19900

2267 دكتري

دكتري

مكانيك سنگ

اصفهان : دانشگاه صنعتي اصفهان

1403

بيست و دو،217ص. : مصور، جدول، نمودار

1403/08/15

كتابنامه

معدن

مهندسي معدن

1403/08/15

23083466

بخش بزرگي از هزينه ساخت تي‌بي‌ام به مصرف برش ديسك نسبت داده مي‌شود و ارزيابي سطح سايش برش ديسك مي‌تواند به تعيين زمان بهينه براي جايگزيني برش ديسك كمك كند. بنابراين، نياز به نظارت بر سايش برش ديسك در زمان واقعي به‌عنوان يك چالش فني براي تي‌بي‌ام ها پديدار شده است. در اين مطالعه، نظارت بر سايش برش ديسك در زمان واقعي بر اساس سنسورهاي صدا و لرزش توسعه داده شده است. براي اين منظور از ميكروفون و شتاب‌سنج براي ضبط سيگنال‌هاي صوتي و ارتعاشي ناشي از برش سه نوع سنگ با ساييدگي‌هاي متفاوت در مقياس آزمايشگاهي استفاده شد. رابطه بين سايش برش ديسك و سيگنال صدا و ارتعاش با مقايسه اندازه‌گيري‌هاي سايش برش ديسك با نمودارهاي سيگنال براي هر نمونه تعيين شد. ويژگي‌هاي استخراج شده از سيگنال‌ها نشان داد كه سيگنال‌هاي صدا و ارتعاش تحت‌تأثير پيشرفت سايش ديسك در طول فرآيند برش سنگ قرار مي‌گيرند. ويژگي‌هاي سيگنال به‌دست‌آمده از عمليات برش سنگ براي تأييد تكنيك‌هاي يادگيري ماشين استفاده شد. نتايج نشان داد كه روش‌هاي MLP، RS، DT و RF مي‌توانند سطح سايش ديسك كاتر را به ترتيب بادقت 0.89، 0.951، 0.951 و 0.927 پيش‌بيني كنند. بر اساس دقت مدل‌ها و ماتريس سردرگمي، مشخص شد كه مدل زيرفضاي تصادفي (RS) بهترين برآورد را براي پيش‌بيني سطح سايش ديسك دارد. اين تحقيق روشي را توسعه داده است كه به طور بالقوه مي‌تواند تعيين كند كه چه زماني يك ابزار جايگزين شود و سايش ديسك را در زمان واقعي ارزيابي كند.

Large portions of the TBM construction cost are attributed to disc cutter consumption, and assessing the disc cutter's wear level can help determine the optimal time to replace the disc cutter. Therefore, the need to monitor disc cutter wear in real-time has emerged as a technical challenge for TBMs. In this study, real-time disc cutter wear monitoring is developed based on sound and vibration sensors. For this purpose, a microphone and accelerometer were used to record the sound and vibration signals of cutting three different types of rock with varying abrasions on a laboratory scale. The relationship between disc cutter wear and the sound and vibration signal was determined by comparing the measurements of disc cutter wear with the signal plots for each sample. The features extracted from the signals showed that the sound and vibration signals are impacted by the progression of disc wear during the rock cutting process. The signal features obtained from the rock cutting operation were utilized to verify the machine learning techniques. The results showed that the MLP, RS-DT, DT, and RF methods can predict the wear level of the disc cutter with an accuracy of 0.89, 0.951, 0.951, and 0.927, respectively. Based on the accuracy of the models and the confusion matrix, it was found that the random subspace (RS) based DT model has the best estimate for predicting the level of disc wear. This research has developed a method that can potentially determine when to replace a tool and assess disc wear in real-time.

راحب باقرپور

هادي حسيني

سعيد مهدوي , پرويز معارف وند , مجتبي ياري ملك آباد