工具状态推定装置以及机床

摘要

本发明涉及对在机床中使用的工具的状态进行推定的工具状态推定装置以及该机床。使用拍摄单元取得因加工而产生的切屑的飞散方向或飞散范围、飞散速度等，并从该取得的动态信息来推定工具的状态(磨损、缺损等)。在该推定中使用机器学习装置，在该机器学习装置中对针对多个的工具附近的动态信息的组合的工具状态进行学习，并基于该学习的结果来推定工具状态。

说明书

技术领域

本发明涉及对在机床中使用的工具的状态进行推定的工具状态推定装置以及该机床。

背景技术

一般在机床中使用的工具在加工中随着使用的时间推移，刀尖磨损，切削阻力增加，加工精度恶化，变得无法维持工件所要求的预定的加工精度，一般判断为在该时刻为工具的寿命。在判断工具是否达到寿命时，除了直接确认工件的加工精度之外，还列举了确认工具刀尖的磨损量，并确认该磨损量是否超过成为大致目标的磨损宽度等方法，但是需要另行具备与加工运转中不同的判定寿命的工程，由此成为了妨碍加工周期效率化的主要原因之一。因此，预先推定工具状态的技术对用于提高加工产率是十分重要的。

作为用于判断工具的状态的现有技术，例如在日本特开2011－45988号公报中公开了使用拍摄单元拍摄切削工具，并基于该图像数据来判断工具的状态的技术。另外，作为推定工具状态所涉及的现有技术，已知有泰勒寿命方程式(日本特开平11－170102号公报等)。在使用泰勒寿命方程式推定工具状态时，基于加工中使用的工具或工件的材质等加工条件来确定常数，将确定好的常数套用到泰勒寿命方程式，由此能够在各种各样的加工条件下推定工具状态。另外，还提出了基于加工时间或加工次数等来推定工具状态的技术(日本特开2002－224925号公报等)。

然而，在直接确认工具的磨损状态的情况下，需要在加工时间外使用测定器等进行测量，从而产生了该时间使加工周期时间增加的问题。

另外，在使用泰勒寿命方程式预测工具的寿命时，由于需要根据加工条件来计算方程式的常数，因而在加工条件频繁变化的机床中，存在决定常数复杂且适用困难的问题。

进而，当基于加工时间或加工次数等来推定工具的寿命时，需要对每个工具记录加工时间或加工次数，另外该推定方法是基于实际加工的经验法则而产生的，因而依旧产生了在加工条件频繁变化的状况下难以推定工具状态的问题，并且还存在将仍能使用的工具废弃、或虽然工具达到了寿命却继续使用工具来量产残次品的问题。

发明内容

因此，本发明的目的在于，提供一种不会增加加工的周期时间并且能够高精度地推定工具状态的工具状态推定装置以及机床。

在本发明中，使用拍摄单元，取得加工中的工具附近的动态信息(因加工而产生的切屑的飞散方向或飞散范围、飞散速度等)，根据该取得的工具附近的动态信息推定工具的状态(磨损、缺损等)，从而解决上述问题。在本发明中，在推定工具状态时，使用机器学习装置，使该机器学习装置对相对于多个工具附近的动态信息的组合的工具的状态进行学习，并且基于机器学习到的结果来进行工具状态的推定。

本发明的工具状态推定装置的第1方式是对机床在加工工件中使用的工具状态进行推定。该工具状态推定装置具备：状态观测部，其从在所述机床的运转中取得的日志数据中，取得所述工具的附近的动态信息，并基于取得的所述工具的附近的动态信息来生成输入数据；学习部，其通过使用所述状态观测部生成的输入数据的机器学习来构建学习模型；以及学习模型存储部，其存储所述学习模型。

所述工具状态推定装置还具备：标签取得部，其从所述机床的运转中取得的日志数据中，取得表示与所述状态观测部生成的输入数据相对应的所述工具的状态的监督数据，所述学习部可以通过使用所述状态观测部生成的输入数据和所述标签取得部取得的监督数据的监督学习来构建学习模型。

