本发明涉及构建关于用于控制机床等的控制信息的学习模型的学习模型构建装置、以及使用所构建的学习模型使控制信息最优化的控制信息最优化装置。
背景技术：
为了提高机床的生产率，需要缩短用于加工工件的加工时间即循环时间。作为用于缩短循环时间的方法，例如提高机床的切削进给的速度，或缩短配备于机床中的主轴或进给轴的加减速的时间常数。
然而，若提高切削进给的速度、或者缩短主轴或进给轴的加减速的时间常数，则由电动机或放大器构成的各轴的驱动装置所涉及的负载将变大。其结果是，驱动装置发热而造成过热，可能引起驱动装置的损坏或动作不良。
为了防止这种事态，在一般的技术中，在驱动装置的温度因发热而上升到过热之前为止，将发出警报并停止驱动部的动作。由此，能够防止驱动装置过热而造成驱动装置损坏等。然而，在驱动装置的运行暂时停止之后，在直至驱动装置冷却而使温度下降的期间中，由于无法再运行，因此将产生加工中断的问题。
考虑到该问题，在专利文献1公开的技术中，当驱动装置的温度因发热而上升到预定的温度时，并不立即停止驱动部，而是调整数值控制装置中设定的控制信息(例如包含主轴的动作模式或参数等的信息)，由此降低驱动部的动作速度。如此，可以防止驱动装置的温度进一步上升，并且使驱动部运行从而继续进行加工。
专利文献
专利文献1：日本特开2003-5836号公报
如上所述，若使用专利文献1中公开的技术，即使在存在驱动装置过热的可能性的情况下，仍可以通过调整控制信息来继续进行加工。由此，能够避免过热的产生。
但是，在不只是考虑到过热，还考虑循环时间的长度时，像专利文献1那样被调整的控制信息不一定是最优的控制信息。
例如，并不是像专利文献1那样在上升到预定的温度后降低驱动装置的速度，而是预见温度的上升，以不使温度上升到预定温度的适当速度来进行加工的方法，其结果是循环时间可能较短。另外，除此之外，作为在温度上升前适当地进行使驱动装置待机预定时间的停顿的方法，其结果是可能循环时间也较短。
然而，专利文献1中公开的技术只是对温度上升的情况进行应对的技术，并不是用于将控制信息调整为避免产生过热且使循环时间短的最优的控制信息后进行加工的技术。因此，在使用专利文献1公开的技术时，可能产生循环时间变长而降低机床的生产率。
技术实现要素：
因此，本发明的目的在于，提供学习模型构建装置、以及用于使用该构建的学习模型来调整控制信息的控制信息最优化装置，所述学习模型构建装置构建用于调整控制信息使得避免产生过热且循环时间变短的学习模型。
技术方案(1)：本发明的学习模型构建装置(例如，后述的学习模型构建装置300)具备：输入数据取得单元(例如后述的输入数据取得部310)，其取得包含机床(例如后述的机床100)的加工所涉及的主轴的动作模式和参数的组合的控制信息、以及进行基于所述控制信息的所述加工之前的主轴的温度信息来作为输入数据；标签取得单元(例如后述的标签取得部320)，其取得进行基于所述控制信息的所述加工之后的主轴的温度信息作为标签；以及学习模型构建单元(例如后述的学习部330)，其通过将所述输入数据与所述标签的组作为监督数据来进行监督学习，由此构建针对进行基于所述控制信息的加工之后的主轴的温度信息的学习模型。
技术方案(2)：也可以将上述技术方案(1)中记载的学习模型构建装置设为，所述控制信息作为所述主轴的动作模式，包含针对切削进给的速度以及使主轴待机指定时间的停顿中的某一方或者双方的动作模式。
技术方案(3)：也可以将上述技术方案(1)或者技术方案(2)中记载的学习模型构建装置设为，所述控制信息作为所述参数，包含针对加减速的时间常数以及切削进给的速度过载中的某一方或者双方的参数。
技术方案(4)：本发明的控制信息最优化装置(例如后述的控制信息最优化装置400)是使用上述技术方案(1)至技术方案(3)中任意一项记载的学习模型构建装置构建的所述学习模型的控制信息最优化装置，该控制信息最优化装置具备：最优调整信息选择单元(例如后述的最优调整信息选择部410)，其基于所述学习模型构建装置构建的所述学习模型，从用于调整所述控制信息的调整信息的集合中选择最优调整信息，所述最优调整信息是指，在根据所述最优调整信息调整所述控制信息并进行所述加工时未产生过热，且根据所述最优调整信息调整所述控制信息并进行所述加工时的循环时间短于根据所述最优调整信息以外的调整信息调整所述控制信息并进行所述加工时的循环时间的调整信息。
