AI предсказване на дефекти от G-code: Превантивен контрол

Днес разглеждаме AI-базираното предсказване на дефекти директно от G-code – технология, която идентифицира потенциални проблеми преди да бъдат принтирани. Вместо да чакаме дефектите да се проявят (и да ги детектираме с CV), AI анализира G-code файла и предсказва:

• Зони с потенциален warp.
• Слоеве с недостатъчна адхезия.
• Области с overheating от прекалено бърз infill.
• Преходи с вероятен stringing.

Принцип: G-code като времеви сигнал

G-code не е просто координати – той е пълна хронология на печатния процес. От G-code може да се извлече:

AI модели за G-code анализ

1. Thermal Simulation от G-code

• ML модел симулира термичния профил на детайла на базата на:
  • Layer time (по-кратък layer → по-топъл → потенциален warp).
  • Fan speed vs extrusion temperature.
  • Infill density и pattern (high-density → повече heat accumulation).
• Output: Топлинна карта на детайла с маркирани рискови зони.

2. Stringing Predictor

• Анализира travel moves (G0 без retraction) и предсказва зони с вероятен stringing.
• Input: Travel distance, retraction settings, temperature, material type.
• Output: Рискови travel moves, препоръки за допълнителни retractions.

3. Layer Adhesion Risk

• CNN анализира последователността от layer times и предсказва зони с слаба междуслойна адхезия.
• Критичен за тънкостенни вертикални структури с бърз layer time.

Предимства и недостатъци

Предимства:

• Превантивен: Открива проблеми преди принтиране – нулев разход на материал.
• Бърз: Анализът на G-code е минути vs часове за принтиране.
• Actionable: Може автоматично да модифицира G-code за корекция.

Недостатъци:

• Апроксимация: Не отчита реалната термична среда (ambient temp, drafts).
• Material-specific: Модел за PLA не работи за PETG.
• Ограничена точност: Предсказва рискове, не гаранции.

FAQ