所述学习部可以通过使用所述状态观测部生成的输入数据的无监督学习来构建学习模型，该学习模型生成基于所述工具的附近的动态信息的簇。

本发明的工具状态推定装置的第2方式对机床在加工工件中使用的工具的寿命进行推定。该工具状态推定装置具备：学习模型存储部，其存储学习模型，该学习模型是通过基于在所述机床的运转中取得的所述工具的附近的动态信息的机器学习来构建的；状态观测部，其从所述机床的运转中取得的日志数据中，取得所述工具的附近的动态信息，并基于取得的工具的附近的动态信息来生成输入数据；以及推定部，其使用所述学习模型，根据所述状态观测部生成的输入数据来推定所述工具的状态。

所述工具的附近的动态信息可以是表示在所述机床的加工中产生的切屑的飞散状态的图像所涉及的信息。

本发明的机床具备：警报部，其基于所述工具状态推定装置的第2方式的所述工具状态的推定结果来输出警报。

根据本发明，由于能够基于在加工时由拍摄单元取得的工具附近的动态信息来推定工具的状态，因而可以无需停止加工运转且不增加周期时间来推定工具的状态。另外，由于根据基于工具附近的动态信息的机器学习的结果来推定工具的状态，因而可以进行符合各种状况的高精度的工具状态的推定。

附图说明

图1是对通过立铣刀工具加工工件时的切屑的飞散状态进行说明的图。

图2是本发明的一实施方式的工具状态推定装置的学习时的示意功能框图。

图3是对本发明的一实施方式的机器学习中使用的工具附近的动态信息和工具状态所涉及的信息的关系进行说明的图。

图4是表示神经元的模型的示意图。

图5是表示具有3层权重的神经网络的示意图。

图6是表示多层神经网的示意图。

图7是表示自动编码器(autoencoder)的示意图。

图8是对本发明的一实施方式的机器学习中使用的输入数据进行说明的图。

图9是本发明的一实施方式的工具状态推定装置的工具状态推定时的示意功能框图。

图10是本发明的其他的实施方式的工具状态推定装置的学习时的示意功能框图。

图11是例示通过本发明的其他的实施方式的机器学习所生成的簇的图。

图12是对本发明的其他的实施方式的机器学习中使用的工具附近的动态信息进行说明的图。

图13是本发明的其他的实施方式的工具状态推定装置的工具状态推定时的示意功能框图。

图14是说明本发明的其他的实施方式的工具状态的推定方法的图。

图15是说明本发明的机器学习的应用例的图。

具体实施方式

下面，一并说明本发明的实施方式和附图。首先，使用图1对本发明的工具状态推定装置的工具状态的推定方法进行说明。

图1是对通过立铣刀工具2加工工件3时的切屑4的飞散状态进行说明的图。

使用立铣刀工具2切削加工工件3的侧面时产生的切屑4随着工具2的旋转而飞散到加工区域内。此时，若使用新品的立铣刀工具2进行加工，则如图1中的的(Ⅰ)所示，切屑4具有向与工具2的进行方向M大致正相反的方向且向比较窄的范围飞散的倾向。另一方面，若使用磨损恶化的立铣刀工具2进行加工，则如图1的(Ⅱ)所示，切屑4向比较的广的范围飞散，切屑的飞散速度或飞散距离也会变化。另外，在通过工具2加工碳钢的工件3时产生的切屑4在使用新品的工具2的加工中是呈淡黄色，但是在使用磨损恶化的工具的加工中是呈深蓝色。

因此本发明的发明者发现如上述例示的工件加工时的切屑的状态(切屑的飞散状态或切屑的颜色等)因工具的状态而变化，提出了一种工具状态推定装置，其使用拍摄单元取得工具附近的动态信息(因加工而产生的切屑的飞散方向或飞散范围、飞散速度、切屑的颜色等)，并且根据该取得的工具附近的动态信息来推定工具的状态(磨损、缺损等)。

