《TBM盘型滚刀不同磨损状态下的切削力预测.docx》由会员分享,可在线阅读,更多相关《TBM盘型滚刀不同磨损状态下的切削力预测.docx(3页珍藏版)》请在第一文库网上搜索。
1、TBM盘型滚刀不同磨损状态下的切削力预测提纲:一、研究背景二、TBM盘型滚刀的研究三、不同磨损状态下的切削力特征四、建立TBM盘型滚刀切削力预测模型五、实验与试验结果分析六、结论与展望研究支撑:本文研究的目的是通过建立TBM 盘型滚刀切削力预测模型,研究不同磨损状态下的切削力预测。 在过去几年里,TBM固定刀具在现代采矿技术中起着越来越 重要的作用,对于增强采矿生产效率和改善采矿环境温度具有 重要的意义。然而,TBM固定刀具的高速切削力特性仍然是 一个悬而未决的问题。因此,研究TBM盘型滚刀不同磨损状 态下的切削力预测,显得尤为重要。TBM盘型滚刀:TBM盘型滚刀是TBM固定刀具的重要组成部
2、分,它主要由Manyet-Laminated、SAE52100等高硬度合金钢 制成,具有高强度和高硬度的优点。TBM盘型滚刀的工作方 式是,当它沿着前进方向旋转时,会将矿体轻轻滚动、挤压, 从而将岩体割裂和沿切削表面切削出一道圆柱形切口。然而, 在TBM盘型滚刀长期使用过程中,滚刀头会受到磨损影响, 导致切削能力降低,从而影响TBM钻进效率。切削力预测:因此,研究TBM盘型滚刀不同磨损状态下的切 削力特征,以及利用机器学习技术建立TBM盘型滚刀切削力 预测模型,更精确的预测切削力的大小,将带来新的发展。 TBM盘型滚刀研究:在过去几十年里,TBM固定刀具的研究主要集中在滚刀参数 设计上,例如:
3、位置参数、外形参数、几何尺寸参数、材料参 数和表面处理参数等。此外,TBM固定刀具的切削力也是一 个研究热点,目前主要采用实验室试验和模拟仿真等方式,而 忽略了滚刀磨损状态下的影响。因此,本文利用实验室试验和 机器学习技术,研究不同磨损状态下的TBM盘型滚刀的切削 力特征,以及切削力的变化规律,以便更好的掌握和利用 TBM固定刀具的切削力行为。TBM盘型滚刀的实验研究:针对TBM盘型滚刀切削力的研究, 本文采用实验室试验方法。实验设计如下:选取一把TBM盘 型滚刀,采用恒功率驱动,实验条件为常温20、湿度55%、 50HZ交流电压恒定。在不同磨损状态下,分别采用分解铝合 金和钢材两种工件材料,
4、采集TBM盘型滚刀在切削过程中的 切削力,然后结合实验数据,建立TBM盘型滚刀切削力的预 测模型。TBM盘型滚刀切削力预测: 本文在实验研究的基础上,开发了 TBM盘型滚刀切削力预测 模型。本文采用的是多元回归模型,并在matlab2016a中应用 机器学习工具箱工具进行训练和预测,回归算法包括:广义线 性回归(GLM)、前向逐步回归(FB)、支持向量机(SVM).神经网络(NN)等方法。根据训练结果,预测模 型不仅具有很高的准确度,而且能够更好地捕捉滚刀磨损状态 下切削力变化特征,具有一定的实用性和参考效果。结论: 本文通过实验研究和机器学习技术,探讨了 TBM盘型滚刀的 切削力特征,并建立
5、了切削力预测模型。实验结果表明,随着 滚刀磨损程度的增加,TBM盘型滚刀的切削力明显减小,而 工件材料在切削过程中也会发挥不同的作用。此外,建立的切 削力预测模型能够更好地捕捉不同磨损状态下的切削力变化, 有效提高TBM盘型滚刀的切削力预测精度。未来工作: 本文研究了 TBM固定刀具滚刀的切削力特征和预测模型,但 仍存在局限性。首先,本文采用的实验条件较为简单,只选取 一把TBM盘型滚刀,实验材料仅采用分解铝合金和钢材两种 材料。因此,未来的研究应注重不同滚刀型号、不同材料组合 及不同驱动方式等多种试验条件下的研究,以更准确地捕捉实 际工况中的切削力,更好的预测和优化TBM滚刀的性能。此 外,
6、未来还可以采用其它的机器学习模型,如深度神经网络模 型、随机森林模型和模糊推理模型等,结合实验仿真数据,更 有效地分析和提高TBM固定刀具滚刀的切削力预测能力。综 述:本文研究了 TBM固定刀具滚刀的切削力特征,并提出了一种 新的预测模型。实验结果表明,随着滚刀磨损程度增加, TBM盘型滚刀的切削力呈明显下降趋势,工件材料也会对切 削力变化产生影响。通过机器学习算法的支持,建立的预测模 型不仅准确性很高,而且能够更好地捕捉滚刀磨损状态下的切 削力变化规律,并有效提高预测模型的精度。未来的研究重点 应放在使用不同的模型和条件来更好地捕捉实际工况中的切削 力,以及综合考虑其它因素影响来进行更准确的优化和预测。