技术方案(5)：也可以将上述技术方案(4)中记载的控制信息最优化装置设为，最优调整信息选择单元通过进行基于所述学习模型构建装置所构建的所述学习模型的仿真，由此实际上不进行机床的加工，来选择所述最优调整信息。
技术方案(6)：也可以将上述技术方案(4)或者技术方案(5)中记载的控制信息最优化装置设为，所述最优调整信息选择单元求出根据所述调整信息分别调整过的调整后控制信息的集合即第1集合，所述最优调整信息选择单元从所述第1集合中的调整后控制信息中求出进行所述加工时未产生过热的调整后控制信息的集合即第2集合，所述最优调整信息选择单元从所述第2集合中求出在进行所述加工的连续运行时满足预定温度条件的调整后控制信息的集合即第3集合，从所述第3集合中选择进行所述加工时循环时间最短的调整后控制信息，将与该选择出的调整后控制信息相对应的调整信息选择为所述最优调整信息。
技术方案(7)：也可以将上述技术方案(4)或者技术方案(5)中记载的控制信息最优化装置设为针对多个控制信息分别进行以下处理：所述最优调整信息选择单元考虑到由于基于根据所述最优调整信息调整过的调整后控制信息来进行所述加工的情况，因此进行下一次加工前的主轴的温度信息将有所变化，从而重复以下处理，即，求出根据所述调整信息分别调整过的调整后控制信息的集合即第1集合，从所述第1集合中的调整后控制信息中求出在进行所述加工时未产生过热的调整后控制信息的集合即第2集合，从所述第2集合中选择在进行所述加工时循环时间最短的调整后控制信息，将与该选择出的调整后控制信息相对应的调整信息选择为所述最优调整信息。
技术方案(8)：也可以将上述技术方案(4)至技术方案(6)中任意一项记载的控制信息最优化装置设为，还具备：最优调整信息输出单元(例如后述的最优调整信息输出部420)，其为了根据所述最优调整信息来调整所述控制信息并进行所述加工，输出所述最优调整信息。
根据本发明的第1观点，能够构建用于调整控制信息，以使得在避免产生过热的同时缩短循环时间的学习模型。另外，根据本发明的第2观点，能够使用该被构建的学习模型来调整控制信息。
附图说明
图1是表示本发明的实施方式整体的基本结构的框图。
图2是表示本发明的实施方式中包含的各装置所具备的的功能块的框图。
图3是表示本发明的实施方式的监督学习时的基本动作的流程图。
图4是表示本发明的第1实施方式的选择最优调整信息时的基本动作的流程图。
图5是表示本发明的第2实施方式的选择最优调整信息时的基本动作的流程图。
附图标记说明
100机床；110主轴电动机；120温度测定部；130循环计数器；200数值控制装置；210电动机控制部；220参数设定部；300学习模型构建装置；310状态信息取得部；320控制信息输出部；330学习部；340学习模型存储部；400控制信息最优化装置；410最优调整信息选择部；420最优调整信息输出部；500网络。
具体实施方式
接着，参照附图，详细说明本发明的第1实施方式以及第2实施方式。本发明的第1实施方式和第2实施方式在基本的结构以及动作中通用，但是后述的调整信息的选择方法不同。
下面，作为第1实施方式的说明，对各实施方式中通用的基本结构和动作、以及第1实施方式的调整信息的选择方法进行说明。接着，作为第2实施方式的说明，省略各实施方式通用的基本结构和动作的重复的说明，对第2实施方式的调整信息的选择方法进行说明。
＜第1实施方式＞
首先，对本实施方式所涉及的控制信息最优化系统1的结构进行说明。如图1所示，控制信息最优化系统1具备：n台机床100、n台数值控制装置200、m台学习模型构建装置300、控制信息最优化装置400以及网络500。另外，n以及m为任意的自然数。
在此，使数值控制装置200与机床100成为一对一的组，并以可通信的方式相连接。数值控制装置200与机床100可以经由连接接口直接连接，或者也可以经由lan(localareanetwork，本地局域网)等网络连接。这些数值控制装置200和机床100的组例如可以在同一工厂中设置多组，或者也可以设置于各自不同的工厂。
