邊調整加工條件邊進行加工的線放電加工機的製作方法

2023-06-15 05:26:36 1

本發明涉及一種線放電加工機，尤其是涉及能夠根據加工被加工物的加工狀態來調整加工條件的線放電加工機。

背景技術：

在利用線放電加工機進行加工的情況下，使用與被加工物、金屬線直徑相應地準備的加工條件來進行加工(日本特公平05－021690號公報等)。通常，將得到這些加工條件的加工速度、加工精度決定為理論值，但實際上由於被加工物放在工作檯上的位置、機器的長年變化、機器個體差異等，並非一定能夠獲得所決定的加工速度、加工精度。可以認為這是電阻的不同導致的加工能量的差異所致，由此，可以認為這是因為無法再現取得加工條件時的電壓、電流、速度(基準值數據)而引起的問題。

為了應對這樣的問題，以往，操作者進行加工品的尺寸確認，進行追加加工，或者調整加工條件、加工餘量，而進行再加工。

但是，調整加工條件、加工餘量需要經驗，存在根據操作者的技能，調整加工條件、加工餘量花費時間這樣的問題。並且，上述方法以進行追加加工、再加工為前提，存在因發生追加作業而導致麻煩這樣的問題。

技術實現要素：

因此，本發明的目的在於提供一種能夠根據加工被加工物的加工狀態自動調整加工條件的線放電加工機。

本發明提供進行基於環境信息、位置信息、加工信息的機械學習，來進行各種加工條件的調整以使加工數據與基準值數據一致的線放電加工機。

並且，本發明涉及的線放電加工機，其根據設定給加工條件設定部的加工條件來進行加工電源、加工液的控制，向張緊架設在上下線嘴間的線狀電極與被加工物之間施加電壓來產生放電，並且使所述線狀電極與被加工物相對移動來進行所述被加工物的加工，其特徵在於，所述線放電加工機包括：環境信息存儲部，其存儲環境信息，該環境信息是表示所述加工的環境的信息；以及加工條件調整裝置，其對所述加工條件的調整對象參數和該調整對象參數的調整量進行機械學習，所述加工條件調整裝置具有：狀態觀測部，其取得狀態數據，該狀態數據是表示所述加工中的加工狀態的信息；回報條件存儲部，其存儲回報條件；回報計算部，其基於所述狀態數據和所述回報條件來計算回報；加工條件調整學習部，其對加工條件調整進行機械學習；以及加工條件調整部，其基於所述加工條件調整學習部進行所述加工條件調整的機械學習結果以及所述狀態數據和所述環境信息，將加工條件調整的對象參數及其調整量決定為調整行為，基於該調整行為對設定給所述加工條件設定部的加工條件進行調整，輸出調整後的加工條件，所述加工條件調整學習部根據所述調整行為、基於被輸出的所述調整後的加工條件的加工動作後的由所述狀態觀測部取得的所述狀態數據、以及所述回報計算部計算出的所述回報，來對所述加工條件調整進行機械學習。

所述狀態數據至少包括所述線狀電極相對於所述被加工物的位置信息。

所述狀態數據包括加工電壓、加工電流、加工速度、放電次數、加工液量、加工液壓、發生短路、發生斷線中的至少一者。

所述回報條件存儲部存儲按設定給所述加工條件設定部的加工條件進行了加工時的加工電壓、加工電流、加工速度的基準值數據。

所述狀態數據至少包括加工電壓、加工電流、加工速度，在所述狀態數據所包括的加工電壓、加工電流、加工速度接近基於設定給所述加工條件設定部的加工條件而得到的基準值數據時，所述回報計算部給予正回報。

所述狀態數據至少包括加工電壓、加工電流、加工速度、發生短路、發生斷線，在所述狀態數據所包括的加工電壓、加工電流、加工速度背離基於設定給所述加工條件設定部的加工條件而得到的基準值數據時，或者發生所述狀態數據所包括的短路和斷線中的至少一個現象時，所述回報計算部給予負回報。

