МОДЕЛЬ ВИБОРУ КЕРУВАЛЬНИХ ДІЙ З МЕХАНІЗМОМ ПОЯСНЕННЯ В ІНТЕЛЕКТУАЛЬНІЙ СИСТЕМІ АВТОМАТИЗОВАНОГО КЕРУВАННЯ 3D-ДРУКОМ

Автор(и)

DOI:

https://doi.org/10.28925/2663-4023.2026.32.1207

Ключові слова:

3D-друк, FDM/FFF-друк, інтелектуальне керування, машинне навчання, комп’ютерний зір, мультимодальна телеметрія, пояснення рішень, виявлення дефектів

Анотація

У статті розглянуто задачу підвищення обґрунтованості, прозорості та практичної придатності керувальних дій в інтелектуальних системах автоматизованого керування FDM/FFF-3D-друком. Показано, що сучасні підходи до моніторингу процесу адитивного виготовлення, які використовують методи машинного навчання, комп’ютерного зору та мультимодального аналізу телеметрії, забезпечують своєчасне виявлення дефектів, аномалій і відхилень технологічних параметрів, однак у більшості випадків не надають достатньо зрозумілого пояснення причин вибору конкретної керувальної дії. Унаслідок цього знижується довіра оператора до автоматизованої системи, ускладнюється аналіз хибних спрацьовувань та обмежується можливість ефективного використання інтелектуального керування у лабораторних, освітніх і прикладних виробничих умовах.

Запропоновано модель вибору керувальних дій із механізмом пояснення, яка інтегрує результати візуального аналізу зони друку, телеметричні показники принтера, контекст виконання G-code-команд, фазу технологічного процесу та інтегральний рівень ризику в єдину структуру прийняття рішень. На відміну від традиційних підходів, запропонована модель дозволяє не лише формувати рішення щодо продовження друку, паузи, корекції швидкості, температури або подачі матеріалу, а й генерувати коротке та розгорнуте пояснення причин такого втручання. У роботі наведено формальний опис моделі, визначено множину можливих керувальних дій, подано правила переходу від ознак дефекту до дії, запропоновано інтегральний показник інтерпретованості рішення та сформовано таблицю відповідності між типовими аномаліями, втручаннями та текстами пояснень.

Практичне значення роботи полягає у можливості використання моделі як надбудови над уже існуючими системами інтелектуального моніторингу та керування 3D-друком. Реалізація такого підходу дає змогу зменшити кількість хибних втручань, підвищити узгодженість між результатами машинного навчання і керувальними діями, а також підвищити довіру оператора до автоматизованого керування технологічним процесом.

Завантаження

Дані завантаження ще не доступні.

Посилання

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

Oleinikov, I. A., & Sribna, I. M. (2025). Development of a method for detecting 3D printing defects based on a ResNet model. Telecommunication and Information Technologies, (1), 111–119. https://doi.org/10.31673/2412-4338.2025.014545

Oleinikov, I. A. (2025). Method and model of intelligent automated control of 3D printing based on machine learning (Doctoral dissertation, specialty 123 Computer Engineering). Kyiv, Ukraine.

Ukwaththa, J., Herath, S., & Meddage, D. P. P. (2024). A review of machine learning (ML) and explainable artificial intelligence (XAI) methods in additive manufacturing (3D printing). Materials Today Communications, 41, 110294. https://doi.org/10.1016/j.mtcomm.2024.110294

Aktepe, E., & Ergün, U. (2025). Machine learning approaches for FDM-based 3D printing: A literature review. Applied Sciences, 15(18), 10001. https://doi.org/10.3390/app151810001

Inayathullah, S., & Buddala, R. (2025). Review of machine learning applications in additive manufacturing. Results in Engineering, 25, 103676. https://doi.org/10.1016/j.rineng.2024.103676

Gawade, V., & Chen, M. (2025). Explaining multimodal CNN-DNN model predictions for quality monitoring of porosity in laser metal deposition. Knowledge-Based Systems, 311, 113095. https://doi.org/10.1016/j.knosys.2025.113095

Gurav, V., Upadhyay, A., & Sakhare, H. (2025). An explainable lightweight framework for process control and fault detection in additive manufacturing. Journal of Manufacturing and Materials Processing, 9(12), 392. https://doi.org/10.3390/jmmp9120392

Singh, M., Sharma, P., Sharma, S. K., & Singh, J. (2025). A novel real-time quality control system for 3D printing: A deep learning approach using data-efficient image transformers. Expert Systems with Applications, 273, 126863. https://doi.org/10.1016/j.eswa.2025.126863

Sampedro, G. A. R., Agron, D. J. S., Amaizu, G. C., Kim, D.-S., & Lee, J.-M. (2022). Design of an in-process quality monitoring strategy for FDM-type 3D printer using deep learning. Applied Sciences, 12(17), 8753. https://doi.org/10.3390/app1217875

Downloads


Переглядів анотації: 9

Опубліковано

2026-03-26

Як цитувати

Олейніков, І., Полоневич, О., Нестеренко , К., & Власенко, В. (2026). МОДЕЛЬ ВИБОРУ КЕРУВАЛЬНИХ ДІЙ З МЕХАНІЗМОМ ПОЯСНЕННЯ В ІНТЕЛЕКТУАЛЬНІЙ СИСТЕМІ АВТОМАТИЗОВАНОГО КЕРУВАННЯ 3D-ДРУКОМ. Електронне фахове наукове видання «Кібербезпека: освіта, наука, техніка», 4(32), 865–877. https://doi.org/10.28925/2663-4023.2026.32.1207

Статті цього автора (авторів), які найбільше читають