CN107491038B - 学习异常负载检测的阈值的机械学习机、数控装置以及机械学习方法 - Google Patents

Abstract

本发明提供一种机械学习机(3)，学习机床(20)中的异常负载检测的阈值，上述机械学习机(3)具备：状态观测部(31)，对基于上述机床(20)的工具的信息、主轴转速及冷却剂量、工件的材质、以及上述工具的行进方向、切削速度及切入量的至少一个而得到的状态变量(Din、Din')进行观测；以及学习部(32)，基于上述状态观测部(31)的输出、根据与上述机床的异常负载检测相关的数据作成的训练数据、以及教师数据(Dt)，学习上述异常负载检测的阈值。

Description

学习异常负载检测的阈值的机械学习机、数控装置以及机械 学习方法

技术领域

本发明涉及学习异常负载检测的阈值的机械学习机、数控装置以及机械学习方法。

背景技术

目前，在控制机床的数控装置(NC(Numerical Control)装置)中，例如提出了能够检测因机械的碰撞、车刀的不良、或者损坏等而产生的异常的负载转矩的技术。在此，负载转矩例如通过G代码的移动/切削指令而产生，但是由于切削速度、切入量等多个重要因素而变动，因此难以预测。

因此，用于判断为异常的负载转矩的阈值例如设定为对马达固有的转矩值加上根据预定的偏差(余裕)认为合适的转矩值而得到的值。此外，在本说明书中，数控装置(NC装置)包括计算机数控装置(C(Computerized)NC装置)。另外，作为机床，包括例如旋床、钻床、镗床、铣床、磨床、齿轮机床/齿轮加工机、加工中心、放电加工机、冲床、激光加工机、运输机以及塑料注射成形机等各种机床。

此外，目前，提出了各种基于NC装置的加工条件合适地控制机床的方案。例如，提出了用于控制NC装置的加工状态的加工条件数据的自动生成功能的学习方法(例如，日本特开平04－075848号公报：专利文献1)。在该专利文献1的学习方法中，在实际加工时，输入与对加工条件数据产生影响的加工重要因素相关的数据，使用神经网络运算该加工条件数据的补正量。再评价神经网络的输出即补正量，该评价结果，在修正了补正量时，将该修正值作为教师数据而与此时的神经网络的输入数据一同存储于存储装置。然后，根据所存储的输入数据和教师数据，在与进行加工控制的NC装置不同的其它装置上，通过脱机学习神经网络的结合系数。

另外，目前，提出了一种NC装置，基于数值控制程序的指令和位置反馈信号进行位置控制，上述NC装置具有空动补正功能，该空洞补正功能具备多层神经网络型推理单元、空动补正量计算单元、以及结合加权系数计算单元(例如，日本专利第2768569号公报：专利文献2)。在多层神经网络型推理单元中，向输入层输入在机械运转时按需测量的速度、位置以及轴润滑状态的测量数据，从输出层输出基于输入数据推定运算而得到的空动量或空动系数。另外，空动补正量计算单元基于从多层神经网络型推理单元输出的空动量或空动系数计算空动补正量。进一步地，结合加权系数计算单元将预先测量出的速度、位置以及轴润滑状态的空动测量条件数据和该测量条件下的空动测量量作为教师数据，根据教师数据计算多层神经网络型推理单元内的各层间的结合加权系数。

而且，目前，提出了一种加工中心，用于金属模具加工等，该加工中心具有：对加工所需的数据进行处理的数据处理单元；以及基于由该数据处理单元处理过的数据控制加工中心的控制单元(例如，日本特开平10－034496号公报：专利文献3)。加工中心还具有计量工具的旋转偏量的计量单元、观察工具的前端的观察单元、以及检测工具的异常振动的振动检测单元，数据处理单元使通过计量单元、观察单元以及振动检测单元而探测到的工具的状态和执行工具的NC程序按照该NC程序的行号水平相对应，进行加工所需的数据的处理。

