带钢层流冷却过程数值模拟及卷取温度预测分析

结合宝钢2050热连轧层流冷却生产线,建立了带钢层流冷却过程传热数学模型,同时考虑相变潜热对带钢温度的贡献。采用实测的卷取温度,修正了带钢表面换热系数模型,模拟研究了冷却模式、速度、厚度等对卷取温度的影响。结果表明:卷取温度计算值与实测值的标准差小于14℃;相变潜热对卷取温度的贡献为28℃;冷却模式、速度、厚度是影响卷取温度的重要因素;该模型能够满足宝钢2050热连轧层流冷却卷取温度的预报精度,对实际生产具有较好的指导性作用。     

基于BP神经网络的热轧带钢卷取温度预报

 为了提高卷取温度的精度,采用BP神经网络方法并结合大量的现场数据,对热轧带钢层流冷却水冷数学模型中的综合换热系数因子进行预报,将预报结果应用于计算卷取温度的数学模型中,可将卷取温度的计算值控制在目标值的±15 ℃之间,大大提高了卷取温度的精度,具有在线应用的前景。     

板带热连轧温度的预报计算及应用

采用有限差分法，建立了板带热连轧生产过程中温度变化的二维预报模型。用此模型对本钢现场轧制工艺进行了温度变化的解析计算，其结果与实测值相符。在此基础上经过模拟计算，通过回归得到卷取温度的简单预报公式，其预报值与现场实测值吻合甚好。     

人工神经网络在层流冷却卷取温度预报中的应用

针对宝山钢铁（集团）公司2050热连轧层流冷却系统，采用神经网络与数学模型相结合的方法，给出优化的层流冷却对流换热系数，以实现准确地预报卷取温度的目的。结果表明，采用神经网络计算出的对流换热系数后，卷取温度的计算值与实测值的标准差降低了22．84％，效果显著。     

厚带钢卷取温度下限的计算及应用

介绍了厚带钢卷取温度下限的计算方法。实验给出了卷取温度下的变形抗力模型,然后从卷取能力出发分析其与带钢厚度、宽度、卷取温度的关系及计算实例和其实际应用情况     

数据驱动的卷取温度模型参数即时自适应设定算法

为提高热轧换规格首块钢头部卷取温度命中率,采用数据挖掘技术,从历史带钢冷却数据中推断出与实际带钢相匹配的卷取温度模型水冷换热学习系数,并将其应用于模型预设定计算。首先,对冷却特征参数进行识别,按照相对型、绝对型、相等型和策略型四种方式进行定义,并对实际带钢与历史带钢的各项冷却特征参数进行相似距离计算。当历史带钢的总相似距离满足要求时,将其聚类为实际带钢的相似卷,并考虑各相似卷的时间影响,计算相似权重值;随后,基于相似带钢的头部和尾部信息,建立由卷取温度预报误差、偏离学习系数回归值惩罚项和偏离默认值惩罚项等构成的目标函数以及相应的约束条件,采用梯度下降法求解该二次规划问题,通过三次优化逐步计算出学习系数参考值和表征学习系数与带钢速度及目标卷取温度呈双线性关系的两个参数;最后,根据实际带钢的穿带速度、目标卷取温度等冷却条件计算冷却设定所需的学习系数。现场应用表明:基于十万块历史带钢冷却数据驱动的模型参数即时自适应设定算法可增强卷取温度模型对带钢头部冷却的预设定能力,学习系数即时自适应设定能力随着内存中保存的历史带钢冷却数据的多样性和检索出的相似卷数量的增加而提升。      

卷取温度波动实例分析

卷取温度是带钢质量控制的一个关键指标。在实际生产中,影响卷取温度波动的因素很多,需要结合实际进行跟踪分析。本文通过采集具体数据,对卷取温度波动的现象进行了实例分析,对于稳定卷取温度控制,提高带钢质量性能具有重要的借鉴意义。     

卷取温度对Ti-Nb微合金钢微观组织和力学性能的影响

利用试验轧机和热处理炉进行了低碳Ti-Nb微合金钢的模拟轧制和卷取试验，研究卷取温度对微观组织和力学性能的影响。结果表明，随着卷取温度的降低，钢的相变过程逐步由扩散型相变过渡到切变型相变，微观组织由等轴铁素体依次转变为多边形铁素体、粒状贝氏体、板条贝氏体；由于析出强化和相变强化的综合作用，卷取态试验钢强度先降低后升高，延伸率持续降低；卷取过程微合金碳氮化物的析出强化导致卷取态试验钢强度高于空冷态试验钢，且随着卷取温度的降低，卷取态试验钢较空冷态试验钢强度的增量逐步降低；Ti-Nb微合金钢的卷取温度设定在560～630℃时，钢屈服强度744～754 MPa，延伸率19%～20.9%，可获得良好的综合性能。     