本发明的工具状态推定装置为了由工具附近的动态信息来推定工具的状态而使用机器学习装置。本发明的工具状态推定装置所具备的机器学习装置对工具附近的动态信息与工具状态的关系进行机器学习，并使用该学习结果，由工具附近的动态信息来推定工具状态，该工具附近的动态信息是使用照相机等拍摄单元收集到的工具附近的图像信息(静止图像、动图)、使用话筒等集音单元而集音到的当加工时在工具和工件之间产生的声音的信息等。

本发明的工具状态推定装置所具备的机器学习装置可以采用监督学习、无监督学习等各种各样的学习方法作为对工具附近的动态信息与工具状态的关系进行机器学习的学习方法。

下面，使用图2～图9，对使用监督学习来作为学习方法时的本发明的工具状态推定装置的实施方式进行说明。

图2是本发明的一实施方式的机器学习时的工具状态推定装置的示意功能框图。

本实施方式的工具状态推定装置100可以通过在制造业的生产设备中控制机床的控制装置、总括管理与该控制装置连接使用的个人电脑、各控制装置的主计算机等来实现。该工具状态推定装置100在具有1台以上的机床的制造业的生产设备中，基于从该1台以上的机床收集且存储于日志数据存储部200的日志数据来进行机器学习。

在日志数据存储部200中，对每台机床记录有从生产设备中运行的机床中取得的工具附近的动态信息和由作业者输入的机床中的工具状态所涉及的信息，作为与时刻信息相关联的日志数据。

在工具附近的动态信息中，可以包括使用照相机等拍摄单元而收集到的工具附近的图像信息(静止图像、动图)、使用话筒等集音单元而集音到的加工时在工具和工件之间产生的声音的信息等，进而，还可以包括在加工中使用的工具的种类、工件的材质、冷却剂的种类、工具的进给速度、主轴转速、刀尖温度、每个工具的切削时间累计/切削距离累计、切削阻力(进给轴、主轴的放大器电流值)等。另外，由作业者输入的在机床中的工具状态所涉及的信息可以包括运转机床的作业者或在机床产生异常时进行应对的维护人员经由控制机床的控制装置的机械操作面板等输入的工具更换所涉及的信息等。

日志数据存储部200可以将从多台机床收集来的工具附近的动态信息记录成日志数据。另外，日志数据存储部200可以构建成一般的数据库。

在成为收集日志数据的对象的机床中，控制机床具备的各驱动部来进行工件的加工，并且通过从安装成能够拍摄工具附近的拍摄单元得到的图像信息、从对工具和工件之间产生的声音进行集音的集音单元得到的声音信息、以及从其他的各部分得到的信号，取得各驱动部的状态或传感器所涉及的检测值等，生成该机床的工具附近的动态信息所涉及的日志数据，并存储于该机床的非易失性存储器或作为外部设备的存储装置等。

日志数据被生成为能够对于各驱动部的作动状况或传感器所涉及的温度的检测值等掌握时间序列。另外，在日志数据中，包含运转机床的作业者、在机床中产生异常时进行对应的维护人员经由机械操作面板而输入的各种信息(工具更换作业等)。这样，存储于机床的非易失性存储器等的日志数据经由网络等或者经由运转机床的作业者等携带的外部存储装置等，被收集到日志数据存储部200。该收集可以是在每次制作日志数据时逐次进行的，也可以是在适当的期间中定期进行的。