如上所述，在NC装置中，提出了能够检测例如因机械的碰撞、车刀(刃具)的不良、或损坏等而产生的异常的负载转矩的技术，但是，负载转矩由于切削速度、切入量等各种重要因素而变动，因此难以求出用于判断为异常的负载转矩的阈值。

在此，在上述的专利文献1中，评价对象为补正量，另外，在专利文献2中，输出为速度、位置，输出为空动量，双方均不是求出用于判断为异常的负载转矩的阈值的技术文献。进一步地，专利文献3的目的为检测异常振动，因此也不是求出用于判断为异常的负载转矩的阈值的技术文献。

图8A及图8B是用于说明现有的异常负载检测的阈值的一例及其课题的图，图8A用于表示进行切削加工的机床进行的处理中的负载转矩与时间的关系，图8B用于说明产生了异常负载的情况的一例。

在此，图8A及图8B表示利用NC装置进行基于程序的加工的旋床(NC旋床)的例，纵轴表示负载转矩，横轴表示经过时间。此外，在图8A及图8B中，参照符号P1表示靠近期间，P2表示切削的开始期间，P3表示开始期间以后的稳定的切削期间。另外，图8A中，参照符号Lth01表示用于检测异常负载的高的阈值，Lth02表示用于检测异常负载的低的阈值，TC0表示一般的负载转矩的变动曲线的一例。

另外，在图8B中，参照符号TC1表示进行粗加工的情况下的负载转矩的变动曲线的一例，TC2表示进行精加工的情况下的负载转矩的变动曲线的一例。从外，在进行精加工的情况下的负载转矩的变动曲线TC2上，在用参照符号ABN表示的部位产生了异常(异常负载)。

如图8A所示，例如，在利用NC旋床进行基于程序的切削处理的情况下，首先，在靠近期间P1，车刀仅接近工件(加工对象物)，因此负载转矩微小。然后，当变成切削的开始期间P2时，车刀接触工件，开始切削，因此负载转矩变大。进一步地，当变成稳定的切削期间P3时，负载转矩以比切削的开始期间P2小的切削量稳定，因此，以比切削的开始期间P2的峰值低的值稳定化。

在该负载转矩如图8A所示地变化的情况下，作为用于检测负载转矩的异常的阈值(异常负载检测的阈值)，例如考虑高的阈值Lth01～低的阈值Lth02中各种大小的值，但是，难以求出与各个状况相应的最佳的异常负载检测的阈值。

另外，如图8B所示，例如，就进行粗加工的情况下的负载转矩的变动曲线TC1和进行精加工的情况下的负载转矩的变动曲线TC2而言，因为其形状存在较大地不同，所以，例如，对于进行粗加工的情况下的异常负载检测的阈值Lth1，例如即使在进行精加工的情况下的负载转矩的变动曲线TC2中的ABN产生异常，也能以检测该异常。即，负载转矩由于切削速度、切入量等各种重要因素而变动，因此不容易求出用于判断为异常的负载转矩的阈值。

鉴于上述的现有技术的课题，本发明的目的在于提供能够准确地求出异常负载检测的阈值即能够求出用于判断为异常的负载转矩的阈值的机械学习机、数控装置以及机械学习方法。

发明内容

根据本发明的第一实施方式，提供一种机械学习机，学习机床中的异常负载检测的阈值，

上述机械学习机具备：状态观测部，对基于上述机床的工具的信息、主轴转速及冷却剂量、工件的材质、以及上述工具的行进方向、切削速度及切入量的至少一个而得到的状态变量进行观测；以及学习部，基于上述状态观测部的输出、根据与上述机床的异常负载检测相关的数据作成的训练数据、以及教师数据，学习上述异常负载检测的阈值。