DP780QX双相钢CCT曲线分析

以DP780QX双相钢为研究对象，模拟研究了铸坯加热温度、铸坯保温时间、卷取温度、终轧温度等对其相变膨胀总量、膨胀速度、百分比以及抗拉强度的影响规律，并在此基础上进行了生产实践。模拟结果显示，热轧时的铸坯加热温度、铸坯保温时间、终轧温度、卷取温度(约620℃)等均不会对DP780QX热轧板的抗拉强度造成明显的影响；相变在569～456℃即已全部完成，其组织为铁素体+贝氏体，620℃卷取时抗拉强度约820 MPa,发生塌卷的可能性很小。实际生产中DP780QX热轧板强度波动较大的原因可能是热取样时间节点不一致。     

神经网络结合数学模型预测带钢卷取温度

提出了一种与传统数学模型相结合的神经网络建模方法，用于预测热轧带钢的卷取温度。文中以实际生产数据为实例进行了计算，证明效果良好，有在线实际应用的前景。     

Improvement of Prediction Method for Strip Coiling Temperature

Thecoilingtemperatureisoneoftheimportanttechnologicalparametersaffectingthefinalmechani calpropertiesofstrip[1,2 ] .The purposeofcoilingtemperaturecontrolistomakestripcooltorequiredcoilingtemperaturefromhighertemperatureforap propriatemicrostructureandmechanicalproperty .Atpresent ,thecontrolmodelofcoilingtemperatureforBaosteel 2 0 5 0millisaself adaptingempiricalmodel.Thoughthecontrolissatisfactory ,theout of toleranceofcoilingtemperatureisstillobservedinproduction .Itwasconcludedbytheinvest…     

Modelling the Kinetics of Austenite Decomposition in Nb‐Ti‐V Microalloyed Steel after Hot Strip Rolling

In hot strip rolling of Nb‐microalloyed steels the austenite transformation usually starts in the hot run‐out table (HRT) under a high cooling rate and finishes while the strip is coiled, when the cooling rate is much slower. Thus the transformation takes place during a two‐step‐cooling regime. This paper presents a mathematical model able to predict such transformation. The experimental alloy used here was a Nb‐V‐Ti microalloyed steel. The model employs an Avrami type equation associated with the additivity rule. The time constant b in the Avrami equation was expressed as a function of parameters A and B whereas the time exponent n was best modelled as a constant of value 1. Experiments have shown that the constants A and B are linearly dependent. An artificial neural network (ANN) model was used to predict B. The ANN model takes into account the following process variables: austenite deformation applied above the non‐recrystallization temperature (Tnr), deformation applied below Tnr, cooling rate in the HRT, and coiling temperature. From the results it was proposed that the transformation is governed by early site saturation, diffusion being the only operating mechanism. This conclusion was based on the experiment value found for n and on the need of a single temperature dependent parameter, either A or B, to predict the course of the overall austenite transformation.     

卷取带钢速度测量系统的开发

卷取温度（CT）精度是冷却过程控制的核心,而卷取带钢速度是作为热轧带钢CT控制的重要参数。结合某热轧厂CT控制系统的改造,提出了一种卷取带钢速度测量系统。该系统能精确测量卷取带钢的速度,为提高带钢尾部CT的控制精度提供有力保证。     

基于神经网络的热带层流基本热流密度的计算

利用现场的数据，采用BP神经元网络预报热连轧层流水冷区集管组内的基本热流密度，将预报的结果用于上、下集管组的热流密度的数学模型计算，进而优化层冷集管组的水冷温降计算数学模型的精度。将结果与采用多元回归方法所得到的结果作比较，表明采用BP神经元网络计算基本热流密度的精度要高于多元回归方法的计算精度，卷取温度的计算值与实测值的标准差比解析回归方法减少了近20％，说明该方法具有良好的在线应用前景。     

热轧带钢卷取温度控制数学模型

随着市场对热带钢产品要求的不断提高,卷取温度控制变得越来越重要,目前世界各国都在不断改进卷取温度控制的数学模型和控制方法,以满足市场需求。介绍几种热轧带负锩陬温度控制数学模型并进行了分析研究,认为三菱公司的数学模型可以满足高精度控制的要求,是一种较先进的数学模型。     

厚规格热轧带钢高精度卷取温度控制模型

卷取温度是影响带钢组织性能的重要工艺参数.在生产实践中,如何提高厚规格带钢卷取温度的控制精度是一个难点.针对厚规格带钢在层流冷却过程中的工况特点,提出了温度场计算模型和对流换热系数模型的改进方法,并开发了一种全新的基于相似策略的自适应模型,以改善卷取温度前馈控制效果.经现场应用证明,本文提出的方案能有效提高厚规格带钢的卷取温度控制精度,其中厚度大于12 mm的带钢平均命中率可达到94.9%.      

基于面向对象技术的热轧卷取温度模型开发

以面向对象的视角审视热轧带钢轧后冷却过程涉及的轧件、辊道、集管、冷却介质与仪表5要素,对轧件在辊道的传热过程、冷却水量和温度的控制过程进行分析、分解并抽象成类。利用面向对象的方法对卷取温度控制(coiling trmperature control,简称CTC)模型的体系结构进行设计,结合模型的触发逻辑进行对象设计,利用C++语言开发面向对象的卷取温度模型。基于有限差分计算方法的模型设定时间满足在线快速计算的要求,模型具有良好的可移植性和可扩展性。现场应用表明,冷却控制系统运行稳定,模型设定准确,卷取温度控制效果良好。