�������ȹ��̰����ڲ��¶�Ԥ����������֤

 摘 要 本文建立了钢坯在步进梁式加热炉中加热过程的温度模型,采用控制容积法建立钢坯截面的二维传热数学模型,最终预报钢坯横截面温度分布随加热时间的变化规律。炉气与钢坯表面的换热方式主要考虑辐射传热,用Matlab语言编写了温度场的计算机程序。以宽厚板轧机钢坯加热炉“黑匣子”温度测试数据为基础对钢坯温度进行模拟,将模拟温度与实测温度对比后证明模型预报精度较高,基本满足预报要求。     

钢坯加热过程板坯内部温度预报与试验验证

建立了钢坯在步进梁式加热炉中加热过程的温度模型,采用控制容积法建立钢坯截面的二维传热数学模型,最终预报钢坯横截面温度分布随加热时间的变化规律。炉气与钢坯表面的换热方式主要考虑辐射传热,用Matlab语言编写了温度场的计算机程序。以宽厚板轧机钢坯加热炉"黑匣子"温度测试数据为基础对钢坯温度进行模拟,将模拟温度与实测温度对比后证明模型预报精度较高,基本满足预报要求。     

步进梁式加热炉炉温设定策略研究

为了提高钢坯加热质量和加热炉节能降耗,研究了钢坯加热特点,建立了钢坯内部温度场预报模型.利用有限元分析软件模拟了加热炉加热钢坯过程.以钢坯内部温度场模型和有限元分析为依据,把钢坯内部温度场与加热炉温度设定联系起来,再现钢坯内部传热情况和温度场分布,求得钢坯加热炉炉温设定最佳节能策略.该研究为进一步分析钢坯加热参数和加热炉节能控制提供研究手段和参考依据.     

加热钢坯内部温度的计算机模拟

钢坯在加热炉加热时其内部的温度变化是一个重要参数，但目前只能测量钢坯表面温度，无法测量钢坯内部温度。因此，计算机模拟成为一个重要的手段。开发了一针对板坯加热炉的温度模型，并介绍了其应用实例。该模型有助于加热制度的工艺优化。     

钢坯内部温度场动态预报模型及ANSYS分析研究

从能量守恒定律出发,通过有限差分的数值求解法建立了钢坯内部温度场的预报模型;并根据钢坯加热的特点.引入ANSYS有限元分析对钢坯加热过程进行建模分析,再现了钢坯加热过程的钢坯传热情况和温度场分布,为进一步分析钢坯加热参数和加热炉加热制度提供重要研究手段和参考依据,从而实现钢坯加热的温度场预测和控制的目的.     

连铸坯在加热炉内的温度场数值模拟

采用MSC.Marc有限元模拟软件对加热钢坯进行埋偶试验,得出加热炉内部的实际炉气温度,并以此为边界条件。以钢坯入加热炉时的温度为初始条件,建立钢坯在加热炉内的三维温度场模型;计算钢坯在步进式加热炉内的温度场变化情况,得出不同热装温度的钢坯在加热炉内的温度变化;优化实际生产中的加热工艺。该研究为提高工厂生产效率,节约能源起到指导作用。     

紧凑式辊底连续热处理炉计算机优化控制

以钢坯二维传热过程数学模型为基础,开发了紧凑式宽厚板辊底式连续热处理炉计算机优化控制系统。其功能主要包括：钢坯物料跟踪、钢坯温度跟踪、钢坯优化加热控制、钢坯连续及摆动运行控制、钢坯混装炉温优化控制、钢坯温度反馈控制等。采用PCS7控制系统在轧钢厂实现了辊底式热处理炉钢坯生产过程的在线优化控制和管理。经现场实际生产检验,系统运行稳定,模型准确可靠,温度跟踪最大误差1．47％,炉温优化设定值满足热处理工艺要求,热处理钢坯合格率达到98％以上。     

方坯连铸机二冷水控制模型与应用

采用拉速、过热度、钢坯温度调节法控制方坯连铸二冷区水量,控制模型避开铸坯表面温度的直接测量,应用方坯凝固传热数学模型进行计算。以生产厂小方坯连铸机为研究对象,比较了采用不同的二冷水控制方法时控制效果的差异。结果表明,当浇注条件稳定时,采用拉速-水量控制方法可获得较稳定的铸坯表面温度分布,在拉速出现波动时,采用钢坯温度进一步调节水量的动态控制法比拉速、过热度-水量控制法有更好的控制效果。     

