Sveobuhvatna analiza principa rada vrućeg kotrljanja

I. Pregled postupka vrućeg valjanja
Stroj s vrućim valjanjem je osnovna oprema koja se podvrgava kontinuiranoj plastičnoj deformaciji čeličnih gredinica na visokim temperaturama (obično 900 - 1250 stupnjeva). Njegov princip rada može se sažeti kao tri glavne faze: "Grijanje - Rolling - kontrolirano hlađenje". U usporedbi s hladnim valjanjem, vruće kotrljanje može značajno smanjiti otpornost na deformaciju metala i postići učinkovitu proizvodnju čelika velike veličine.
Ii. Temeljni radni postupak
Faza grijanja
Kontinuirana gredina lijevanja ravnomjerno se zagrijava iznad temperature transformacije austenita u stupnju peći za grijanje, eliminirajući unutarnji stres i optimizirajući plastičnost. Moderne peći za grijanje koriste inteligentne upravljačke sustave za zrak - omjer goriva, smanjujući potrošnju energije za 15-20%.
Grubi postupak valjanja
Sastavljen od 4-6 univerzalnih valjanih mlinova, komprimira debljinu čelične gredice do ciljane vrijednosti 1/3 kroz kombinaciju vertikalnih i horizontalnih koluta. Dinamička tehnologija varijabilnih specifikacija (DSC) prihvaća se kako bi se postigla precizna kontrola debljine unutar ± 0,5 mm.
Fini valjani sustav
Koristi kontinuiranu kontinuiranu jedinicu od 7 stajališta, opremljenu automatskim upravljačkim sustavom debljine hidrauličke AGC. Konačna temperatura valjanja strogo se kontrolira na 850 ± 20 stupnjeva kako bi se osigurala veličine zrna austenita u rasponu od 5-15 µM.
Slojevito hlađenje
Kroz Ultra - Brzo hlađenje (UFC) tehnologiju, brzina hlađenja od 20-30 stupnjeva /s postiže se u presjeku valjka, precizno kontrolirajući udio strukture transformacije faze.
Iii. Ključne tehničke značajke
Kontrola oblika ploče: Usvajanje kombinirane tehnologije savijanja i pomičnih valjaka, stopa kvalifikacije oblika ploče povećava se na preko 98%
Naknada temperature: dvostruki sustavi infracrvene mjerenja temperature i predviđanja modela, s fluktuacijama temperature kontroliranih unutar ± 10 stupnjeva
Inteligentno kotrljanje: na temelju industrijskih velikih podataka, self - modeli učenja koriste se za postizanje pogreške predviđanja kotrljanja<3%