Journals →  Черные металлы →  2020 →  #3 →  Back

Прокатка и другие процессы ОМД
ArticleName Математическая модель вероятности обрыва полосы при холодной прокатке
ArticleAuthor С. М. Бельский, И. И. Шопин
ArticleAuthorData

ФГБОУ ВО «Липецкий государственный технический университет», Липецк, Россия:
С. М. Бельский, докт. техн. наук, профессор, эл. почта: Belsky-55@yandex.ru
И. И. Шопин,  канд. техн. наук

Abstract

На поздних этапах обработки стального плоского проката из-за нестабильности качественных характеристик подката образуется ряд потерь, о которых неизвестно на ранних этапах. В связи с этим в длинных производственных цепочках выпуска плоского стального проката важную роль играет обратная связь от поздних этапов обработки к ранним. Обратная связь, как правило, включает в себя ужесточение требований к качественным характеристикам подката или параметрам его обработки. В свою очередь, ужесточение требований приводит к росту производственных затрат на ранних этапах обработки. Поэтому в рамках формирования оптимальных требований к подкату в рамках единой производственной цепочки важную роль играет математическое моделирование. Это позволяет количественно оценить величину снижаемых потерь на последних этапах обработки за счет ужесточения требований к подкату, что в конечном счете позволяет принять экономически взвешенное решение о реализации предлагаемых затратных мероприятий по улучшению. Рассмотрен процесс формирования требований к горячекатаному подкату для снижения обрывности при холодной прокатке с помощью метода математического моделирования. Обрыв полосы в процессе холодной прокатки на непрерывном стане приводит к значительным потерям: простоям, связанным с устранением последствий, дополнительному расходу металла, рабочих и опорных валков. Обрыв полосы — относительно редкое событие, имеющее сложный генезис со множеством первопричин, для поиска и устранения которых анализ должен опираться не только на экспертное мнение, но и на статистические инструменты. Обрыв полосы происходит в конкретном месте полосы, что дополнительно усложняет выявление и анализ его первопричин, так как критическое отклонение параметров всего на одном небольшом участке полосы уже может быть причиной последующего обрыва при холодной прокатке. В данной работе сначала методами проверки гипотез и регрессионного моделирования выполнена идентификация влияющих на обрывность ключевых параметров горячекатаных полос. Затем на основе разработанных математических моделей определены пороговые значения для ключевых параметров, выход за которые увеличивает вероятность обрыва полосы.

keywords Тонколистовая горячая и холодная прокатка, профиль поперечного сечения полосы, плоскостность и обрыв полосы, вероятность и бинарная регрессия, прикромочная клиновидность
References

1. Королев А. А. Механическое оборудование прокатных и трубных цехов. — М. : Металлургия, 1987. — 480 с.
2. Шопин И. И., Бельский С. М. Упрощенная модель напряженно-деформированного состояния рулона на моталке // Производство проката. 2016. № 5. С. 13–17.
3. Шопин И. И., Бельский С. М. Слоистая модель напряженно-деформированного состояния рулона на моталке // Производство проката. 2016. № 8. С. 3–7.
4. Bel’skii S. M., Mukhin Yu. A., Mazur S. I., Goncharov A. I. Influence of the cross section of hot-rolled steel on the flatness of cold-rolled strip // Steel in Translation. 2013. Vol. 43. No. 5. P. 313–316.
5. Целиков А. И., Полухин П. И., Гребеник В. М. и др. Машины и агрегаты металлургических заводов. Т. 3. Машины и агрегаты для производства и отделки проката. — М. : Металлургия, 1988. — 680 с.
6. Бельский С. М., Коцарь С. Л., Поляков Б. А. Расчет распределения усилия прокатки по ширине полосы и остаточных напряжений в полосе вариационным методом // Известия высших учебных заведений. Черная металлургия. 1990. № 10. С. 32–34.
7. Predeleanu M., Gilormini P. Advanced methods in materials processing defects // Elsevier Science. 1997. Vol. 45. — 422 p.
8. Rees D. Basic engineering plasticity. An introduction with engineering and manufacturing applications. — Butterworth-Heinemann, 2006. — 528 p.
9. Wilko C. E. Formability. A review of parameters and processes that control, limit or enhance the formability of sheet metal. — Springer, 2011. — 112 p.
10. Shinkin V. N. The mathematical model of the thick steel sheet flattening on the twelve-roller sheet-straightening machine. Message 2. Forces and moments // CIS Iron and Steel Review. 2016. Vol. 12. P. 40–44.
11. Shinkin V. N. Springback coefficient of the main pipelines’ steel largediameter pipes under elastoplastic bending // CIS Iron and Steel Review. 2017. Vol. 14. P. 28–33.
12. Lim Y., Venugopal R., Ulsoy A. G. Process control for sheet-metal stamping process modeling, controller design and stop-floor implementation. — Springer, 2014. — 140 p.
13. Lin J., Balint D., Pietrzyk M. Microstructure evolution in metal forming processes. — Woodhead Publishing, 2012. — 416 p.
14. Banabic D. Multiscale modeling in sheet metal forming. — Springer, 2016. — 405 p.
15. Frank V. Lecture notes in production engineering. — Springer, 2013. — 211 p.
16. Calladine C. R. Plasticity for engineers. Theory and applications. — Woodhead Publishing, 2000. — 328 p.
17. Shinkin V. N., Kolikov A. P. Simulation of the shaping of blanks for largediameter pipe // Steel in Translation. 2011. Vol. 41. No. 1. P. 61–66.
18. Shinkin V. N., Kolikov A. P. Elastoplastic shaping of metal in an edgebending press in the manufacture of large-diameter pipe // Steel in Translation. 2011. Vol. 41. No. 6. P. 528–531.
19. Hingole R. S. Advances in metal forming. Expert system for metal forming. — Springer, 2015. — 116 p.
20. Chakrabarty J. Applied plasticity. — Springer, 2010. — 758 p.
21. Klocke F. Manufacturing processes 4. Forming. — Springer, 2013. — 516 p.
22. Шинкин В. Н. Расчет изгибающих моментов стального листа и реакций опор рабочих роликов при правке на восьмироликовой машине // Черные металлы. 2017. № 4. С. 49–53.
23. Бельский С. М., Шопин И. И. Применение коэффициента седловидности для оценки качества горячекатаной полосы // Черные металлы. 2019. № 9. С. 9–13.
24. Львовский E. Н. Статистические методы построения эмпирических формул. — М. : Высшая школа, 1982. — 224 с.
25. Кобзарь А. И. Прикладная математическая статистика. Для инженеров и научных сотрудников. — М. : Физматлит, 2006. — 816 с.
26. Hastie T., Tibshirani R., Friedman J. The elements of statistical learning. Data mining, inference and prediction. — Springer, 2017. — 745 p.
27. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. Книга 1. — М. : Финансы и статистика, 1986. — 366 с.
28. Rumyantsev M. I. Some approaches to improve the resource efficiency of production of fl at rolled steel // CIS Iron and Steel Review. 2016. Vol. 12. P. 32–36.

Language of full-text russian
Full content Buy
Back