另外，数值控制装置200、学习模型构建装置300、控制信息最优化装置400分别经由连接接口直接连接，或者分别经由网络500连接，能够相互进行通信。另外，网络500例如是在工厂内构建的lan、因特网、公共电话网、或者是这些的组合。对于网络500中的具体的通信方式、或是有线连接以及无线连接中的哪一个等并未进行特别的限定。
接着，参照图2，对控制信息学习系统1中包含的这些装置的功能进行说明。在此，图2是表示各装置中包含的功能块的框图。此外，各数值控制装置200由于分别具有同等的功能，因而在图2中仅图示1台数值控制装置200。同样地，由于各机床100或各学习模型构建装置300分别具有同等的功能，因而在图2中仅图示1台。另外，对于存在于各装置间的网络500省略其图示。
机床100是基于数值控制装置200输出的动作指令进行切削加工等的预定的加工的机床。机床100具备：主轴电动机110、温度测定部120、循环计数器130。
主轴电动机110是用于进行切削加工的主轴电动机。在主轴电动机110上安装有用于切削加工的刀具(省略图示)，通过由主轴电动机110旋转的主轴(省略图示)和送出该主轴的进给轴(省略图示)，来进行切削加工。
温度测定部120是测定主轴电动机110的温度的温度传感器。温度测定部120测定出的温度作为温度信息(表示主轴温度的值或者表示主轴温度的上升量的值)被输出到数值控制装置200。此外，温度测定部120可以内置于主轴电动机110，或者可以设置于主轴电动机110的附近。
在机床100进行切削加工时，循环计数器130是用于测量该切削加工所需要的加工时间即循环时间的计数器。循环计数器130测量出的循环时间被输出到数值控制装置200。
数值控制装置200是通过控制机床100而使机床100进行切削加工等预定的加工的装置。另外，数值控制装置200也具有向学习模型构建装置300发送用于进行机器学习的输入数据以及标签的功能。对于输入数据以及标签的详细叙述，将与后述的学习模型构建装置300的功能块的说明一并进行说明。
数值控制装置200具备：电动机控制部210、参数设定部230以及程序修正部220。
电动机控制部210基于控制信息生成动作指令，将生成的动作指令发送到机床100，由此控制机床100的主轴电动机110等的驱动。由此，实现基于机床100的切削加工。
在此，控制信息是包含由数值控制装置200设定的加工程序和由数值控制装置200设定的参数的值的信息。
在控制信息所包含的加工程序中，例如记述有主轴的转速、切削进给的速度、切削时间、以及一直保持在该状态下待机指定时间的停顿等用于进行切削加工的动作模型。另外，在控制信息中包含的参数的值中，例如含有加减速的时间常数、过载相关的参数的值。
程序修正部220是基于调整信息对控制信息中包含的加工程序进行直接修正的部分。具体而言，程序修正部220对于该加工程序中记述的切削进给速度或停顿等，基于由用户输入的调整信息、由控制信息最优化装置400输出的最优调整信息，直接修正程序代码。
参数设定部230是基于调整信息来设定控制信息中包含的参数的值的部分。具体而言，参数设定部230基于由用户输入的调整信息、由控制信息最优化装置400输出的最优调整信息来设定这些参数的值。
以上，针对机床100以及数值控制装置200的功能块进行说明，但是上述的功能块是特别与本实施方式的动作相关联的部分。机床100以及数值控制装置200除了上述的功能块以外还具备一般的功能块。例如，作为功能块具备用于使工件移动的伺服电动机、用于控制伺服电动机的控制部、用于进行位置/速度反馈控制的位置/速度检测器、对动作指令进行增幅的电动机驱动放大器、用于接受用户的操作的操作面板等。然而，对于这些一般的功能块，由于是本领域技术人员所周知的，因而省略详细的说明以及图示。
学习模型构建装置300是通过进行使用监督数据的机器学习即监督学习，来构建针对机床100进行切削加工等加工后的主轴电动机110的温度的学习模型的装置。该学习模型被用于使得后述的控制信息最优化装置400对避免产生过热并且使加工循环时间变为最短的调整信息进行选择。
为了构建这种学习模型，学习模型构建装置300具备：输入数据取得部310、标签取得部320、学习部330以及学习模型存储部340。