接着，在对工具状态推定装置100所具备的各结构进行说明前，对工具状态推定装置100进行的学习的概要进行说明。

图3是对本发明的一实施方式的机器学习中使用的工具附近的动态信息和工具状态所涉及的信息进行说明的图。本实施方式的工具状态推定装置100从日志数据存储部200中存储的日志数据中，收集在工具状态为良好的时刻的工具附近的动态信息来作为“工具状态为良好时的工具附近的动态信息”，另一方面，收集从进行工具更换的时刻到预定时间前(例如，1时间前)为止的工具附近的动态信息作为“工具状态恶化时的工具附近的动态信息”。并且，基于这些收集到的工具附近的动态信息，工具状态推定装置100进行“监督学习”。

“监督学习”是将某些输入与结果(标签)的数据的组大量地提供到机器学习装置，从而能够对这些数据集中存在的特征进行学习，递归性获得根据输入推定结果的模型即其关系性的方法。这可以使用后述的神经网络或SVM等算法来实现。本实施方式的工具状态推定装置100将日志数据存储部200中记录的工具附近的动态信息按预先制定的预定的单位时间来进行分割，将该分割的单位作为1个输入来重复实施监督学习。

神经网络由运算装置以及存储器等构成，该运算装置实现模仿例如图4所示的神经元的模型的神经网络。图4是表示神经元的模型的示意图。

如图4所示，神经元对针对多个输入x(在此作为一例为输入x₁～输入x₃)的输出y进行输出的神经元。在各输入x₁～x₃中，施加与该输入x相对应的权重w(w₁～w₃)。由此，神经元输出由以下的数学式(1)表现的输出y。此外，在该数学式(1)中，输入x、输出y以及权重w全部为向量。另外，θ为偏差，f_k为激活函数。

接着，参照图5，对将上述的神经元组合后的具有3层权重的神经网络进行说明。

图5是表示具有D1～D3的3层权重的神经网络的示意图。如图5所示，从神经网络的左侧输入多个输入x(在此，作为一例为输入x1～输入x3)，从右侧输出结果y(在此，作为一例为结果y1～结果y3)。

具体而言，对输入x1～输入x3施加相对于3个神经元N11～N13各自对应的权重并进行输入。将被施加于这些输入的权重集合标记成w1。神经元N11～N13分别输出z11～z13。这些z11～z13可以被集合标记成特征向量z1，视为提取到输入向量的特征量的向量。该特征向量z1是权重w1和权重w2之间的特征向量。

对z11～z13施加相对于2个神经元N21、N22各自对应的权重并进行输入。施加于这些特征向量的权重被集合标记成w2。神经元N21、N22分别输出z21、z22。这些被集合标记成特征向量z2。该特征向量z2是权重w2和权重w3之间的特征向量。

对特征向量z21、z22施加相对于3个神经元N31～N33各自对应的权重并进行输入。施加于这些特征向量的权重被集合标记成w3。

最后，神经元N31～N33分别输出结果y1～结果y3。

在神经网络的动作中具有学习模式和预测模式，在学习模式中使用学习数据集对权重w进行学习，使用该参数在预测模式中进行加工机的行动判断(为了方便写为预测，但是可以是检测、分类、推论等多样的任务)。

在预测模式中，可以对实际上通过控制装置控制机械而得到的数据进行即时学习，反应到之后的行动(在线学习)，还可以使用预先收集的数据群进行集合的学习，且在之后一直通过该参数进行检测模式(批量学习)。也可以在积累有其中间的某个程度数据时，夹杂有学习模式。

权重w1～w3可以通过误差反向传播法(Back propagation)进行学习。误差的信息从右侧进入流向左侧。误差反向传播法是针对各神经元，以减小在输入了输入x时的输出y和真的输出y(监督)之间的差分的方式来调整(学习)各自的权重的方法。

如图6所示，神经网络也可以在3层以上进一步增加层(被称为深层学习、深度学习)。例如，可以通过图7所示的公知的自动编码器(autoencoder)构成阶段性地进行提取输入的特征并使结果回归的运算装置，从而仅通过监督数据来自动进行学习。

接着，对于本实施方式的工具状态推定装置100所具备的各结构进行说明。工具状态推定装置100具备：学习部111、状态观测部112、标签取得部113、学习模型存储部114。

