How do I call this tool?

POST a JSON-RPC 2.29 tools/call request to https://mackorn.cn/ai/api/mcp.php with name "mackorn_crusher_curve". No installation is required.

Is the model based on published literature?

Yes. The particle-size and flow models are independently implemented from Whiten (1972) and Bond (1952); the implementation is MIT-licensed and auditable. Vendor data comes from MACKORN parameter tables. Every number carries its source; unknown values return null rather than an estimate.

mackorn_crusher_curve — What product size distribution does a cone crusher produce at a given CSS?

What it answers

用 Whiten (1972) 稳态圆锥破模型，由给料分布 + CSS + 偏心距算出产品 P80、破碎比、逐级产品分布与啮合区 K1/K2，并给 Bond (1952) 功耗估算。

Input parameters

Parameter	Type	Description
`css_mm`	number	紧边排矿口 CSS mm（必填）。
`feed_p80_mm`	number	给料 P80 mm（必填；若给了 feed_distribution 则忽略）。
`feed_distribution`	string	给料粒度分布形式（由 P80 拟合）。
`feed_n`	number	Rosin-Rammler 均匀性指数 n（默认 1.1）。
`throw_mm`	number	偏心距（冲程）mm，默认 25。
`throw_factor`	number	啮合区宽度系数（文献典型 0.5-1.0，默认 0.8）。
`speed_rpm`	number	偏心轴转速 rpm（默认 300，影响啮合函数）。
`phi`	number	破碎函数粗粒生成占比（文献典型 0.3-0.6，默认 0.45）。
`gamma`	number	破碎函数粗端指数（文献典型 0.4-1.0，默认 0.7）。
`beta`	number	破碎函数细端指数（文献典型 2.5-5.0，默认 3.5）。
`bond_wi`	number	邦德功指数 kWh/t（不填则按矿石种类取文献典型区间中值）。
`ore`	string	矿石种类（用于取 Bond Wi 文献典型值）。

Worked example (real output, not a mock-up)

Run via: local plugin

Input:

{
  "css_mm": 16,
  "feed_p80_mm": 120,
  "ore": "granite"
}

Output (first fields):

Field	Value
`uncertainty.method`	确定性区间传播 + 平方和开方合成（各参数独立假设）
`uncertainty.calibrated`	false
`uncertainty.point_estimate_mm`	15.12
`uncertainty.interval_mm`	[2 项] [12.54,17.7]
`uncertainty.half_width_mm`	2.58
`uncertainty.sigma_pct`	17.1
`uncertainty.confidence_grade`	B
`uncertainty.grade_note`	区间中等（±10~25%），可用于初步方案与设备预选
`uncertainty.contributions`	[4 项]
`uncertainty.machine_params_not_given`	[2 项]
`uncertainty.caveats`	[5 项] ["以下设备参数未提供，其影响【未计入】上面的误差棒：偏心距（冲程）mm、偏心轴转速 rpm。它们查铭牌即可确定，不属于模型不确定度。","本次计算使用【文献典型参数】，未经现场实测标定 —— 区间反映的是参数不确定度，不是模型误差。","最大不确定度来自「啮合区宽度系数」（贡献 75.9%）。实测标定应优先测它。","要用到正式方案，须提供该工况的给料与产品筛析数据做最小二乘标定（工具 mackorn_calibrate）。"]
`uncertainty.how_to_narrow`	[3 项] ["提供该工况的实测给料筛析与产品筛析 + CSS，调用 mackorn_calibrate 反算 φ/γ/β","提供设备实际偏心距与转速（铭牌或实测）","多工况标定后，区间通常可收窄到 ±10% 以内"]
`css_mm`	16
`throw_mm`	25
`K1_mm`	36
`K2_mm`	0.1
`feed_p80_mm`	121.538
`product_p80_mm`	15.12

How to call it

POST a JSON-RPC 2.0 request to the public MCP endpoint — no installation, no API key:

curl -s https://mackorn.cn/ai/api/mcp.php \
  -H 'Content-Type: application/json' \
  -d '{"jsonrpc":"2.0","id":1,"method":"tools/call",
       "params":{"name":"mackorn_crusher_curve","arguments":{"css_mm":16,"feed_p80_mm":120,"ore":"granite"}}}'

Endpoint: https://mackorn.cn/ai/api/mcp.php · Registry: cn.mackorn/mackorn-cone-crusher · npm: mackorn-cone-crusher

Data sources and limits

Particle-size and flow models are independently implemented from published literature (Whiten 1972; Bond 1952). Vendor parameters come from MACKORN NH/NS tables. Every output carries assumptions[] and warnings[]; unknown values are returned as null, never estimated. Literature parameters must be calibrated against on-site sieve data before use in a formal proposal.

A hydraulic cone crusher is a secondary/tertiary machine: feed above roughly 350 mm is refused.