也可以是，所述線放電加工機與至少一個其他線放電加工機相連接，並與所述其他線放電加工機之間相互交換或者共享機械學習的結果。

另外，本發明涉及的加工條件調整裝置，其對線放電加工機的加工條件調整進行機械學習，該線放電加工機根據設定給加工條件設定部的加工條件來進行加工電源、加工液的控制，向張緊架設在上下線嘴之間的線狀電極與被加工物之間施加電壓來產生放電，並且使所述線狀電極與被加工物相對移動來進行所述被加工物的加工，其特徵在於，所述加工條件調整裝置包括：學習結果存儲部，其存儲所述加工條件調整的學習結果；狀態觀測部，其取得狀態數據，該狀態數據是表示所述加工中的加工狀態的信息；以及加工條件調整部，其基於存儲於所述學習結果存儲部的學習結果、由所述狀態觀測部觀測到的所述狀態數據，來決定加工條件調整的對象參數及其調整量或者其調整後的值，對加工條件進行調整。

在本發明中，通過機械學習來調整加工條件，以消除加工能量的差異，從而提高加工的穩定性、再現性，而不需要追加加工、再加工。另外，將多個線放電加工機的各數據共享而用於機械學習，從而能夠使每個線放電加工機都實現能夠得到更加優良的結果的機械學習。

附圖說明

從參照附圖進行的以下實施例的說明能夠了解本發明的上述說明及其他目的，特徵。這些附圖中：

圖1是說明線放電加工機中加工位置導致的加工能量不同的圖。

圖2是說明本發明的基於機械學習進行的加工條件的調整的圖。

圖3是說明強化學習算法的基本概念的圖。

圖4是關於本發明的實施方式的線放電加工機的機械學習的示意圖。

圖5是本發明的實施方式的線放電加工機的功能框圖。

圖6是表示本發明的實施方式的機械學習的流程的流程圖。

具體實施方式

以下，對本發明的實施方式及附圖進行說明。

在本發明中，向加工被加工物的線放電加工機導入作為人工智慧的機械學習器，進行關於線放電加工機針對被加工物的加工狀態的施加電壓的電壓值、施加時間、暫停時間、加工液的供給量等加工條件的調整的機械學習，由此，根據加工狀態將加工條件調整為最佳。在本發明中，機械學習器作為加工條件調整裝置來動作。

如上所述，在線放電加工中，以設定好的加工條件獲得的現實的加工速度、加工精度根據被加工物放在工作檯上的位置、機器的長年變化、機器個體差異等而變化。例如，具有這樣的情況：如圖1所示，即使在想要加工相同孔徑的圓孔而以同一加工條件進行了加工的情況下，在＜1＞的位置、＜2＞的位置、＜3＞的位置出現加工能量的不同，在各位置加工出的圓孔的大小不同。

圖2A、2B是將圖1的各孔的加工中計測出的電壓、電流、速度的值以圖表來表示的圖。如圖2A所示，即使在以同一加工條件進行加工的情況下，設定好的加工條件所決定的電壓、電流、速度的值(基準值數據)與實際加工時在＜1＞的位置、＜2＞的位置、＜3＞的位置的加工時的電壓、電流、速度的值存在差異，結果，在各位置加工出的圓孔的大小不同。因此，導入機械學習器，機械學習器基於表示用線放電加工機加工被加工物時的加工狀態的數據(環境信息、位置信息、加工信息)，對加工條件的調整進行機械學習，基於機械學習的結果自動調整加工條件。

以下，對本發明中導入的機械學習簡單地進行說明。

＜1.機械學習＞

通常，機械學習根據其目的、條件分類為有教師學習、無教師學習等各種算法。在本發明中，以對加工被加工物的線放電加工機的加工條件的調整進行學習為目的，考慮到難以明確示出針對從線放電加工機輸出的電壓值、電流值、加工速度、各軸的坐標值、被加工物信息等加工狀態進行什麼樣的行為(加工條件的調整)是正確的，採用機械學習器僅通過給予回報來自動學習用於達到目標的行為的強化學習算法。

圖3是說明強化學習算法的基本概念的圖。在強化學習中，通過作為進行學習的主體的智能體(機械學習器)與成為控制對象的環境(控制對象系統)之間的交換，推進智能體學習和行為。更具體而言，在智能體與環境之間進行下述交換：(1)智能體觀測某時點的環境狀態st，(2)基於觀測結果與過去的學習，選擇自己能夠取得的行為at選擇，執行行為at，(3)由於執行行為at而環境狀態st向下一狀態st+1變化，(4)基於作為行為at的結果的狀態變化，智能體獲取回報rt+1，(5)智能體基於狀態st、行為at、回報rt+1以及過去的學習結果，推進學習。

