Аддитивное производство настойчиво перекладывает ответственность за качество на конечного пользователя, который зачастую не обязан быть экспертом в материаловедении. Проблема в том, что синтаксически безупречный G-код может скрывать в себе термические или геометрические дефекты, ведущие к браку. Исследователи из университетов Иллинойса, Мичигана и Ратгерса решили купировать проблему в зародыше, представив LLM-ADAM. Это фреймворк, который переносит фокус с реактивного мониторинга на превентивный анализ инструкций еще до начала печати.
Вместо попыток обучить одну нейросеть всему сразу, команда внедрила иерархию цифровых инспекторов. Extractor-LLM переводит сырой G-код в структурированную схему параметров, Reference-LLM сопоставляет их с документацией принтера и материала, а Judge-LLM выносит вердикт о возможных отклонениях. Такая мультиагентная архитектура делает систему независимой от конкретного оборудования или используемой языковой модели.
По данным отчета, на выборке из 200 образцов конфигурация LLM-ADAM показала точность 87,5%, в то время как одиночные модели едва преодолели порог в 59,5%. Система успешно выявляет риски недоэкструзии, деформации или образования «соплей» еще на этапе чтения кода. Научная ценность здесь заключается в способности ИИ интерпретировать низкоуровневые инструкции FFF-печати, которые часто игнорируются при стандартном анализе геометрии.
Для бизнеса и инженерных руководителей это четкий сигнал: эпоха кустарной настройки параметров уходит, уступая место автономным превентивным шлюзам. Основная задача на текущем этапе — снизить излишний консерватизм системы, порождающий ложные срабатывания. Дальнейшее развитие потребует калибровки «агентов-судей» для работы с экстремально сложной геометрией, где грань между дефектом и специфической особенностью дизайна становится слишком тонкой.