学习部111基于状态观测部112取得的输入数据和标签取得部113取得的监督数据(也称为标签)进行监督学习，并且构建学习模型并存储于学习模型存储部114。学习部111构建的学习模型构成为用于判别参照图3来说明的、“工具状态良好时的工具附近的动态信息”和“工具状态恶化时的工具附近的动态信息”的模型。

状态观测部112从日志数据存储部200中存储的日志数据中生成输入数据，并将生成的输入数据输出到学习部111。在本实施方式的工具状态推定装置100中，输入数据是从机床取得的每个单位时间的工具附近的动态信息。就状态观测部112而言，对于以数值表现的工具附近的动态信息，直接将该数值用作学习部111的输入数据，对于以字符串等数值以外的信息所表示的工具附近的动态信息，预先在未图示的存储器上存储将各个字符串转换成数值的转换表，使用该转换表，将数值以外的信息进行数值化并包含于输入数据即可。

图8是表示在使用立铣刀工具2加工时的机器学习中使用的输入数据的例子的图。

当将加工时的工具2附近的切屑4的飞散状态用作输入数据时，本实施方式的状态观测部112如图8所示，只要对于从日志数据存储部200取得的工具2附近的动态信息中包含的图像信息执行周知的图像解析处理，并取得基于立铣刀工具2的加工中产生的切屑4的飞散状态作为输入数据即可。此时，状态观测部112可以对通过拍摄单元(未图示)拍摄到的工具2附近的动图信息的各帧间的变化进行解析，并确定所拍摄到的切屑4以及切屑4的飞散状况，以工具位置为中心，将切屑4飞散的平均的距离作为切屑4的飞散距离l_c且将切屑的平均的飞散速度作为切屑的飞散速度v_c而包含在输入数据中。另外，也可以通过RGB方式等，将从动图信息取得的切屑的颜色数值化并作为切屑的颜色c_c，还可以将切屑飞散的范围近似为扇形，并将其中心角作为切屑的飞散范围的中心角θ_c。

另外，在将加工时的工具2与工件3之间产生的声音用作输入数据时，状态观测部112只要对从日志数据存储部200取得的声音信息的频率分量进行解析，并将若干特征的频率分量的信息(频率、大小等)处理成输入数据即可。

标签取得部113基于日志数据存储部200中存储的日志数据，与状态观测部112与生成输入数据同步生成与该输入数据对应的监督数据(工具状态良好/恶化)，将已生成的监督数据输出到学习部111。作为监督数据，例如在将图6示出的多层神经网络用作学习模型时，只要以使输出层各自的信号与“工具状态良好”、“工具状态恶化”相对应，并与监督数据相对应地使任意的信号为1的方式来确定监督数据即可。

根据以上的结构，本实施方式的工具状态推定装置100可以针对机床运转时的工具附近的动态信息和工具状态的关系来进行机器学习，并构建学习模型。

接着，对使用通过监督学习而构建的学习模型来推定工具状态的工具状态推定装置100的一实施方式进行说明。

图9是本发明的一实施方式的工具状态推定装置100的工具状态推定时的示意功能框图。

本实施方式的工具状态推定装置100基于由配备在机床1上的拍摄单元等取得、且经由作为环境的机床1所具备的输入输出部17输入的信息，对机床1在加工中使用的工具2的状态进行推定。输入输出部17将机床1中配备的拍摄单元所拍摄的图像信息、集音单元(未图示)集音的声音信息、来自各部的信号等信息输出到工具状态推定装置100。此外，在图9中，虽然仅示出了将输入输出部17和警报部23作为机床1所具备的功能块，但是实际上具备一般的机床所具备的各功能块。

图9的工具状态推定装置100具备：状态观测部112、学习模型存储部114、推定部115。

在机床1运转进行的中间，状态观测部112经由输入输出部17取得在上述说明的学习时用作输入数据的工具附近的动态信息，基于该取得的信息来生成输入数据并输出到推定部115。

