关键词:
剔枝刀
磨损
usui
仿真
遗传算法
摘要:
目前,针对于丛生竹采伐中耗时最长的剔枝环节已开发出机械,但剔枝刀在高速切削中承受冲击和不均匀磨损,对其使用寿命提出了更高的要求。所以如何有效降低刀刃磨损,提高剔枝效率对剔枝生产效益有重要影响。本文的研究内容如下:(1)对竹枝和剔枝刀的物理力学性质进行分析,探究剔枝影响因素,然后建立剔枝过程的力学模型,得出剔枝阻力的表达式。通过以上分析,确定了剔枝刀的刀刃形式、楔角大小、切割方式、刀具材料均会影响剔枝效果。综合本文研究对象,确定刀具材料为65Mn钢,采用单楔面形式、无支撑切割方式进行剔枝。(2)在ABAQUS中构建出剔枝系统仿真模型,以楔角为45°的刀具,在竹枝移动速度(即切割速度)为2m/s的工况下模拟仿真剔枝过程,根据仿真动画以及动力学仿真数据对不同楔角以及不同切割速度的剔枝过程进行了分析,得到了从刀具接触竹枝开始切割,直至竹枝完全断裂的这一过程中,应力分布及变化情况、刀具所受作用力大小及变化情况、功耗的大小及变化情况。利用SPSSUA软件设计正交试验,对基于能耗和刀具应力的影响因素进行线性回归分析,得出相应回归方程。分析可得,能耗值的主要影响因素为切割速度,刀具应力的主要影响因素为刀具楔角。(3)分析造成刀具磨损的相应理论,基于usui磨损模型确立了剔枝刀磨损研究方案,通过正交仿真实验对剔枝刀的磨损率进行分析,得出刀具楔角、切割速度、刃口半径对刀具磨损率影响显著程度依次为:速度>楔角>刃口半径;对正交实验结果进行极差分析得出:刀具磨损率与刀具楔角呈负相关,与刀刃刃口半径和切割速度呈正相关。即通过增大刀具的楔角可以降低刀具的磨损率,而刀具切割速度和刀刃刃口半径增大则会导致磨损率增大。(4)使用MATLAB软件构建BP神经网络,预测剔枝刀刃的磨损率,并通过遗传算法优化BP网络,提高了神经网络预测的准确度。经遗传算法优化后的BP神经网络预测剔枝刀刃磨损率的MAPE(平均绝对百分比误差)达到0.632%。经随机抽取的5组数据验证,该磨损预测模型的误差有3组均小于1%,模型预测状况良好。将GA-BP磨损预测模型导出作为目标函数,通过遗传算法寻优,再对比不同的几种刀具材料的预测磨损值,得出:以Cr12Mo V为剔枝刀材料,在刀具楔角45°、切割速度2m/s、刃口半径0.05mm的参数组合下,刀具磨损率最低。