输入数据取得部310是从数值控制装置200取得输入数据并将取得的输入数据输出到学习部330的部分。在此，在输入数据中包含由数值控制装置200设定的控制信息、机床100通过基于该控制信息的动作指令进行加工前的主轴电动机110的温度信息。
标签取得部320是从数值控制装置200取得标签且将取得的标签输出到学习部330的部分。在此，在标签中包含机床100通过基于输入数据中含有的控制信息的动作指令而进行加工后的主轴电动机110的温度信息。
学习部330接受该输入数据与标签的组作为监督数据，通过使用该监督数据进行监督学习，从而针对进行加工后的主轴电动机110的温度构建学习模型。此外，参照图4，对学习部330的监督学习的更加详细的内容予以后述。
在此，优选准备多个用于进行监督学习的监督数据。因此，例如可以在顾客的工厂等，分别从实际运行的数值控制装置200取得监督数据。在顾客的工厂等中，由于顾客使用各种调整信息来调整控制信息，因此可以取得各种各样的监督数据。
另外，为了有效地进行基于学习模型构建装置300的学习，例如可以在实验室等一边使用各种调整信息来调整控制信息一边运行机床100，由此取得较多的监督数据。此时，用户可以进行调整信息的生成，但是例如也可以是数值控制装置200等装置自动生成调整信息，并通过该自动生成的调整信息来运行。
例如，当机床100进行加工后的主轴电动机110的温度较低时，通过以递增的方式逐渐增加切削进给速度、或者以递增的方式逐渐减小时间常数等，由此数值控制装置200可以自动生成使得负载变大但循环时间变短的调整信息。另一方面，若机床100进行加工后的主轴电动机110的温度较高，则数值控制装置200等装置可以自动生成如以递增的方式逐渐减少切削进给速度或者以递增的方式逐渐增大时间常数增量等、使循环时间变长但负载变少的调整信息。
学习部330所构建的学习模型被输出到学习模型存储部340以及后述的控制信息最优化装置400。
学习模型存储部340是对学习部330所构建的学习模型进行存储的存储部。学习模型存储部340存储的学习模型被后述的控制信息最优化装置400使用。
此外，在构建学习模型后，可以在取得新的监督数据时，通过进一步对学习模型存储部340存储的学习模型进行监督学习，从而随时更新所构建的学习模型。
另外，也可以在与其他的学习模型构建装置300之间，共享学习模型存储部340存储的学习模型。若设为在多个学习模型构建装置300中共享学习模型，则能够在各学习模型构建装置300中分散地进行监督学习，因此能够提高监督学习的效率。
控制信息最优化装置400是对避免产生过热并且使加工循环时间最短的调整信息进行选择的装置。控制信息最优化装置400具备：最优调整信息选择部410、最优调整信息输出部420。
最优调整信息选择部410取得学习模型存储部340存储的学习模型。该学习模型是如上述那样通过学习部330进行监督学习而构建的学习模型。并且，最优调整信息选择部410通过进行使用了该学习模型的仿真，来对避免产生过热且使加工循环时间成为最短的调整信息(以下，称为“最优调整信息”)进行选择。参照图4以及图5的流程图，在后面叙述最优调整信息的具体的选择方法。
最优调整信息输出部420是输出最优调整信息选择部410选择出的最优调整信息的部分。最优调整信息输出部420将最优调整信息输出到数值控制装置200。于是，数值控制装置200基于该最优调整信息，对被该数值控制装置200设定的控制信息中所包含的加工程序进行修正、设定参数的值。并且，数值控制装置200基于该被修正的程序或设定的参数的值生成动作指令。并且，数值控制装置200能够通过该动作指令控制机床100的驱动，由此使机床100以避免产生过热且使该加工循环时间成为最短的方式进行动作。
此外，最优调整信息输出部420可以将最优调整信息输出到数值控制装置200以外的其他的装置，也可以将最优调整信息记录到记录介质，还可以将最优调整信息显示于画面。
以上，对数值控制装置200或学习模型构建装置300或控制信息最优化装置400中包含的功能块进行了说明。
