TBM盘型滚刀不同磨损状态下的切削力预测.docx

《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。