优选的是，上述学习部具备：误差计算部，计算上述训练数据与上述教师数据的误差；以及学习模型更新部，基于上述状态观测部的输出及上述误差计算部的输出，对学习模型进行更新，上述学习模型决定与上述机床的异常负载检测相关联的条件的误差。优选的是，上述训练数据是与预测负载中流动的电流所得到的预测负载电流值相关的数据，上述教师数据是与实际测量上述负载中流动的电流所得到的负载电流实测值相关的数据。

上述工具的信息能够包括上述工具的种类、材质以及直径的信息。上述机械学习机可以存在于云服务器上或存在于雾服务器上。上述机械学习机能够与至少一个其它机械学习机连接，能够在与至少一个上述其它机械学习机之间互相交换或者共享机械学习的结果。优选的是，上述机械学习机具备神经网络。

根据本发明的第二实施方式，提供一种数控装置，包括上述的第一实施方式的机械学习机，控制上述机床，上述数控装置基于通过上述机械学习机学习到的上述异常负载检测的阈值，检测上述机床的异常负载。优选的是，在实际测量负载中流动的电流所得到的负载电流实测值比上述异常负载检测的阈值加上预定的偏差量所得到的值大时，上述数控装置判定为检测到上述机床的异常负载。

上述数控装置包括：学习上述异常负载检测的阈值的学习阶段；以及控制上述机床来实际加工上述工件的运用阶段，在上述学习阶段中，通过预定好的学习用加工，基于每个加工条件的负载电流值来学习上述异常负载检测的阈值，在上述运用阶段中，对学习到的上述异常负载检测的阈值与实际测量上述负载中流动的电流所得到的负载电流实测值进行比较，从而能够检测上述机床的异常负载。上述数控装置在上述运用阶段中也能够学习上述异常负载检测的阈值。

根据本发明的第三实施方式，提供一种机械学习方法，学习机床的异常负载检测的阈值，上述机械学习方法对基于上述机床的工具的信息、主轴转速及冷却剂量、工件的材质、以及上述工具的行进方向、切削速度及切入量的至少一个而得到的状态变量进行观测，基于上述状态变量、根据与上述机床的异常负载检测相关的数据作成的训练数据、以及教师数据，学习上述异常负载检测的阈值。

优选的是，学习上述异常负载检测的阈值是指，计算上述训练数据与上述教师数据的误差，基于上述状态变量、以及计算出的上述训练数据与上述教师数据的误差，更新学习模型，上述学习模型决定与上述机床的异常负载检测相关联的条件的误差。优选的是，上述训练数据是与预测负载中流动的电流所得到的预测负载电流值相关的数据，上述教师数据是与实际测量上述负载中流动的电流所得到的负载电流实测值相关的数据。

附图说明

图1是概要性表示控制机床的数控装置的一例的块图。

图2是表示图1的机床及数控装置的主要部分的块图。

图3是表示本实施方式的机械学习机的一例的块图。

图4是用于说明本实施方式的机械学习机的学习阶段的一例的图。

图5是用于说明本实施方式的机械学习机的运用阶段的一例的图。

图6是用于说明通过本实施方式的机械学习机所得到的异常负载检测的阈值的一例的图。

图7是表示应用本实施方式的机械学习机的网络的一例的块图。

图8A及图8B是用于说明现有的异常负载检测的阈值的一例及其课题的图。

具体实施方式

以下，参照附图，对本发明的机械学习机、数控装置以及机械学习方法的实施方式进行详细叙述。图1是概要性表示控制机床的数控装置的一例的块图。

如图1所示，数控装置(NC装置)10例如包括被总线121连接的CPU(CentralProcessing Unit：处理器)111、ROM(Read Only Memory)112、RAM(Random Access Memory)113、I/O(Input/Output)124、非易失性存储器114(例如闪存)、轴控制电路118以及PMC(Programmable Machine Controller)122。另外，在总线121例如也连接有显示装置/MDI(Manual Data Input)面板125中的图形控制电路115、软件键123以及键盘117等。在此，在显示装置/MDI面板125设有与图形控制电路115连接的LCD(Liquid Crystal Display)等显示装置116。另外，例如通过PMC122、以及与轴控制电路118连接的伺服放大器119控制机床20(设于机床的马达)。