在上述(5)的學習中，作為用於判斷將來能夠取得的回報量的基準的信息，智能體獲得觀測到的狀態st、行為at、回報rt+1的映射。例如，設在各時刻能夠取得的狀態個數為m，能夠取得的行為個數為n，則通過反覆執行行為，能夠獲得存儲針對狀態st與行為at的組的回報rt+1的m×n二維陣列。

然後，基於上述得到的映射，使用表示當前狀態和行為有多好的函數即價值函數(評價函數)，在反覆執行行為的過程中更新價值函數(評價函數)，從而學習針對狀態的最佳行為。

狀態價值函數是表示某狀態st是多好的狀態的價值函數。狀態價值函數表現為以狀態為自變量的函數，在反覆執行行為的過程中的學習中，基於針對某狀態下的行為得到的回報、因該行為而變化的未來狀態的價值等進行更新。狀態價值函數的更新式根據強化學習的算法來定義，例如，在強化學習算法之一的TD學習中，狀態價值函數由以下的式1來定義。在式1中，α為學習係數，γ被成為折扣率，以0＜α≤1，0＜γ≤1的範圍來定義。

【式1】

V(st)←V(st)+α[rt+1+γV(st+1)-V(st)]

另外，行為價值函數是表示在某狀態st下行為at是多好的行為的價值函數。行為價值函數表現為以狀態和行為為自變量的函數，在反覆執行行為的過程中的學習中，基於針對某狀態下的行為得到的回報、因該行為而變化的未來狀態下的行為價值等進行更新。行為價值函數的更新式根據強化學習的算法來定義，例如，在作為代表的強化學習算法之一的Q學習中，行為價值函數由以下的式2來定義。在式2中，α為學習係數，γ被稱為折扣率，以0＜α≤1，0＜γ≤1的範圍來定義。

【式2】

另外，對於存儲作為學習結果的價值函數(評價函數)的方法，除了使用近似函數的方法、使用陣列的方法以外，例如在狀態s取較多的狀態這樣的情況下，還使用以狀態st、行為at為輸入、輸出價值(評價)的多值輸出的SVM、神經網絡等有教師學習器的方法等。

然後，在上述(2)的行為選擇中，使用利用過去的學習而作成的價值函數(評價函數)來選擇在當前狀態st下到將來時的回報(rt+1+rt+2+…)為最大的行為at(在使用狀態價值函數的情況下，是用於向價值最高的狀態變化的行為，在使用行為價值函數的情況下，是在該狀態下價值最高的行為)。另外，在智能體的學習中以學習的進展為目的，也有在(2)的行為選擇時以一定的概率選擇隨機行為的情況(ε貪婪算法)。

這樣，通過反覆進行(1)～(5)，學習得到推進。在某環境下學習完成後，即使智能體被放置於新環境的情況下，也能夠通過進行追加學習來推進學習，以適應該環境。因而，像本發明這樣應用智能體決定利用線放電加工機加工被加工物的加工條件的調整，從而即使在被加工物的設置位置發生變更、或者智能體被應用於新的線放電加工機的情況下，也能夠在過去的對調整加工條件的學習的基礎上，進行新環境的追加學習，由此智能體能夠在短時間內進行對調整加工條件的學習。

另外，在強化學習中，通過將多個智能體經由網絡等連接起來形成系統，在智能體之間共享狀態s、行為a、回報r等信息來利用各智能體的學習，從而各智能體能夠進行將其他智能體的環境也考慮在內地進行學習的分散強化學習，這樣，能夠進行高效率的學習。在本發明中，也能夠通過在將控制多個環境(線放電加工機)的多個智能體(機械學習器)經由網絡等連接起來的狀態下進行分散機械學習，而高效地進行利用線放電加工機加工被加工物的加工條件調整的學習。

另外，作為強化學習的算法，公知有Q學習、SARSA法、TD學習、AC法等各種方法，作為適用於本發明的方法可以採用任一種強化學習算法。另外，各強化學習算法是公知的，因此本說明書省略了對各算法的詳細說明。

以下，基於具體的實施方式對導入有機械學習器的本發明的線放電加工機進行說明。

＜2.實施方式＞

圖4是表示本發明的一實施方式的導入有機械學習器的線放電加工機的與調整加工條件的機械學習有關的示意圖。在本發明中，機械學習器作為加工條件調整裝置來動作。另外，在圖4中僅示出了本實施方式的線放電加工機的機械學習的說明所必需的結構。

