Utilizing Machine Learning in Collision-free Weld Path Planning: Case study of PEMA WeldControl Robotic Welding Software

Abstract

This thesis investigates the application of machine learning methods in collision-free weld path planning for welding robots in Pemamek’s WeldControl software, which is a 3D weld planning and simulation software for programming robots. The main focus is on reinforcement learning algorithms, which have had some success in robot arm motion control in recent years. The topic was investigated through a literature review and by conducting experimental research on the WeldControl software. It was found that the use of machine learning in this particular case is not practical due to several constraints: the software is limited to Windows operating systems, which limits the number of available machine learning software libraries, and the underlying simulation software is not suitable for reinforcement learning. Additionally, there are inherent challenges with reinforcement learning algorithms, and other collision-free weld path planning approaches were found to be more efficient. Despite these findings, the thesis presents a method for integrating existing Python machine learning libraries into the WeldControl simulation environment, which facilitates similar works in the future.

Tämä diplomityö tutkii koneoppimisen hyödyntämistä törmäämättömien hitsausratojen laskennassa. Työ tutkii aihetta Pemamek yrityksen WeldControl-ohjelmistossa, joka on hitsausrobottien ohjelmointiin tarkoitettu 3D hitsinluonti- ja simulointiohjelmisto. Pääpaino on vahvistusoppimisalgoritmeissa, jotka ovat viime vuosina olleet suosittu tutkimuskohde robottikäsivarsien liikeratojen ohjauksessa. Aihetta tutkittiin systemaattisen kirjallisuuskatsauksen menetelmiä käyttäen sekä tekemällä kokeellisia tutkimuksia WeldControl-ohjelmistolla. Kävi ilmi, että koneoppimisen käyttö tässä tapauksessa ei ole käytännöllistä useiden rajoitteiden takia: ohjelmisto on rajoitettu Windows-käyttöjärjestelmiin, mikä rajoittaa saatavilla olevien koneoppimisohjelmistokirjastojen määrää, eikä taustalla oleva simulaatio-ohjelmisto sovellu vahvistusoppimiseen. Lisäksi vahvistusoppimisalgoritmeihin liittyy toistaiseksi ratkaisemattomia haasteita, ja muut lähestymistavat törmäämättömien hitsausratojen laskentaan osoittautuivat tehokkaammiksi. Näistä löydöksistä huolimatta, työ esittää menetelmän, jolla olemassa olevat Python koneoppimiskirjastot voidaan integroida WeldControl-simulaatioympäristöön, mikä mahdollistaa vastaavien tutkimuksien toteuttamisen tulevaisuudessa.