[0086] なお、研削品質データ生成部40は、第一実施形態の機械学習装置100に設けられる実測データ生成部30と同一構成を有する。つまり、機械学習装置200は、第一実施形態の機械学習装置100において、実測データ生成部30により生成され、実測データ取得部120により第二実測データとして取得されていたデータを、研削品質データとして用いる。[0087] そして、研削品質データ生成部40により生成される研削品質データには、表面性状データ(表面粗さ等のデータ)、びびり模様データ、真円度データ等が含まれる。例えば、真円度との相関性が高い第三次データD31,D32が得られる場合に、当該第三次データD31,D32は、真円度測定器による測定結果の代わりに、真円度データとして用いることができる。また、びびり模様の有無との相関性が高い特定周波数データD11,D21が得られる場合に、当該特定周波数データD11,D21は、びびり検出器による検出結果の代わりに、びびり模様データとして用いることができる。つまり、機械学習装置200は、研削品質データ生成部40により生成された研削品質データを、表面性状測定器、びびり検出器、真円度測定器から得られる表面性状データ、びびり模様データ、真円度データの代わりに用いることができる。[0088] ここで、図8を参照して、研削盤1の機外に設けられた外部装置2により検出された研削品質データと、加速度センサ17eにより出力された波形データから生成された第二次データD2との比較結果を説明する。図8に示す上のグラフは、一の工作物Wに対し、外部装置2により検出された研削品質データを示し、図8に示す下のグラフは、第二次データD2を示す。図8において、横軸は、周波数成分を示し、縦軸は、変位成分を示す。[0089] 図8に示すように、第二次データD2の波形データは、特徴が振幅の大きさとして示される周波数帯域、および、当該周波数帯域における変位成分の程度が近似する。そこで、機械学習装置200は、第二学習フェーズ201において、研削品質データの一部を研削品質データ生成部40から取得する。これにより、機械学習装置200は、全ての研削品質データを外部装置2から取得する場合と比べて、機外での研削品質データの取得に要する時間を短縮できるので、サイクルタイムの短縮を図ることができる。[0090] (2−3.機械学習装置200の第二学習フェーズ201の詳細構成)図7に戻り、機械学習装置200の第二学習フェーズ201の詳細構成を説明する。機械学習装置200の第二学習フェーズ201の構成は、第一入力データ取得部130と、研削品質データを取得する研削品質データ取得部140と、第二学習モデル生成部250と、第二学習モデル記憶部260とを備えて構成される。第二学習モデル生成部250は、第一実施形態における第一学習モデル生成部150と同一構成であり、第二学習モデル記憶部260は、第一実施形態における第一学習モデル記憶部160と同一構成である。