的主要来源，缺陷类别在领先配置中达到或接近上限，而残余误差集中在非异常样本的保守性误报上。
引用
@article{arxiv.2605.03328,
title = {LLM-ADAM: A Generalizable LLM Agent Framework for Pre-Print Anomaly Detection in Additive Manufacturing},
author = {Ahmadreza Eslaminia and Chuhan Cai and Cameron Smith and Ruo-Syuan Mei and Shichen Li and Rajiv Malhotra and Klara Nahrstedt and Chenhui Shao},
journal= {arXiv preprint arXiv:2605.03328},
year = {2026}
}
备注
24 pages, 10 figures