为了实现这些功能块，数值控制装置200、学习模型构建装置300以及控制信息最优化装置400分别具备cpu(centralprocessingunit，中央处理器)等运算处理装置。另外，数值控制装置200、学习模型构建装置300以及控制信息最优化装置400还分别具备：存储有应用软件或os(operatingsystem，操作系统)等各种控制用程序的hdd(harddiskdrive，硬盘驱动)等辅助存储装置、在运算处理装置执行程序的基础上用于存储临时所需的数据的被称为ram(randomaccessmemory，随机存取存储器)的主存储装置。
并且，分别在数值控制装置200、学习模型构建装置300以及控制信息最优化装置400中，运算处理装置从辅助存储装置读入应用软件或os，一边在主存储装置中展开读入的应用软件或os，一边进行基于这些应用软件或os的运算处理。另外，基于该运算结果，对各装置所具备的各种硬件进行控制。由此，实现本实施方式的功能块。也就是说，本实施方式能够通过硬件与软件的协同动作来实现。
作为具体例子，数值控制装置200能够通过在一般的数值控制装置中安装用于实现本实施方式的应用软件来实现。另外，学习模型构建装置300或控制信息最优化装置400能够通过在一般的个人计算机中安装用于实现本实施方式的应用软件来实现。
但是，就学习模型构建装置300而言，由于伴随监督学习的运算量较大，例如可以设置成在个人计算机上搭载gpu(graphicsprocessingunits，图像处理单元)，通过被称为gpgpu(general-purposecomputingongraphicsprocessingunits，通用计算图形处理器)的技术，将gpu使用于伴随监督学习的运算处理中，从而能够进行高速处理。进而，为了进行更高速的处理，可以使用多台搭载有这种gpu的计算机来构建计算机集群，通过该计算机集群中包含的多台计算机进行并行处理。
接着，参照图3的流程图，对基于学习模型构建装置300的监督学习时的动作进行说明。
在步骤s11中，输入数据取得部310从数值控制装置200取得输入数据，该输入数据包含由数值控制装置200设定的控制信息、机床100通过基于该控制信息的动作指令来进行加工前的主轴电动机110的温度信息。
在步骤s12中，标签取得部320从数值控制装置200取得标签，该标签包含机床100通过基于输入数据中所包含的控制信息的动作指令来进行加工后的主轴电动机110的温度信息。
在步骤s13中，学习部330将步骤s11中取得的输入数据与步骤s12中取得的标签的组作为监督数据来进行监督学习。在本实施方式中，通过组合感知器而构成的神经网络进行监督学习。
具体而言，监督数据中包含的输入数据与标签的组被提供给神经网络，变更针对神经网络中含有的各感知器的权重，使得神经网络的输出与标签成为相同。如此，对监督数据的特征进行学习，归纳性地获得用于从输入推定结果的学习模型。
在步骤s14中，学习部330判定结束监督学习或者重复监督学习(步骤s14)。在此，能够任意设定结束监督学习的条件。例如，可以设为当神经网络的输出与标签的误差的值成为预定值以下时，结束监督学习。另外，还可以设为在仅对监督学习重复预定的次数时，结束监督学习。
在任何情况下，若未满足条件且未结束监督学习(步骤s14中为否)，则返回步骤s11，将新的监督数据或者相同的监督数据作为对象，再次重复监督学习。
另一方面，在重复监督学习的过程中，若满足结束监督学习的条件(步骤s14中为是)，则结束监督学习。并且，在步骤s15中，将通过直止该时刻为止的监督学习所构建的学习模型输出到学习模型存储部240进行存储。
通过以上说明的动作，能够实现以下效果，即，学习模型构建装置300可以构建针对机床100进行切削加工等加工后的主轴电动机110的温度的学习模型。
另外，上述的监督学习可以通过在线学习来进行，也可以通过批量学习来进行，还可以通过小批量学习来进行。
在线学习是指，在每次机床100进行加工而生成监督数据时，立即进行监督学习的学习方法。另外，批量学习是指，进行基于机床100的加工，在重复生成监督数据的期间，收集与重复相对应的多个监督数据，使用收集到的全部的监督数据，进行监督学习的学习方法。并且，小批量学习是指，每当积攒在线学习和批量学习的中间的某种程度的监督数据时，进行监督学习的学习方法。
