МОДЕЛЬ БЕЗПЕЧНОГО АДАПТИВНОГО КЕРУВАННЯ FDM/FFF-ДРУКОМ НА ОСНОВІ МАШИННОГО НАВЧАННЯ В УМОВАХ КІБЕРЗАГРОЗ
DOI:
https://doi.org/10.28925/2663-4023.2026.35.1371Ключові слова:
FDM/FFF-друк; машинне навчання; адаптивне керування; кібербезпека; кіберфізична система; оцінювання ризику; ResNet; Raspberry Pi 5; безпека керувальних команд, інформаційні технології.Анотація
У статті розглянуто проблему забезпечення безпечного адаптивного керування процесом FDM/FFF-друку в умовах технологічних відхилень і потенційних кіберзагроз для інформаційно-керувальної інфраструктури. Поширення адитивних технологій та інтеграція 3D-принтерів із мережевими сервісами, вбудованими обчислювальними платформами й інтелектуальними засобами моніторингу зумовлюють необхідність підвищення не лише якості виготовлення виробів, але й надійності та безпечності автоматизованого керування. Особливого значення набувають питання своєчасного виявлення технологічних аномалій, запобігання необґрунтованим керувальним втручанням, контролю достовірності вхідної інформації та обмеження несанкціонованого впливу на параметри друку. Метою дослідження є обґрунтування моделі безпечного адаптивного керування FDM/FFF-друком на основі машинного навчання, що поєднує оцінювання ризику технологічних дефектів, каскадну перевірку результатів інтелектуального аналізу та формування керувальних дій з урахуванням вимог інформаційної і функціональної безпеки. Розглянуто архітектуру інтелектуального наглядового контуру, що використовує відеодані, технологічну телеметрію та параметри завдання друку. Для ідентифікації дефектів застосовуються нейромережеві моделі класу ResNet, а для підвищення достовірності рішень – каскадна верифікація, часове згладжування оцінок ризику та механізм гістерезису. У контексті кібербезпеки розглянуто механізми розмежування прав доступу, перевірки допустимості команд G-коду, контролю цілісності конфігурацій та журналювання подій. Визначено їхню роль в обмеженні небажаних керувальних впливів і підтриманні контрольованого функціонування програмно-апаратного комплексу на базі Raspberry Pi 5. Проаналізовано наявні експериментальні результати порівняння конфігурацій інтелектуального контролю FDM/FFF-друку. Для досліджених конфігурацій наведено показники точності виявлення дефектів, частоти хибних спрацювань, затримки формування керувальних дій та частки відбракованих виробів. Порівняння демонструє можливість зменшення технологічних втрат завдяки використанню інтелектуального моніторингу й адаптивних механізмів втручання. Водночас оцінювання стійкості до цілеспрямованих кібератак визначено як окремий напрям подальших досліджень.
Завантаження
Посилання
He, H., Zhu, Z., Zhang, Y., Zhang, Z., Famakinwa, T., Yang, R. (2024). Machine condition monitoring for defect detection in fused deposition modelling process: A review. The International Journal of Advanced Manufacturing Technology, 132, 3149–3178. https://doi.org/10.1007/s00170-024-13630-8
Kozhay, K., Turarbek, S., Asselbekova, T., Ali, H., Shehab, E. (2024). Convolutional neural network-based defect detection technique in FDM technology. Procedia Computer Science, 231, 119–128. https://doi.org/10.1016/j.procs.2023.12.183
Werkle, K. T., Trage, C., Wolf, J., Möhring, H.-C. (2024). Generalizable process monitoring for FFF 3D printing with machine vision. Production Engineering, 18, 593–601. https://doi.org/10.1007/s11740-023-01234-2
De La Rosa, A., Armani, A., Golmohamadi, M. (2024). Defect detection and closed-loop feedback using machine learning for fused filament fabrication. Procedia CIRP, 126, 603–608. https://doi.org/10.1016/j.procir.2024.08.247
Brion, D. A. J., & Pattinson, S. W. (2022). Generalisable 3D printing error detection and correction via multi-head neural networks. Nature Communications, 13, Article 4654. https://doi.org/10.1038/s41467-022-31985-y
Kumar, M., Epiphaniou, G., Maple, C. (2025). Security of cyber-physical additive manufacturing supply chain: Survey, attack taxonomy and solutions. Computers & Security, 157, Article 104557. https://doi.org/10.1016/j.cose.2025.104557
Alkofahi, H., Alawneh, H., Skjellum, A. (2024). MitM attacks on intellectual property and integrity of additive manufacturing systems: A security analysis. Computers & Security, 140, Article 103810. https://doi.org/10.1016/j.cose.2024.103810
Al Mamun, A., Liu, C., Kan, C., Tian, W. (2022). Securing cyber-physical additive manufacturing systems by in-situ process authentication using streamline video analysis. Journal of Manufacturing Systems, 62, 429–440. https://doi.org/10.1016/j.jmsy.2021.12.007
Stouffer, K., Pease, M., Tang, C., Zimmerman, T., Pillitteri, V., Lightman, S., Hahn, A., Saravia, S., Sherule, A., Thompson, M. (2023). Guide to operational technology (OT) security (NIST Special Publication 800-82, Revision 3). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.SP.800-82r3
Oleinikov, I. A., Sribna, I. M. (2025). Development of a methodology for detecting 3D printing defects based on the ResNet model. Telecommunication and Information Technologies, 1, 111–119. https://doi.org/10.31673/2412-4338.2025.014545
Bondarchuk, A. P., Oleinikov, I. A., Bazhan, T. O. (2024). Application of machine learning methods to 3D printer control. Telecommunication and Information Technologies, 1, 4–15. https://doi.org/10.31673/2412-4338.2024.010415
Rybalchenko, L., Prokopovych-Tkachenko, D. (2025). A Bayesian approach to training deep neural networks for risk management in cyber-physical systems. Cybersecurity: Education, Science, Technique, 4(28), 234–245. https://doi.org/10.28925/2663-4023.2025.28.785
Palko, D. (2025). Intelligent models for cybersecurity risk assessment in distributed systems based on a neural network approach. Cybersecurity: Education, Science, Technique, 3(27), 429–448. https://doi.org/10.28925/2663-4023.2025.27.764
Zhdanova, Yu., Shevchenko, S., Spasiteleva, S., Sokulskyi, O. (2024). Decision-making based on linear optimization in information security risk management. Cybersecurity: Education, Science, Technique, 1(25), 330–343. https://doi.org/10.28925/2663-4023.2024.25.330343
Kret, T., Martseniuk, Ye. (2025). An integrated approach to threat modeling in artificial intelligence systems. Cybersecurity: Education, Science, Technique, 2(30), 555–567. https://doi.org/10.28925/2663-4023.2025.30.993
Zhebka, V., & Chytulian, V. (2026). Gaussian Process Regression Model for Performance Prediction of Enterprise Web Systems under Configurable Workloads. Telecommunication and Information Technologies, 2(91), 215–223. https://doi.org/10.31673/2412-4338.2026.029118
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Іван Олейніков, Юрій Базака, Софія Огнева, Сергій Обушний
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