例如，CPU111根据在ROM112存储的系统程序，控制整个NC装置10。在RAM113存储各种数据及输入输出信号，另外，在非易失性存储器114例如对位置信息、速度信息、加速度信息、位置偏差、转矩指令、负载电流值以及振动值的各信息基于取得它们的时间信息而时间序列地进行存储。

图形控制电路115将数字信号变换成显示用信号，施加至显示装置116，键盘117具有数值键、文字键等，输入各种设定数据。轴控制电路118从CPU111接收各轴的移动指令，将轴的指令输出至伺服放大器119，伺服放大器119基于来自轴控制电路118的移动指令，驱动在机床20设置的伺服马达21。

PMC122在执行加工程序时，经由总线121接收T功能信号(工具选择指令)等，将该信号用顺序程序进行处理，从而作为动作指令来控制机床20。另外，PMC122从机床20接收状态信号，向CPU111转送预定的输入信号。此外，软件键123例如根据系统程序等而功能产生变化，另外，I/O(接口)124将NC数据传送至外部的存储装置等。

图2是表示图1中的机床及数控装置的主要部分的块图。如图2所示，NC装置(数控装置)10例如包括轴驱动控制部11、数据取得部12以及显示部13。机床20例如包括驱动进给轴的伺服马达21x、21y、21z、21A、21B，根据来自NC装置10的轴驱动控制部11的转矩指令，经由伺服放大器(例如，与图1的伺服放大器119对应)驱动控制伺服马达21x、21y、21z、21A、21B。在此，本说明书中的负载转矩例如相当于用于驱动各伺服马达21x、21y、21z、21A、21B的负载电流。

另外，在各伺服马达21x、21y、21z、21A、21B分别设置位置检测装置22x、22y、22z、22A、22B，从位置检测装置22x、22y、22z、22A、22B向轴驱动控制部11反馈各伺服马达21x、21y、21z、21A、21B的位置信息。

轴驱动控制部11根据从对NC装置10的加工程序进行解析处理的数值控制部指示的移动指令和从伺服马达21反馈的位置信息Sa，计算各驱动轴的速度信息Sb、加速度信息Sc、转矩指令Se、取得向伺服放大器施加的负载电流值Sf、以及从装配于各主轴马达的碰撞传感器取得振动值Sg等，且与反馈的位置信息Sa一同输出至数据取得部12。

数据取得部12按照时间同时取得来自轴驱动控制部11的各信息。此外，数据取得部12也可以按照时间同时取得来自轴驱动控制部11的各信息，并且取得在NC装置10内能够取得的加工程序的执行中的块编号。此外，图1及图2只是示例，例如，包括本发明的机械学习机的实施例的NC装置不限于图1及图2。

图3是表示本实施方式的机械学习机的一例的块图。在此，图3所示的机械学习机3应用了监督式学习，学习异常负载检测的阈值(用于检测负载转矩的异常的阈值(异常负载检测的阈值))。此外，监督式学习是指，向机械学习机大量地施加教师数据Dt、即某输入与结果(标签)的数据的组，从而学些这些数据组中的特征，归纳性地获得根据输入推定结果的模型(学习模型)、即其关联性。

如图3所示，机械学习机3具备状态观测部31及学习部32。在状态观测部31，例如作为状态变量(状态量)而输入车刀等工具的信息(种类、材质以及直径等)、工具的行进方向、工件的材质、切削速度、主轴旋转数、切入量以及冷却剂(供给)量等。在此，这些状态变量例如可以作为来自NC装置10的输入数据Din输入，但是也可以作为来自机床20的输入数据Din’输入。即，作为从机床20输入的状态变量(Din')，例如也可以是通过在机床20设置的各种传感器(例如，在伺服马达安装的温度传感器等)探测到的数据、或者通过操作人员操作机床20而得到的数据等各种数据。此外，机械学习机3例如能够设于各个NC装置10，但是，例如，也能够如参照图7而后述地，经由网络而设于云服务器、或者设于比云服务器下位的雾服务器。