推定部115使用学习模型存储部114中存储的学习模型，进行基于从状态观测部112输入的输入数据(工具附近的动态信息)的工具状态的推定，并将该推定结果输出到输入输出部17。并且，在从推定部115输入的工具状态的推定结果为工具的状态恶化时，输入输出部17对警报部23进行指令来发出警报。

在警报部23被输入输出部17进行指令来发出警报时，通过配置于机床1的未图示的机械操作面板的灯或显示装置的显示、声音等，对作业者通知工具状态恶化的信息。例如图3中说明的那样，警报部23通知的警报可以设为，在应进行工具更换的时刻的预定时间的前后对输入数据进行区别并进行机器学习的情况下，对显示装置显示“请在之后××小时以内更换工具”等和具体的时间。另外，警报部23除了发出警报以外，还可以对机床1的各部分进行指令，来停止运转。

接着，使用图10～图14，对使用无监督学习作为学习方法时的本发明的工具状态推定装置的实施方式进行说明。本实施方式的工具状态推定装置100的大部分部分与使用图2～图9说明的监督学习时的实施方式类似。下面，对与使用图2～图9进行说明的实施方式不同的部分进行说明。

图10是本发明的一实施方式的机器学习时的工具状态推定装置的示意功能框图。

本发明的一实施方式的机器学习时的工具状态推定装置100具备的学习部111进行将状态观测部112从日志数据存储部200取得的、工具附近的动态信息作为输入数据的无监督学习且将工具状态为良好时的簇生成为学习结果，并将该学习结果存储于学习模型存储部114。在“无监督学习”中，可以通过仅将输入数据大量地提供给学习装置，来学习输入数据呈何种分布，即使不提供对应的监督输出数据仍将对输入数据进行压缩、分类、整形等。

本实施方式的工具状态推定装置100例如可以使用PCA(主成分分析)、SVM(支援向量机)、神经网络等作为无监督学习的算法，另外，如图6所示，可以将神经网络的中间层设置为多个并使用深层学习的方法。

图11是表示工具状态为良好时的工具附近的动态信息的簇的例子。此外，在图11中，为了简单说明，在处理为输入数据的工具附近的动态信息内，仅示出了切屑的飞散距离l_c、切屑的飞散速度v_c、切屑的飞散范围的中心角θ_c这3个信息，但是工具附近的动态信息可以表现为更多维的信息。

接着，对工具状态推定装置100所具备的各结构进行说明。

工具状态推定装置100具备：学习部111、状态观测部112、学习模型存储部114。

学习部111基于状态观测部112取得的输入数据进行无监督学习，构建学习模型并存储于学习模型存储部114。如图12所示，本实施方式的学习部111构建的学习模型是使用在开始使用工具之后预定时间内的工具状态为良好的时刻的工具附近的动态信息来构建的。学习部111构建的学习模型的算法如上述说明那样，只要是能够对工具状态为良好的时刻的工具附近的动态信息和除此之外的动态信息进行分类的算法，则可以使用任意算法。

状态观测部112从日志数据存储部200中存储的日志数据中生成输入数据，并将该生成的输入数据输出到学习部111。

根据以上的结构，工具状态推定装置100可以对机床运转时的工具状态良好的时刻的工具附近的动态信息进行学习，来构建学习模型。

接着，对使用所构建的学习模型来推定工具的状态的工具状态推定装置100进行说明。

图13是本发明的一实施方式的工具的状态推定时的工具状态推定装置100的示意功能框图。本实施方式的工具状态推定装置100通过作为环境的机床1且基于工具附近的动态信息，来推定机床1中使用的工具的状态。

