轧辊断面对厚扁钢轧制时金属流影响的研究

以前的文献曾指出，对热轧扁钢精度有决定性影响的是板坯断面厚度的不均匀性。而板坯厚度不均匀性取决于钢锭(轧件)在水平轧辊中和在立式轧辊中的变形制度，并取决于水平轧辊磨损的不均匀程度。轧件用立式轧辊变形后，末端会出现“舌头”状的夹层，因为边缘部分的金属既纵向流动又横向流动。用立式轧辊进行压下时，在边缘可以观察到金属既有纵向流动又有沿高度方向的流动，结果在末端形成“鱼尾”状夹层和边缘结疤。     

不锈钢线材热轧过程中温度变化规律的研究

根据传热学原理及Ｙ型三辊轧机热轧特点，分别建立了无冷却液及有冷却液条件下轧件温度变化的数学模型；利用此模型对不锈钢线材实际轧制情况进行了分析研究，探索出轧件温度变化的规律，并得出相关结论。     

成品圆孔型设计的新画法

合理的成品圆孔型设计,应该是偏差损失最小,从而保证可调整的范围最大。只有这样,才能节省调整时间,实现优质高产。 1.成品圆孔型现行常规画法的缺点成品圆孔型现行常规画法的最大缺点之一是偏差损失较大;而计算偏差损失相当繁琐。例如,φ18mm圆孔型,设h=18mm,r=9mm,B=18.5mm,a=30°,s=1.5mm,     

分析轧件流动速度的刚塑性边界单元法

边界单元法作为一种数值方法，具有降低维数、减小计算量及计算精度高等特点，非常适合于有塑性变形问题的分析。本文建立了刚塑性边界单元法，并用该方法计算了平板轧制中轧件的流动速度，验证了中性面的存在，从而证明该方法是有效的。     

热轧带钢粗轧机后防撞引板的设计

为解决热轧带钢生产中粗轧出口轧件因扣头而撞坏机后辊道和导板问题，在轧机和机后第1个辊道之间增设了防撞引板，介绍了该引板的结构、动作原理和使用效果。     

热连轧动态负荷分配系统简介

在国家科技“九五”攻关中，钢铁研究总院、北京自动化研究设计院与宝山钢铁集团公司共同开发了热连轧动态负荷分配系统。以7机架热连轧机为例，状态变量有厚度、板凸度、平直度、张力和温度等，共计34个；控制量有辊缝、速度、弯辊力和轧辊原始凸度(或CVC横移量)等，共28个；轧机参数有轧机刚度和轧机板形刚度(或横向刚度)，独立变量等14个；其他变量还有轧件刚度和轧辊实时变凸度等。     

辊速差对轧件头部弯曲的影响

上、下工作辊线速度不相等会引起变形区中两个工作辊面上的摩擦力不对称，导致变形区形成搓轧状态。基于此状态，导出了快、慢辊的力矩差和两辊面出口侧所受的剪应力差，并阐述了快、慢辊沿轧向错动的情况，进而分析了轧件头部下弯的原因。     

中板轧机轧制压力人工神经网络预报

基于人工神经网络软件Matlab，采用改进的BP(Back Propagation)网络Levenberg-Marquardt训练规则，根据中板轧件入口厚度、出口厚度和宽度、轧辊直径、轧制速度和温度、轧件主要成分等输入参数，优化计算2350中板轧机的轧制压力和力矩。通过该网络的μ参数的自适应调整，提高收敛速度，使2350中板轧机轧制力和力矩的预报精度显著提高。轧制压力的BP网络预报值相对误差小于3％，轧制力矩的BP网络预报值相对误差小于4％。     

基于卷积神经网络与长短期记忆网络的多规格带钢精轧电耗分析预测

能耗数据预报在工业过程中发挥重要作用,产线级的电耗精准预报更是钢铁智能制造背景下的节能降耗热点。针对带钢热轧精轧控制段的多规格轧件电耗预测问题,首先通过皮尔逊(Pearson)相关性分析筛选出影响精轧电耗的主要因素,节约计算时间,然后充分发挥卷积神经网络(convolutional neural network, CNN)与长短期记忆网络(long short-term memory, LSTM)分别在特征提取与数据预测方面的优势,提出了一种基于CNN-LSTM混合神经网络的精轧电耗预测模型并进一步优化。通过利用预处理后的厂级实时数据进行算法验证,均方误差能控制在0.8%以内,表明该方法能对产线级多规格轧件精轧电耗准确预报。     

车底式加热炉过程控制对轧制影响分析及优化

针对轧件头尾上翘、板型差现象展开分析,确定车底式加热炉加热钢坯温度不均匀、头尾温差大是其根本原因。通过采取控制工艺、控制程序及操作模式优化等措施,保证了钢坯加热温度均匀性,使轧件头尾上翘及板型差的现象得到有效控制。