A forró gördülőgép működési elve átfogó elemzése

I. A forró gördülési folyamat áttekintése
A forró gördülőgép egy olyan alapvető berendezés, amely magas hőmérsékleten (általában 900 - 1250 fokos) folyó műanyag deformáción megy keresztül. Munka alapelve három fő szakaszként foglalható össze: "Fűtés - Rolling - kontrollált hűtés". A hideghengereléshez képest a forró gördülés jelentősen csökkentheti a fém deformációs ellenállását és elérheti a nagy méretű acél hatékony termelését.
Ii. Alapvető munkafolyamat
Fűtési szakasz
A folyamatos öntési tuskát egyenletesen melegítik az austenit transzformációs hőmérséklete fölé egy lépésenkénti fűtési kemencében, kiküszöbölve a belső feszültséget és optimalizálva a plaszticitást. A modern fűtési kemencék intelligens vezérlőrendszereket használnak a levegőhez - üzemanyag-arányhoz, csökkentve az energiafogyasztást 15-20%-kal.
Durva gördülési folyamat
A 4-6 univerzális gördülő malomból áll, és az acél tuskás vastagságát 1/3-os célértékre tömöríti a függőleges és vízszintes tekercsek kombinációján keresztül. A dinamikus változó specifikációs technológiát (DSC) alkalmazzák a vastagság pontos ellenőrzésének elérése érdekében ± 0,5 mm -en belül.
Finom gördülő rendszer
Hidraulikus AGC vastagságú automatikus vezérlőrendszerrel felszerelt 7-es folyamatos gördülő egységet használ. A végső gördülési hőmérsékletet szigorúan 850 ± 20 fokon szabályozzuk, hogy az austenit szemcseméret 5-15 μm tartományban legyen.
Rétegelt hűtés
Az Ultra - gyors hűtés (UFC) technológián keresztül 20-30 fok /s hűtési sebességet érnek el a szállítóhenger szakaszában, pontosan szabályozva a fázis-transzformációs szerkezet arányát.
Iii. Legfontosabb műszaki jellemzők
Lemez alakszabályozás: A hajlítógörgők és a váltóhengerek kombinált technológiájának elfogadása, a lemez alakú képesítési sebessége több mint 98% -ra növekszik
Hőmérséklet -kompenzáció: Az infravörös hőmérséklet -mérés kettős rendszerei és a modell előrejelzése, a hőmérséklet ingadozása ± 10 fokon belül
Intelligens gördülés: Az ipari nagy adatok alapján a self - tanulási modelleket használják a gördülő erő előrejelzési hibájának elérésére<3%