fused filament fabrication
PulseAugur coverage of fused filament fabrication — every cluster mentioning fused filament fabrication across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的AI方法在不确定性下优化3D打印质量 · 跟踪3个来源
研究人员开发了优化熔丝制造（FFF）过程的新方法，重点是在不确定性下提高零件质量。一种方法使用贝叶斯神经网络来预测几何精度和丝材结合质量，结合模型和输入不确定性来优化喷嘴温度和速度等参数。另一篇论文提出了一个计算框架，将传热分析与烧结模型相结合，以最大化丝材结合质量，使用Sobol指数进行敏感性分析，并使用高斯过程来管理模型差异。第三项研究探讨了物理信息和混合机器学习策略，将物理知识整合到深度神经网络中，即使在实验数据有限的情况下也能…
-
新框架直接从点云生成3D打印G代码
研究人员开发了一个名为PrintAnything的新框架，可以直接从3D点云生成3D打印G代码，无需进行网格重建。该方法解决了可能导致打印失败的网格伪影问题。该框架引入了一种逐层点投影策略和一个称为几何平面（G-plan）图的新型2D表示，该表示包括占用、区域和流图，以编码刀具路径合成所需的几何和挤出属性。这种方法提供了一个实用的、无网格的3D打印流程。
-
振动侧信道攻击绕过3D打印机噪声消除
研究人员演示了主动电机噪声消除（AMNC）——一种针对3D打印机声学侧信道攻击的硬件防御措施——对于基于振动的攻击无效。虽然AMNC成功地消除了声学通道，但振动通道仍然会泄露有关打印对象的信息。通过分析打印过程中振动波形的时域模型，在识别打印对象方面达到了约61%的准确率，这表明AMNC未能解决一个重大的漏洞。该研究使用了来自Bambu Lab打印机的数据，并发现振动泄露是设备特定的，这表明虽然AMNC保护了声学通道，但振动、磁力或电…
-
LLM-ADAM框架增强增材制造异常检测
研究人员开发了LLM-ADAM，一个利用大型语言模型检测增材制造G代码文件异常的新型框架。该系统将任务分解为不同的角色：Extractor-LLM用于构建工艺参数，Reference-LLM用于解释文档，Judge-LLM用于识别偏差。在200个FFF G代码文件语料库上进行评估，最佳配置实现了87.5%的准确率，用于检测欠挤出和翘曲等缺陷，显著优于基线模型。