接着，参照图4的流程图对控制信息最优化装置400的动作进行说明。这是当通过各种各样的调整信息能够调整某一个控制信息时用于选择最优的调整信息的动作，该最优的调整信息是即使长时间连续运行也能够避免产生过热、且能够使加工循环时间成为最短的调整信息。
在步骤s21中，最优调整信息选择部410取得学习模型存储部340存储的学习模型。该学习模型通过学习部330如上述般进行监督学习而被更新。
在步骤s22中，最优调整信息选择部410求出集合a，该集合a由分别通过多个调整信息进行调整而得到的调整后的控制信息c构成。
在步骤s23中，最优调整信息选择部410在属于集合a的控制信息c∈a中求出集合b，该集合b由满足“不过热”的条件的控制信息c∈a的集合构成。
因此，最优调整信息选择部410将控制信息c∈a与主轴电动机110的加工前的温度信息的组合作为输入数据，输入到学习模型。并且，根据作为与该输入数据相对应的输出的、基于主轴电动机110的加工后的温度信息的温度，在进行与该输入数据相对应的加工时，判定是否产生过热。并且，在未产生过热时，将该输入数据中含有的控制信息c∈a作为集合b的元(要素)。另一方面，当产生过热时，该输入数据中包含的控制信息c∈a不是集合b的元(要素)。
最优调整信息选择部410针对属于集合a的所有控制信息c∈a，通过进行上述的判定，从而求出集合b。
在步骤s24中，在属于集合b的各控制信息c∈b中求出集合c，该集合c由满足预定的温度条件的控制信息c∈b的集合构成。
在此，预定的温度条件是指，在通过控制信息c∈b连续进行加工的情况下的上升温度不超过允许温度tmax。
另外，相对于学习模型的输入数据是主轴电动机110的加工前的温度和控制信息c∈b的组，由于与该输入数据对应的输出是进行基于控制信息c∈b的加工后的主轴电动机110的温度，因此对于与学习模型相对应的函数f能够进行如下述定义。
f(加工前的温度，调整后控制信息)＝加工后的温度，
并且，将t0设为加工前的温度、c∈b设为控制信息c∈b、n设为加工的执行次数、n的数设为足够大的数，并且将这些带入函数f，此时，
t1＝f(t0，c∈b)
t2＝f(t1，c∈b)
···
ti+1＝f(ti，c∈b)
···
tn＝f(tn-1，c∈b)，
从而能够计算出连续进行n次加工后的主轴电动机110的温度tn。
在此，若通过实际使用学习模型并进行仿真而计算出的tn未超过允许温度tmax，则能够判定为满足预定的温度条件。并且，将满足预定的温度条件的控制信息c∈b作为集合c的元(要素)w。另一方面，不满足预定的温度条件的控制信息c∈b不是集合c的元(要素)。
最优调整信息选择部410针对属于集合b的全部的控制信息c∈b进行判定，由此求出集合c。
在步骤s25中，最优调整信息选择部410从属于集合c的控制信息c∈c中选择在通过该控制信息c∈c进行加工时循环时间最短的控制信息c∈c。并且，将与选择出的控制信息c∈c相对应的调整信息(即，用于将调整前的控制信息c调整成选择出的控制信息c∈c的调整信息)选择为最优调整信息。在此，能够基于该控制信息c∈c的内容推定循环时间。另外，还可以不进行推定，而是基于该控制信息c∈c的内容，在实际进行加工时，使用机床100的循环计数器130测量出的循环时间。
在步骤s26中，最优调整信息输出部420对最优调整信息选择部410选择出的最优调整信息进行输出。于是，数值控制装置200基于该最优调整信息，来修正该数值控制装置200设定的加工程序、设定参数的值。另外，数值控制装置200基于该被修正的程序或被设定的参数的值来生成动作指令。并且，数值控制装置200通过该动作指令，控制机床100的驱动，由此实现以下效果，即，机床100能够以避免产生过热的同时使该加工循环时间成为最短的方式连续运行。
以上说明了第1实施方式。接着，对第2实施方式进行说明。此外，如实施方式的说明的开头所述，各实施方式对于基本的结构以及动作通用，因而省略关于这些点的重复说明。
另一方面，由于基于各实施方式的最优调整信息选择部410的调整信息的选择方法有所不同，因此关于该点进行详细说明。
＜第2实施方式＞
在第1实施方式中，参照图4的流程图，如上所述，当能够通过各种调整信息来调整某一个控制信息时，能够选择出最优的调整信息，该最优的调整信息即使在长时间连续运行时也能够避免产生过热，并且使加工循环时间成为最短。