学习部32从状态观测部31接收观测到的状态变量(Din、Din')，生成训练数据，基于该训练数据和从外部输入的教师数据Dt，学习异常负载检测的阈值。即，如图3所示，学习部32含有误差计算部321及学习模型更新部322，误差计算部321计算训练数据与教师数据Dt的误差。学习模型更新部322接收状态观测部31的输出及误差计算部321的输出，对学习模型进行更新，上述学习模型决定与异常负载检测的阈值相关联的条件的误差。

在此，机械学习机3例如能够使用神经网络等的算法实现。另外，机械学习机3也能够使用通用的计算机或者处理器，但是，例如若应用GPGPU(General-Purpose computingon Graphics Processing Units)、大型PC群集等，则能够实现更高速的处理。

此外，作为教师数据Dt，例如，在利用同一NC装置使同一机床进行相同的作业的情况下，能够保持直至实际进行作业的规定日的前一天所得到的带标签的数据，在该规定日，作为教师数据而提供至误差计算部321。或者，例如，也能够将通过在NC装置的外部进行的模拟等所得到的数据或者其它NC装置的带标签的数据通过存储卡、通信线而作为教师数据Dt提供至该机械学习机3的误差计算部321。进一步地，也能够将教师数据(带标签的数据)Dt例如保持于在学习部32内置的闪存(Flash Memory)等非易失性存储器，将在该非易失性存储器保持的带标签的数据原样地在学习部32使用。

图4是用于说明本实施方式的机械学习机的学习阶段的一例的图，图5是用于说明本实施方式的机械学习机的运用阶段的一例的图。另外，图6是用于说明通过本实施方式的机械学习机所得到的异常负载检测的阈值的一例的图。

参照图4及图5，对以下例进行说明：通过学习阶段学习异常负载检测的阈值，在实际的运用阶段使用该学习所得到的异常负载检测的阈值，从而检测异常负载。即，NC装置(数控装置)10包括学习异常负载检测的阈值的学习阶段和控制机床20而实际地加工工件的运用阶段。

首先，如图4所示，在学习阶段，将编号化的工具的信息(例如，工具的种类、材质以及直径的信息：X1)、编号化的工件的材质(X2)、工具的行进方向(各轴的进给速度：X3)、切削速度(合成速度：X4)、主轴转速(X5)、切入量(冷却剂量：X6)作为输入(状态变量)，例如，以数msec.～数十msec.的周期施加至由神经网络300构成的机械学习机3。

此外，在图4(图5)中，为了简化，神经网络300被描绘成三层，实际上当然被非常多层化。另外，作为施加至神经网络300的状态变量(状态量)，无需施加上述X1～X6的全部，只要施加它们中的至少一个即可。进一步地，作为施加至神经网络300的状态变量，不限定于上述X1～X6，例如也可以包括与机床20、工件相关的其它数据。另外，作为负载，例如与图2所示的各个伺服马达21x、21y、21z、21A、21B对应，但是例如对于所施加的输入X1～X6，学习到的异常负载检测的阈值能够作为各个伺服马达21x、21y、21z、21A、21B的单个的阈值而得到。其中，学习到的异常负载检测的阈值不限定于各个伺服马达的单个的阈值，也可以为对多个伺服马达的阈值。

在此，在学习阶段，例如，优选通过预定好的学习用加工来加工工件，基于每个加工条件的负载电流值学习用于检测异常负载的阈值。另外，作为学习阶段中的神经网络300(机械学习机3)的输出W，例如，输出对在负载中流动的电流进行预测而得到的预测负载电流值。然后，在机械学习机3中，以使与预测负载电流值W相关的训练数据和与实际测量在负载流动的电流而得到的负载电流实测值D相关的数据即教师数据D一致的方式进行学习。即，如将损失函数设为y(Xn、W)、D，则进行学习阶段的处理，直至该损失函数收敛为固定值。