钢坯加热升温曲线优化

通过对钢坯在步进式炉内传热过程的分析,采用有限差分方法对钢坯内温度进行数值模拟,用可变容差优化方法建立了钢坯最优加热数学模型。运用该模型可方便地求得热负荷沿炉长的最佳分配,从而达到加热炉的最优工艺,提高加热炉生产率、降低能源消耗。     

富氧燃烧加热炉内钢坯氧化烧损影响因素分析

针对富氧燃烧加热炉内钢坯的氧化烧损问题,基于氧化反应动力学,建立钢坯氧化烧损速率模型,通过模拟计算,逐个分析各操作参数对钢坯氧化的影响规律。结果表明,提高钢坯入炉温度,降低加热终了温度,提高表面升温速率,减少均热时间等均可缩短钢坯在炉时间,降低氧化烧损,提高生产率;随着空气消耗系数及富氧率的增大,钢坯氧化烧损量增加。在保证燃料完全燃烧情况下,可采用较小空气消耗系数,以降低烟气含氧浓度,减少钢坯氧化烧损。     

基于即时学习算法的铸坯质量预测方法

传统铸坯质量预测大多基于全局建模方法,存在自适应能力较差、预测精度不稳定等不足。为此,提出了一种基于即时学习算法的铸坯质量预测方法,主要特征为构建基于即时学习算法的局部模型,以取代传统全局模型,实现建模和预测同时在线进行,更适应于场景复杂、工况多变的连铸生产过程;根据连铸生产数据的时变性特点,在相似度计算中引入时间权重因子,强化样本数据与待测数据的相关性,更有利于提高铸坯质量预测模型精度。以国内某钢厂65号高碳钢铸坯三角区裂纹为例,具体说明即时学习算法在铸坯质量预测局部模型构建中的应用,并与铸坯质量预测全局模型的预测结果进行对比分析及评价。结果表明,基于即时学习算法的局部模型在评价指标上均优于全局模型,全局模型的预测准确率为65%,基于即时学习算法的局部模型准确率提升至90%,进一步阐明基于即时学习算法的局部模型用于铸坯质量预测的有效性。     

基于随机森林和聚类的连铸坯纵裂纹预报方法

纵裂纹是一种常见的铸坯表面缺陷,准确预测铸坯表面纵裂对于提高铸坯质量有着重要意义。针对纵裂纹形成与扩展过程中结晶器热电偶温度在时间、空间上的变化趋势,捕获和提取了热电偶时序温度的典型变化特征,采用随机森林(Random Forest,RF)对捕捉到的特征进行降维,筛选出与纵裂联系密切的相关特征,在此基础上建立了基于K均值(K Means)聚类的纵裂检测模型。结果表明,提出的基于温度时序特征和聚类算法的纵裂预测模型能够正确区分和识别纵裂纹和正常工况样本,将机器学习方法引入连铸过程异常监控提供了新的思路。     

连铸板坯表面纵裂纹预测模型智能化定制方法

钢铁产品制造过程中,在线预测铸坯质量缺陷产生位置,并对存在缺陷的铸坯及时下线清理有助于提升连铸连轧生产稳定性,实现钢铁企业节能减排、绿色化生产。然而,连铸生产过程具有多变量、时变性和多态性等特点,必须结合设备、钢种、缺陷的特性,定制铸坯质量缺陷预测模型,才能够准确预测铸坯质量缺陷。因此,将数据通信技术、人工智能技术、C#与Matlab混合编程技术等相结合,建立了智能化铸坯质量在线判定系统,研究了铸坯质量预测模型智能化定制方法,并以板坯纵裂纹预测模型为例,介绍模型定制过程。研究结果表明,该方法能够辅助工艺工程师针对钢种及缺陷智能化定制预测模型,降低模型开发及优化难度,提高铸坯质量预测模型的可靠性。     