对此，在本实施方式中，参照图5的流程图，如下所述，当能够通过各种调整信息来调整某一个控制信息时，在每次通过基于调整后的控制信息的动作指令使机床100进行加工时，每次都选择能够避免产生过热并且使加工循环时间成为最短的最优调整信息。
在步骤s31中，最优调整信息选择部410取得学习模型存储部340存储的学习模型。该学习模型通过学习部330如上述那样进行监督学习而被更新。
在步骤s32中，最优调整信息选择部410求出集合a，该集合a由分别通过多个调整信息进行调整而得到的调整后的控制信息c构成。
在步骤s33中，最优调整信息选择部410求出集合b，该集合b由在属于集合a的控制信息c∈a中满足“未过热”的条件的控制信息c∈a构成。
因此，最优调整信息选择部410将控制信息c∈a和主轴电动机110的加工前的温度信息的组合作为输入数据，输入到学习模型。并且，通过作为与该输入数据相对应的输出的、基于主轴电动机110的加工后的温度信息的温度，来判定当进行与该输入数据相对应的加工时是否产生过热。并且，当未产生过热时，将该输入数据中包含的控制信息c作为集合b的元(要素)。另一方面，当产生过热时，不将该输入数据中包含的控制信息c设为集合b的元(要素)。
最优调整信息选择部410通过对属于集合a的全部的控制信息c∈a进行上述判定，从而求出集合b。
在步骤s34中，最优调整信息选择部410从属于集合b的控制信息c∈b的中，选择当通过该控制信息c∈b中进行加工时循环时间的最短的控制信息c∈b。并且，将与选择出的控制信息c∈b相对应的调整信息(即，用于将调整前的控制信息c调整成选择出的控制信息c∈b的调整信息)选择为最优调整信息。在此，能够基于该控制信息c∈b的内容推定循环时间。另外，也可以不进行推定，而是基于该控制信息c∈b的内容，在实际进行加工时，使用机床100的循环计数器130测量出的循环时间。
通过进行直止上述的步骤s33为止的处理，能够选择针对用于初始的加工的控制信息(设为控制信息c0)的最优调整信息。接着，为了针对在使用控制信息c0进行加工后的、用于之后的加工的控制信息(设为控制信息c1)的最优调整信息进行选择，再次进行步骤s33以及步骤s34的处理。此时，由于使用控制信息c0进行加工，因而主轴电动机110的温度有所变化。
也就是说，若与第1实施方式相同地使用函数f来进行表现，则如t1＝f(t0，c0∈b)这样，通过使用控制信息c0的加工，由此主轴电动机110的温度从进行使用控制信息c0的加工前的温度即t0变化成t1。
并且，在对第2次的步骤s33是否过热的判定中，判定为主轴电动机110的温度为t1。因此，通过判定来预测为属于集合b的控制信息c1∈b1与控制信息c0∈b0不同。
因此，预测为针对在紧接着的步骤s34中选择的控制信息c1的最优控制信息也不同于针对控制信息c0的最优控制信息。
同样地，为了选择针对用于之后的加工的控制信息(设为控制信息c2)的最优调整信息，再次进行步骤s33以及步骤s34的处理。此时，由于使用控制信息c1进行加工，因此主轴电动机110的温度将进一步变化。
也就是说，若与第1实施方式同样地使用函数f来进行表现，则如t2＝f(t1，c1∈b)那样，通过进行使用控制信息c1的加工，从而使主轴电动机110的温度从t1变化成t2。因此，预测为针对控制信息c2的最优控制信息也不同于针对控制信息c1的最优控制信息。
这样，基于每次加工变化的主轴电动机110的温度，在每次加工时选择用于下一次加工的最优控制信息。在本实施方式中，将得到与n次加工相对应的量的最优调整信息。
因此，重复n次步骤s33以及步骤s34的处理。具体而言，作为控制信息ci(0≤i≤n)，判断上述的步骤s32以及步骤s33的处理是否已重复n次。若未进行n次步骤s32以及步骤s33的处理(步骤s35中为否)，则在步骤s36中，将i的值增加1后，返回步骤s33。
并且，在重复n次步骤s33以及步骤s34时(步骤s35中为否)，进入步骤s37。
在步骤s37中，最优调整信息输出部420对最优调整信息选择部410针对控制信息c0、控制信息c1、···、控制信息cn分别选择出的最优调整信息的集合{c0，···、cn}进行输出。