然后，如图5所示，在运用阶段，与上述的学习阶段同样地，例如，将输入X1～X6作为输入而施加至神经网络300。在此，神经网络300相比学习阶段，处于学习完成，与输入X1～X6对应的预测负载电流值W作为异常负载检测的阈值而从神经网络300输出。

然后，如图5及图6所示，在运用阶段，对学习到的异常负载检测的阈值(预测负载电流值W)和实际测量在负载中流动的电流得到的负载电流实测值D进行比较，例如，在负载中电流实测值D比异常负载检测的阈值W加上预定的偏差量α得到的值(W+α)大时，判断为检测到异常负载。在此，异常负载的检测例如优选按照负载(伺服马达)进行。其中，作为负载，不限定于单个的伺服马达，当然也能够对多个伺服马达检测异常负载。

上述中，在学习阶段进行的异常负载检测的阈值的学习当然也能够在运用阶段进行。另外，作为施加至机械学习机3的教师数据，例如可以为负载电流实测值D本身，也能够使用通过在NC装置的外部进行的模拟等而得到的数据或者其它NC装置的带标签的数据等作为对输入X1～X6的负载电流实测值D。进一步地，本实施方式的机械学习机3例如能够内置于参照图1及图2所说明的NC装置10。

如根据图6所知，根据本实施例，例如，对负载电流实测值D和异常负载检测的阈值W加上预定的偏差量α得到的值(W+α)进行比较，在W+α＜D时，判断为检测到异常负载，从而能够准确地检测由于切削速度、切入量等各种重要因素而变动的负载转矩(负载电流)的异常。即，根据本实施方式的机械学习机、数控装置以及机械学习方法，能够求出适于判断为异常的负载转矩的阈值，其结果，能够进行与机床的各种使用状况对应的异常负载的检测。

图7是表示应用本实施方式的机械学习机的网络的一例的块图。如图7所示，例如，能够对云服务器4设置机械学习机3，对各雾服务器61～6n，或者雾服务器61～6n中的任一个设置机械学习机3。进一步地，机械学习机3能够作为机械学习机3a、3b、3c、…而设于对各机床20a、20b、20c、…进行控制的各NC装置(终端、边缘)10a、10b、10c、…，另外，也能够进行分散学习。

在图7中，在一个单元(例如机床单元)8中包括多个NC装置10a、10b、10c、…(机床20a、20b、20c、…)，这些多个NC装置10a、10b、10c、…经由网络7而连接于雾服务器61。此外，例如在一个工厂设置一个单元8，但是，这种结构能够进行各种变形及变更。

在此，在对各NC装置10a、10b、10c、…设置机械学习机3a、3b、3c、…的情况下，例如，在NC装置10a设置的机械学习机3a能够通过网络等与在其它NC装置10b设置的机械学习机3b连接，能够在与设置在该NC装置10b的机械学习机3b之间相互交换或者共享机械学习的结果。另外，在将机械学习机3设于各雾服务器61～6n的情况下，例如，也能够经由网络5而相互交换或共享各机械学习机3的学习结果。因此，能够通过互相交换或共享多个机械学习机3a、3b、…(3)的学习结果，从而提高学习效果。

此外，也能够构成为在网络7连接多个包括多个NC装置10a、10b、10c、…(机床20a、20b、20c、…)的单元8，另外，网络不限定与5及7这两层，也能够构成为三层以上的网络。进一步地，机械学习机3也能够设于云服务器4，这些结构能够根据需要而适当地进行变形及变更。

根据本发明的机械学习机、数控装置以及机械学习方法，起到能够求出适用于判断为异常的负载转矩的阈值的效果。

以上说明了实施方式，但是在此记载的所有的例、条件的记载是出于帮助理解发明及在技术中应用的发明的概念的目的，特别地记载的例、条件并非意在限制发明的范围。另外，说明书本身的记载也并非表示发明的优点及缺点。虽然详细地记载了发明的实施方式，但是应当理解，能够不脱离发明的精神及范围地进行各种变更、置换、变形。