本实施方式的工具状态推定装置100所具备的推定部115使用学习模型存储部114中存储的学习模型，通过判断从状态观测部112输入的输入数据(工具附近的动态信息)、以及与工具的状态为良好的时刻的簇之间的距离，来进行工具状态的推定。如图14所示，当输入数据和工具状态为良好的时刻的工具附近的动态信息的簇(的中心)的距离为预先确定的预定阈值以下时，该推定部115推定为工具状态良好，在大于预先制定的预定的阈值时，该推定部115推定为工具状态恶化。

这样，推定部115将使用基于从机床1得到的工具附近的动态信息而生成的输入数据的工具状态的推定结果输出到机床1的输入输出部17。当从推定部115输入的工具状态的推定结果表示工具状态恶化时，输入输出部17对警报部23进行指令来发出该含义的警报。

这样，工具状态推定装置100可以使用作为进行基于1台或者其以上的机床1的工具附近的动态信息的机器学习后的结果而得到的学习模型，由此在机床1的运转中对工具状态进行推定。并且，可以在工具状态推定装置100推定为工具状态恶化时，接受该推定结果并由机床1的作业者计划性地中断机床的运转来继续工具的更换。

以上，至此说明了本发明的实施方式，但是本发明并不限定于上述的实施方式的例子，可以通过适当的变更以各种方式实施。

在上述的实施方式中，虽然示出了1台工具状态推定装置100中的学习以及使用的方式，但是由于学习部111构建且存储于学习模型存储部114的学习模型本身是表示学习结果的数据的集合，因此例如也可以构成为经由未图示的外部存储装置或网络等，在与其它的工具状态推定装置100之间共享学习模型。当这样构成时，在学习中，在多个工具状态推定装置100之间共享一个学习模型的状态下，使各个工具状态推定装置100并列进行学习，从而可以缩短到学习结束为止所花费的时间，另一方面，在使用学习模型中，也可以使用共享的学习模型，通过多个工具状态推定装置100分别进行工具状态的推定。对于学习模型的共享方法并不限定成特定的方法。例如，可以事先在工厂的主计算机内存储学习模型并由各工具状态推定装置100共享，也可以构成为事先将学习模型存储于制造商设置的服务器上，在顾客的工具状态推定装置100之间共享。

另外，在上述的实施方式中，虽然单独说明了学习时和推定时的工具状态推定装置100的结构，但是工具状态推定装置100也可以设为同时具备学习时的结构和推定时的结构。在此种情况下，工具状态推定装置100可以在进行工具状态的推定，并且学习部111基于在机床1中由管理者或维护人员输入的信息而进行更进一步的追加的学习。

另外，在上述的实施方式中，虽然示出了立铣刀工具加工时的输入数据的例子，但是也可以对于其他的工具类别、例如敲击工具或铣削工具等进行应用。即使在使用任意的工具的加工中，由于加工时的工具附近的动态信息根据工具的状态而变化，因而通过在学习部111中对其进行机器学习来构建学习模型，由此能够提供可应对各种加工的工具状态推定装置100。

另外，在上述的实施方式中，虽然将工具附近的动态信息的图像信息或声音信息表示为输入数据的例子，但是作为输入数据，可以仅使用图像信息，也可以使用声音信息。另外，除了工具附近的动态信息之外，还能够将工件的材质等信息、与工具的类别相关的信息等加入到输入数据，从而进行能够对应更广范围的信息的机器学习。

并且，在上述的实施方式中，通过机器学习，分为了在工具状态为良好的时刻的工具附近的动态信息和在工具状态恶化的时刻的工具附近的动态信息来进行机器学习，但是也可以如图15所示，根据工具的状态，通过分为从工具的状态恶化的预定时间t1前～预定时间t2前为止的工具附近的动态信息、从工具的状态恶化的预定时间t2前～预定时间t3前为止的工具附近的动态信息、从工具的状态恶化的预定时间t3前以前的工具附近的动态信息进行学习，由此能够更细致的推定工具状态在之后多久的时间中发生恶化。