在本實施方式中，作為機械學習器20用於確定環境(在＜1.機械學習＞中說明的狀態st)的信息，將成為加工對象的被加工物的板厚、被加工物的材質、加工所用的金屬線的金屬線直徑、表示將金屬線張緊架設的上下線嘴(nozzle)與被加工物之間的距離的線嘴間隙等環境信息，線放電加工機的各軸的坐標值即位置信息，以及加工被加工物時測量出的實際電壓值、實際電流值、加工速度、放電次數、加工液的液壓、以及發生短路/斷線等加工信息輸入到機械學習器20。這些各值是從線放電加工機1的各部分取得的數據、以及從控制部10、加工電源2取得的數據。

在本實施方式中，關於機械學習器20向環境輸出的內容(在＜1.機械學習＞中說明的行為at)、即輸出數據，將線放電加工機在加工時的極間電壓的電壓值、施加時間、暫停時間、加工液的供給量等加工條件的調整作為輸出數據。

另外，在本實施方式中，作為給予機械學習器20的回報(在＜1.機械學習＞中說明的回報rt)，採用與電壓值、電流值、加工速度值的基準值數據的接近或者背離(正回報、負回報)、發生短路/斷線(負回報)等。

對於電壓值、電流值、加工速度值的基準值數據，在開始加工之前，基於設定好的加工條件來預先決定理論上的電壓值、電流值、加工速度值的基準值數據。另外，對於基於哪個數據決定回報，也可以是操作人員適當設定。

另外，在本實施方式中，機械學習器20基於上述的輸入數據、輸出數據、回報來進行機械學習。在機械學習中，在某時刻t，利用輸入數據的組合定義狀態st，針對定義好的狀態st進行的加工條件的調整成為行為at，然後，利用行為at進行了加工條件的調整，基於作為進行加工條件的調整的結果而新得到輸入數據評價計算得出的值成為回報rt+1。這些狀態st、行為at及回報rt+1如在＜1.機械學習＞中說明的那樣，通過應用與機械學習的算法相應的價值函數(評價函數)的更新式來推進學習。

以下，基於線放電加工機1的功能框圖來進行說明。

圖5是本實施方式的線放電加工機的功能框圖。本實施方式的線放電加工機1是這樣的加工機：具有使支承金屬線的上下線嘴和載置被加工物的工作檯相對移動的多個軸，利用由上下線嘴支承的金屬線與被加工物之間的電位差產生的放電，來對被加工物進行加工。另外，上述各構成是線放電加工機的一般構成，對本發明的機械學習的動作的說明不是特別需要，因此在本說明書中省略了詳細說明。線放電加工機1包括：加工電源2，其控制向金屬線與被加工物之間施加的電壓；控制部10，其基於程序等對線放電加工機1的包括各軸、加工電源2在內的整體進行控制，並且從線放電加工機1的各部分取得加工狀況等數據；以及機械學習器20，其是進行機械學習的人工智慧。若將圖5所示的構成與圖3所示的強化學習中的要素對比，則機械學習器20與智能體相對應，包括線放電加工機1所具有的軸、控制部10等的整體與環境相對應。

控制部10對從未圖示的存儲器讀出的程序進行解析，基於作為解析結果獲得的控制數據來控制線放電加工機1的軸，進行被加工物的加工。在通常的線放電加工機中，基於由操作者等設定而存儲於環境信息存儲部11的金屬線直徑、被加工物板厚、材質、線嘴間隙等環境信息的設定值、存儲於加工條件存儲部12的極間電壓的電壓值、施加時間、暫停時間、加工液的供給量等加工條件的設定值等，控制部10對加工電源2進行控制，但是，在本發明中，對於加工條件，機械學習器20根據存儲於加工條件存儲部12的加工條件的設定值進行基於學習結果的加工條件的調整，基於該調整結果，控制部10對加工電源2進行控制。

另外，控制部10從設於線放電加工機1的各構成收集加工狀態數據，並將其與存儲於環境信息存儲部11的環境信息、存儲於加工條件存儲部12的加工條件的設定值一起通知給機械學習器20。作為加工狀態的數據，能夠列舉出線放電加工機1的各軸的坐標值即位置信息、以及加工被加工物時測量出的實際電壓值、實際電流值、加工速度值、放電次數、加工液的液壓、以及發生短路/斷線等加工信息等。