Claims (10)

1.一种机械学习机，学习机床中的异常负载检测的阈值，

上述机械学习机的特征在于，具备：

状态观测部，对基于上述机床的工具的信息、主轴转速及冷却剂量、工件的材质、以及上述工具的行进方向、切削速度及切入量的至少一个而得到的状态变量进行观测；以及

学习部，基于根据上述状态观测部的输出及与上述机床的异常负载检测相关的数据作成的训练数据、以及教师数据，学习上述异常负载检测的阈值，

上述学习部具备：

误差计算部，计算上述训练数据与上述教师数据的误差；以及

学习模型更新部，基于上述状态观测部的输出及上述误差计算部的输出，对学习模型进行更新，上述学习模型决定与上述机床的异常负载检测相关联的条件的误差，

上述工具的信息包括上述工具的种类、材质以及直径的信息，

上述训练数据是与预测负载中流动的电流所得到的预测负载电流值相关的数据，

上述教师数据是与实际测量上述负载中流动的电流所得到的负载电流实测值相关的数据。

2.根据权利要求1所述的机械学习机，其特征在于，

上述机械学习机存在于云服务器上。

3.根据权利要求1所述的机械学习机，其特征在于，

上述机械学习机存在于雾服务器上。

4.根据权利要求1～3中任一项所述的机械学习机，其特征在于，

上述机械学习机能够与至少一个其他机械学习机连接，在与至少一个上述其他机械学习机之间互相交换或者共享机械学习的结果。

5.根据权利要求1～3中任一项所述的机械学习机，其特征在于，

上述机械学习机具备神经网络。

6.一种数控装置，包括权利要求1～权利要求5中任一项所述的机械学习机，并控制上述机床，

上述数控装置的特征在于，

基于通过上述机械学习机学习到的上述异常负载检测的阈值，检测上述机床的异常负载。

7.根据权利要求6所述的数控装置，其特征在于，

在实际测量负载中流动的电流所得到的负载电流实测值比针对上述异常负载检测的阈值加上预定的偏差量所得到的值大时，判定为检测到上述机床的异常负载。

8.根据权利要求7所述的数控装置，其特征在于，

上述数控装置包括：学习上述异常负载检测的阈值的学习阶段；以及控制上述机床来实际加工上述工件的运用阶段，

在上述学习阶段中，通过预先决定的学习用加工，基于每个加工条件的负载电流值来学习上述异常负载检测的阈值，

在上述运用阶段中，对学习到的上述异常负载检测的阈值与实际测量上述负载中流动的电流所得到的负载电流实测值进行比较，从而检测上述机床的异常负载。

9.根据权利要求8所述的数控装置，其特征在于，

上述数控装置在上述运用阶段中也学习上述异常负载检测的阈值。

10.一种机械学习方法，学习机床的异常负载检测的阈值，

上述机械学习方法的特征在于，

对基于上述机床的工具的信息、主轴转速及冷却剂量、工件的材质、以及上述工具的行进方向、切削速度及切入量的至少一个而得到的状态变量进行观测，

基于根据上述状态变量及与上述机床的异常负载检测相关的数据作成的训练数据、以及教师数据，学习上述异常负载检测的阈值，

学习上述异常负载检测的阈值是指：

计算上述训练数据与上述教师数据的误差；

基于上述状态变量、以及计算出的上述训练数据与上述教师数据的误差，更新学习模型，上述学习模型决定与上述机床的异常负载检测相关联的条件的误差，

上述工具的信息包括上述工具的种类、材质以及直径的信息，

上述训练数据是与预测负载中流动的电流所得到的预测负载电流值相关的数据，

上述教师数据是与实际测量上述负载中流动的电流所得到的负载电流实测值相关的数据。

Images