Haberler

Home/Haberler/Ayrıntılar

Sıcak haddeleme makinesinin çalışma prensibinin kapsamlı bir analizi

I. Sıcak haddeleme sürecine genel bakış
Sıcak haddeleme makinesi, yüksek sıcaklıklarda (tipik olarak 900- 1250 derece) çelik kütüklerin sürekli plastik deformasyonuna uğrayan bir çekirdek ekipmandır. Çalışma prensibi üç ana aşama olarak özetlenebilir: "Isıtma - Rolling - Kontrollü soğutma". Soğuk haddeleme ile karşılaştırıldığında, sıcak yuvarlanma metal deformasyon direncini önemli ölçüde azaltabilir ve büyük boyutlu çeliğin verimli üretimini sağlayabilir.
İi. Temel çalışma süreci
Isıtma aşaması
Sürekli döküm kütlesi, aşamalı bir ısıtma fırında östenit dönüşüm sıcaklığının üstüne eşit olarak ısıtılır, iç stresi ortadan kaldırır ve plastisiteyi optimize eder. Modern ısıtma fırınları hava için akıllı kontrol sistemleri kullanır - yakıt oranı, enerji tüketimini%15-20 oranında azaltır.
Kaba haddeleme işlemi
4-6 evrensel haddeleme değirmenlerinden oluşan, dikey ve yatay ruloların bir kombinasyonu ile çelik kütük kalınlığını 1/3 hedef değerine sıkıştırır. ± 0.5mm içinde kalınlığın kesin kontrolünü sağlamak için dinamik değişken spesifikasyon teknolojisi (DSC) benimsenmiştir.
İnce haddeleme sistemi
Hidrolik AGC Kalınlık Otomatik Kontrol Sistemi ile donatılmış 7 standartlı bir sürekli haddeleme ünitesi kullanır. Son haddeleme sıcaklığı, 5-15 μm aralığında östenit tane boyutunu sağlamak için 850 ± 20 derece sıkı bir şekilde kontrol edilir.
Katmanlı soğutma
Ultra - Hızlı Soğutma (UFC) teknolojisi yoluyla, taşıma silindiri bölümünde 20-30 derece /s'lik bir soğutma oranı elde edilir ve faz transformasyon yapısının oranını tam olarak kontrol eder.
III. Anahtar Teknik Özellikler
Plaka şekli kontrolü: Bükme rulolarının ve vites değiştirme rulolarının kombine bir teknolojisini benimseyen plaka şekli yeterlilik oranı% 98'in üzerine çıkarılır
Sıcaklık telafisi: sıcaklık dalgalanmaları ± 10 derece içinde kontrol edilen çift kızılötesi sıcaklık ölçümü ve model tahmini ikili sistemleri
Akıllı Haddeleme: Endüstriyel büyük verilere dayanarak, Self - Öğrenme modelleri, yuvarlanma kuvveti tahmin hatası elde etmek için kullanılır.<3%