進行機械學習的機械學習器20包括狀態觀測部21、狀態數據存儲部22、回報條件存儲部23、回報計算部24、加工條件調整學習部25、學習結果存儲部26、加工條件調整部27。機械學習器20可以設於線放電加工機1內，也可以設於線放電加工機1之外的計算機等。

狀態觀測部21是藉助控制部10觀測線放電加工機1的加工狀態的數據、並將其取到機械學習器20內的功能單元。加工狀態的數據是上述的金屬線直徑、被加工物板厚、材質、線嘴間隙等環境信息、線放電加工機的各軸的坐標值即位置信息、以及加工被加工物時測量出的實際電壓值、實際電流值、加工速度值、放電次數、加工液的液壓、以及發生短路/斷線等加工信息等。

狀態數據存儲部22是輸入並存儲加工狀態的數據、將存儲的該加工狀態的數據向回報計算部24、加工條件調整學習部25輸出的功能單元。輸入的加工狀態的數據可以是在最新的加工運轉中取得的數據，也可以是過去的加工運轉中取得的數據。另外，狀態數據存儲部22也能夠輸入並存儲或者輸出在其他線放電加工機1、集中管理系統30中存儲的加工狀態的數據。

回報條件存儲部23是用於存儲由操作者等設定好的機械學習中給予回報的條件的功能單元。在本實施方式中，回報條件存儲部23除了存儲設定好的給予回報條件之外，還存儲有基於控制部10所具有的加工條件存儲部12中設定好的加工條件而獲得的理論上的電壓值、電流值、加工速度值的基準值數據。回報有正回報和負回報，能夠適當設定。

向回報條件存儲部23的輸入也可以從集中管理系統30所使用的計算機、平板終端等進行，但是通過設定為能夠藉助線放電加工機1所具有的未圖示的MDI設備進行輸入，能夠更簡便地進行設定。

回報計算部24基於在回報條件存儲部23設定好的條件對從狀態觀測部21或者狀態數據存儲部22輸入的加工狀態的數據進行分析，並將計算出來的回報向加工條件調整學習部25輸出。

以下，示出了在本實施方式的回報條件存儲部23設定的回報條件的例子。

[回報1：實際電壓值、實際電流值、加工速度值與基準值數據的接近或者背離(正回報、負回報)]

在加工被加工物時測量出的極間的實際電壓值、實際電流值、加工速度(金屬線與被加工物的相對移動速度)的各值由於上次的加工條件的調整(時刻t－1的加工條件的調整)而接近作為基準值數據設定的實際電壓值、實際電流值、加工速度值的情況下，與其接近程度相應地給予正回報。

另一方面，在值由於上次的加工條件的調整而背離作為基準值數據設定的實際電壓值、實際電流值、加工速度的情況下，與其背離程度相應地給予負回報。

在算出回報時，也可以針對實際電壓值、實際電流值、加工速度各自的接近量以及背離量來對各值加權。另外，也可以根據與基準值數據數值之差來變更加權方法。

[回報2：發生短路/斷線(負回報)]

在利用線放電加工機1加工被加工物的過程中，發生短路或者斷線的情況下，給予負回報。

加工條件調整學習部25基於包括輸入數據等在內的加工狀態的數據、自身進行的線放電加工機1的加工條件的調整結果、以及在回報計算部24計算出的回報來進行機械學習(強化學習)。

這裡，在加工條件調整學習部25進行的機械學習中，利用某時刻t下的加工狀態的數據的組合來定義狀態st，與定義好的狀態st相應地決定加工條件的調整量成為行為at，由後述的加工條件調整部27進行從加工條件存儲部12取得的加工條件的調整，並輸出該調整結果，然後，基於調整好的加工條件來控制線放電加工機1的加工電源2，進行被加工物的加工，基於作為加工結果獲得的數據，由所述回報計算部24計算出的值成為回報rt+1。對於學習所用的價值函數，根據應用的學習算法來決定。例如，在使用Q學習的情況下，通過按照所述式2更新行為價值函數Q(st，at)，來推進學習即可。

利用圖6的流程圖說明加工條件調整學習部25進行的機械學習的流程。

[步驟SA01]在機械學習開始時，狀態觀測部21取得線放電加工機1的加工狀態的數據。

[步驟SA02]加工條件調整學習部25基於狀態觀測部21取得的加工狀態的數據確定當前狀態st。

[步驟SA03]加工條件調整學習部25基於過去的學習結果和在步驟SA02確定的狀態st來選擇行為at(加工條件的調整)。

[步驟SA04]執行在步驟SA03選擇的行為at。

[步驟SA05]狀態觀測部21取得表示線放電加工機1的狀態的加工狀態的數據。在該階段，線放電加工機1的狀態隨著從時刻t向時刻t+1的時間上的推移，因在步驟SA04執行的行為at而變化。