小方坯定尺铸坯在切割后温降模拟

铸坯后期温度的精细模拟和控制对工艺制定和铸坯质量有重要作用。基于传热模型,在边界处理上引进附加换热系数和相对辐射系统,兼顾辐射、对流、导热3种基础传热方式,涵盖描述连铸二冷后影响铸坯温度变化的所有传热细节,满足热送、直送直轧和翻转冷床铸坯温降的预测要求。通过实测和模拟计算表明:铸坯在翻转冷床上的温降速率同温度区间及工况有关,范围在7~14℃/min,相对辐射系数取0.5~0.95,附加换热系数和厂区的通风情况关系较大,取值在5~25范围内;在翻转冷床区域加雾炮可以增大铸坯温降,效果相当于附加换热系数增加20~25。     

基于连铸生产大数据的热轧卷质量预测模型

板坯热送热装或连铸连轧技术逐渐被越来越多的钢厂采用,然而其进一步发展受到连铸坯质量的制约。故针对连铸坯缺陷的有效判断可避免存在质量问题的铸坯进入轧制环节,从而降低额外的能耗。基于对铸坯质量的在线检测困难这一问题,从生产大数据的角度建立了板坯热轧卷的质量预测模型。首先根据正常与缺陷产品高度不平衡的数据特点,提出了相关性分析、不平衡数据随机分类与主成分数据降维三者相结合的数据预处理方法,随后选择GA-BP神经网络算法构建了针对低碳钢、包晶钢和中碳钢的热轧卷质量预测模型。预测模型具有较高的准确率,其中低碳钢模型总体预测准确率达到94.7%,缺陷预测准确率为82.8%;包晶钢模型总体预测准确率达到93.3%,缺陷预测准确率为87.5%;中碳钢模型总体预测准确率为85.4%,缺陷预测准确率为87.3%。最后,基于Python语言编写了热轧卷质量在线预测软件,可对热轧卷质量进行实时预测,方便快速地溯源缺陷发生原因。     

连铸工艺因素对铸坯凝固过程影响的模型研究

建立了武钢连铸板坯凝固传热数学模型，计算凝固过程温度场分布，应用模型探讨了连铸工艺因素对铸坯温度和凝固过程的影响，并提出提高铸坯温度的工艺手段：适当提高拉速、控制二冷喷水量和改善二冷末端冷却方式，能提高铸坯温度，提高浇注过热度对高温出坯不利。     

提高连铸热送板坯温度的传热模型研究

依据板坯连铸机工艺条件,利用铸坯凝固过程传热数学模型计算了铸坯凝固过程温度场分布和坯壳生长情况,并探讨连铸工艺因素对铸坯温度和凝固过程的影响,示例性地提出了提高铸坯温度的工艺手段.     

热轧除鳞系统节能方案

针对热轧除鳞系统普遍存在的能源浪费严重的问题,设计了基于预测模型的变频节能方案,通过板坯位置预测、除鳞时间预测、除鳞水量预测和除鳞泵转速控制,合理利用轧制间歇时间使水泵电机变频降速,模拟计算结果表明,可使除鳞电耗降低23.57%。     

Prediction of influence parameters on the hot rolling process using finite element method and neural network

In the present investigation, a hot rolling process of AA5083 aluminum alloy is simulated using the finite element method. The temperature distribution in the roll and the slab, the stress, strain and strain rate fields, are extracted throughout a steady-state analysis of the process. The main hypotheses adopted in the formulation are: the thermo-viscoplastic behavior of the material expressed by Perzyna constitutive equation and rolling under plane-deformation conditions. The main variables that characterize the rolling process, such as the geometry of the slab, load, rolling speed, percentage of thickness reduction, initial thickness of the slab and friction coefficient, have been expressed in a parametric form giving a good flexibility to the model. The convergence of the results has been evaluated using experimental and theoretical data available in the literature. Since the FE simulation of the process is a time-consuming procedure, an artificial neural network (ANN) has been designed based on the back propagation method. The outputs of the FE simulation of the problem are used for training the network and then, the network is employed for prediction of the behavior of the slab during the hot rolling process.     

基于ANSYS的连铸坯感应加热温度场数值模拟

应用感应加热理论,建立了电磁场与温度场耦合的有限元数学模型,利用大型通用有限元分析软件ANSYS对钢坯的感应加热过程进行了模拟分析,得到了随时间变化的工件温度分布图,并分析了感应加热整个温升过程的特点与影响因素,结果表明,通过调整加热装置的频率、激励电流等工艺参数,可以达到铸坯均温的目的。