数值控制装置200基于该最优调整信息的集合{c0，···、cn}，修正由该数值控制装置200设定的加工程序、设定参数的值。另外，数值控制装置200基于该被修正的程序或被设定的参数的值生成动作指令。并且，数值控制装置200通过该动作指令，控制机床100的驱动。
由此，通过基于控制信息c0的动作指令来进行加工，接着通过基于控制信息c1的动作指令来进行加工，···、最后通过基于控制信息cn的动作指令来进行加工。由此，将实现以下效果，即，机床100能够以避免产生过热的同时使各加工循环时间成为最短的方式来进行动作。
接着，对本发明的各实施方式的效果进行更详细的说明。作为前提，通过调整加工程序，提高切削进给的速度，由此能够缩短循环时间。另一方面，通过降低切削进给的速度，能够给抑制主轴的发热。另外，通过调整加工程序，缩短停顿，能够缩短循环时间。另一方面，通过延长停顿，能够抑制主轴的发热。进而，通过调整参数的设定值并缩短加减速的时间常数，由此能够缩短循环时间。另一方面，通过延长加减速的时间常数，可以抑制主轴的发热。
这样，循环时间的缩短和主轴的发热大多处于权衡(trade-off)的关系。在此，以往用户根据自己的经验，设定他自己认为最优的调整信息。但是，该调整信息不一定是最优的，或者根据用户而完成度也不同。也就是说，以往通过适当调整加工程序或参数的值，难以在避免产生过热的同时缩短循环时间。
对此，在本发明的各实施方式中，能够如上述那样选择最优调整信息，由于通过该最优调整信息来调整加工程序或参数的值，因而可以在避免产生过热的同时缩短循环时间。
另外，在本发明的各实施方式中，由于能够通过使用了所构建的学习模型的仿真来选择最优调整信息，因而无需为了选择最优调整信息而实际进行机床100的加工。
即，本实施方式与一般的技术相比，将实现有利的效果。
此外，上述的控制信息最优化系统中包含的各装置分别能够通过硬件、软件或者它们的组合来实现。另外，通过上述的控制信息学习系统中包含的各装置的各自的协同动作而进行的控制信息学习方法也可以通过硬件、软件或者它们的组合来实现。在此，通过软件来实现是指，计算机通过读入并执行程序来实现。
程序能够使用各种类型的非暂时性计算机可读介质(non-transitorycomputerreadablemedium)存储并供给到计算机。非暂时性计算机可读介质包含各种类型的实体的记录介质(tangiblestoragemedium)。非暂时性的计算机可读介质的例子包含：磁记录介质(例如，软盘、磁带、硬盘驱动器)、光磁记录介质(例如光盘)、cd-rom(readonlymemory，只读存储器)、cd-r、cd-r/w、半导体存储器(例如，掩膜rom、prom(programmablerom，可编程rom)、eprom(erasableprom，可擦写prom)、闪存rom、ram(randomaccessmemory，随机读取存储器))。另外，程序可以通过各种类型的暂时性的计算机可读介质(transitorycomputerreadablemedium)供给到计算机。暂时性的计算机可读介质的例子包含：电信号、光信号、以及电磁波。暂时性的计算机可读介质能够经由电线以及光纤等有线通信路、或者无线通信路将程序供给到计算机。
另外，上述的各实施方式虽然是本发明的优选的实施方式，但是本发明的范围并不仅限定于上述实施方式，可以通过将各实施方式组合的方式、在不脱离本发明的主旨的范围中实施各种变更的方式来进行实施。
在上述的各实施方式中，作为机床100，以进行切削加工的机床为例子，但是并不限定于此。例如可以将进行研削加工、研磨加工、轧制加工、或者锻造加工这样的其他加工的机床作为机床100。
另外，在上述的各实施方式中，虽然通过监督学习构建了学习模型，但是也可以通过半监督学习等的其他机器学习构建学习模型。
在上述的各实施方式中，虽然假想了通过与机床100或数值控制装置200分体的装置来实现学习模型构建装置300或控制信息最优化装置400，但是也可以通过机床100或数值控制装置200来实现学习模型构建装置300或控制信息最优化装置400的功能的一部分或者全部。另外，也可以通过单一的装置来实现学习模型构建装置300以及控制信息最优化装置400的功能这两者。