[步驟SA06]回報計算部24基於在步驟SA05取得的評價結果的數據算出回報rt+1。

[步驟SA07]加工條件調整學習部25基於在步驟SA02確定的狀態st、在步驟SA03選擇的行為at、在步驟SA06算出的回報rt+1推進機械學習，向步驟SA02返回。

返回到圖5，學習結果存儲部26存儲加工條件調整學習部25學習的結果。並且，在加工條件調整學習部25再使用學習結果時，將存儲的學習結果向加工條件調整學習部25輸出。對於學習結果的存儲，如上述那樣，可以利用近似函數、陣列或者多值輸出的SVM、神經網絡等有教師學習器等存儲與利用的機械學習算法相對應的價值函數。

另外，也可以向學習結果存儲部26輸入並存儲其他線放電加工機1、集中管理系統30存儲的學習結果，或者將學習結果存儲部26存儲的學習結果輸出給其他線放電加工機1、集中管理系統30。

加工條件調整部27基於加工條件調整學習部25學習的結果和當前的加工狀態的數據決定加工條件的調整量。這裡所說的加工條件的調整量的決定與機械學習中使用的行為a相當。對於加工條件的調整，例如，也可以是，準備能夠選擇構成加工條件的各參數的變更量的組合的行為(行為1：電壓值＝－5％，行為2：施加時間＝+1％，…)，基於過去的學習結果選擇將來能夠獲得最大回報的行為，另外，也可以準備對多個加工條件的項目同時調整的行為。此外，也可以採用上述ε貪婪算法，以預定的概率選擇隨機行為，從而謀求加工條件調整學習部25的學習的進展。

之後，加工條件調整部27基於決定出的加工條件的調整量調整從加工條件存儲部12取得的加工條件，將作為調整結果的加工條件設定給加工電源2。之後，基於加工條件調整部27調整後的加工條件，利用控制部10進行加工電源2的控制。

之後，再次利用機械學習器20取得當前的線放電加工機1的狀況，使用輸入的加工狀態的數據反覆進行學習，從而能夠得到更優的學習結果。

這樣，作為機械學習器20學習的結果，在利用線放電加工機1加工被加工物的過程中進行了與加工狀態相應的加工條件的調整的階段，完成機械學習器20的學習。

在使用上述學習完成後的學習數據而實際利用線放電加工機進行加工時，也可以是，機械學習器20不進行新的學習而是直接使用學習完成時的學習數據使線放電加工機反覆運轉。

並且，也可以是，將學習完成後的機械學習器20(或者，將其他的機械學習器20的已完成的學習數據複製到學習結果存儲部26的機械學習器20)安裝於其他線放電加工機1，直接使用學習完成時的學習數據使其他線放電加工機1反覆運轉。

而且，也可以是，將學習完成後的機械學習器20以保持其學習功能有效的狀態安裝於其他線放電加工機1來繼續進行被加工物的加工，從而進一步學習每個線放電加工機的不同的個體差異、長年變化等，對於該線放電加工機，能一邊探索更好的加工條件的調整一邊進行運轉。

也可以是，線放電加工機1的機械學習器20單獨地進行機械學習，但是若多個線放電加工機1還分別具有與外部通信的通信手段，則可以將各線放電加工機1的狀態數據存儲部22存儲的加工狀態的數據、學習結果存儲部26存儲的學習結果通過收發來共享，能夠更高效地進行機械學習。

例如，在使加工條件在預定的範圍內變動來進行學習時，多個線放電加工機1一邊在預定的範圍內分別變動不同的調整量進行加工，一邊在各線放電加工機1之間進行加工狀態的數據、學習數據的交換來並行地推進學習，由此能夠高效地學習。

這樣，在多個線放電加工機1之間交換數據時，通信可以經由集中管理系統30等的主計算機進行，也可以線放電加工機1彼此直接進行通信，還可以使用雲端，但是由於有處理大量數據的情況，因此優選使用通信速度儘量快的通信手段。

以上，對本發明的實施方式進行了說明，但是本發明並非局限於上述實施方式的例子，還可以通過進行適當的變更而以各種形態來實施本發明。