<Desc/Clms Page number 1>
Die vorliegenden Erfindung beschreibt ein Verfahren zum Ermitteln der zu erwartenden Zunderausbildung auf einem Erzeugungsprodukt, insbesondere ein Mass für die Merkmale Zunderschichtdicke, Zunderschichtzusammensetzung, Zundermorphologie und Zunderhaftbarkeit, bei zumindest einer Erzeugungsstufe eines thermischen Verarbeitungsprozess.
Beispielsweise bei einem Walzprozess geschieht die thermische Formgebung im wesentlichen oberhalb der oberen Umwandlungslinie im Eisen-Kohlenstoff-Diagramm, weshalb das Vormaterial auf Temperaturen im Bereich zwischen 1150 bis 12500 C erwärmt werden muss. Dabei kommt es zwangsläufig zu einer Verzunderung des Materials, der vor jeglichem Verarbeitungsprozess entfernt werden muss, da sonst das Material unbrauchbar wird. Vor dem Eintritt in die Fertigwalzung erfolgt die Entfernung des Zunders mit einer Hochdruckentzunderung. Da die nachfolgenden Walzungen bei entsprechend hohen Temperaturen erfolgen, kommt es auch zwischen den Gerüsten zu einer Nachverzunderung des Warmbandes, die durch gegensteuernde Massnahmen, beispielsweise Unterkühlung der Warmbandoberfläche, so gering wie möglich gehalten wird.
Da die Zun- derausbildung stark temperaturabhängig ist, erfolgt das Zunderwachstum naturgemäss auch auf der Kühlstrecke und dann, insbesondere wegen der langen Zeiten, auch am aufgewickeltem Bund.
Ein thermischer Verarbeitungsprozess wird deshalb günstigerweise so betrieben, dass sich während und zwischen den einzelnen Erzeugungsstufen nur sehr wenig Zunder ausbildet. Aus langwierigen und aufwendigen Versuchsreihen ist es möglich die Betriebsparameter hinsichtlich der Verzunderung zu optimieren. Damit ist es jedoch nicht möglich auf momentane kurzfristige Veränderungen zu reagieren, was die Qualität der Erzeugungsprodukte verringern kann. Wäre die tatsächliche momentane Zunderausbildung bekannt, könnten die Betriebsparameter des Verarbeitungsprozesses den tatsächlichen Bedingungen entsprechend angepasst werden und somit eine kontinuierliche Produktion von gleichwertiger Qualität sichergestellt werden.
Das Ziel der vorliegenden Erfindung ist es daher ein Verfahren anzugeben, mit dem es möglich ist, die zu erwartende Zunderausbildung im Verarbeitungsprozess online und fortlaufend im Voraus zu ermitteln.
Diese Aufgabe ist für die eingangs angeführte Erfindung dadurch gelöst, dass Messdaten aus Erzeugungsbedingungen, wie beispielsweise Temperaturen, Wärmemengen, etc., Im thermischen Verarbeitungsprozess, und/oder Eigenschaften des thermisch bearbeiteten Erzeugungsproduktes, wie beispielsweise Welligkeit, Profil, Lagerplatz, etc., online erfasst werden, dass diese erfassten Messdaten und/oder Eigenschaften einem den thermischen Verarbeitungsprozess und die Zun- derausbildung beschreibenden mathematischen Modell, z. B. ein physikalisches/metallurgisches und/oder ein statistisches und/oder ein künstliches Intelligenz Modell, zugeführt werden und dass mittels diesem mathematischen Modell ein Mass für zumindest ein Merkmal der Zunderausbildung ermittelt wird.
Dadurch, dass die Zunderausbildung berechnet wird können Betriebsparameter des Verarbeitungsprozesses so eingestellt werden, dass die Zunderausbildung ein bestimmtes Mass einnimmt.
Damit kann auf kurzfristige Änderungen im Produktionsprozess sofort reagiert werden, was eine wesentliche Qualitätssteigerung des Erzeugungsproduktes zur Folge hat. Der Verarbeitungsprozess im Ganzen Ist leichter steuerbar und es wird möglich mit den gewonnen Ergebnissen die qualitativ hochwertige Herstellung eines Produktes auch nach einem Verarbeitungsprozess zu belegen.
Zudem Ist es nicht mehr notwendig für jedes Material bzw. jede Matenalgruppe eine aufwendige Versuchsreihe zu fahren um die idealen Betriebsparameter zu bestimmen Weiters kann der Verarbeitungsprozess optimiert werden, wodurch ein geringerer Ressourcenverbrauch, z. B. für eine Entzunderung, und ein höherer Durchsatz erreicht werden kann.
Eine besonders vorteilhafte Erweiterung des Verfahrens erhält man, wenn nach dem thermischen Verarbeitungsprozess zumindest ein Nachbearbeitungsprozess, wie z. B. ein Beizprozess oder ein Streck-Biegeprozess, etc., durchgeführt wird, bestimmte Messdaten im Nachbearbeitungsprozess erfasst werden, diese erfassten Messdaten einem den Nachbearbeitungsprozess beschreibenden mathematischen Modell, z.
B. ein physikalisches/metallurgisches und/oder ein statistisches und/oder ein künstliches Intelligenz Modell, zugeführt wird, das den Nachbearbeitungsprozess beschreibende mathematische Modell in das den Verarbeitungsprozess und die Zunderausbildung beschreibende mathematische Modell eingebunden wird und mittels der zusammengeführten mathematischen Modelle ein Mass für zumindest ein Merkmal der Zunderausbildung ermit-
<Desc/Clms Page number 2>
telt wird. Dadurch wird der ganze Produktionsprozess eines thermischen Erzeugungsproduktes in einem gemeinsamen Modell erfasst, was die zentrale Steuerung des Produktionsprozesses zur
Erreichung gewisser Qualitätsvorgaben des Erzeugungsproduktes erleichtert bzw. erst ermöglicht.
Wenn zumindest ein Merkmal der Zunderausbildung, beispielsweise die Zunderschichtdicke, die Zunderschichtzusammensetzung, die Zundermorphologie oder die Zunderhaftbarkeit, online gemessen wird, können diese Messwerte sehr vorteilhaft im Verfahren verwendet werden. Zum einen können die online erfassten Messwerte zur Verbesserung und/oder Kalibrierung des zugrun- deliegenden mathematischen Modells verwendet werden oder bestimmte zu ermittelnde Teile der
Zunderausbildung können durch die Messwerte ersetzt werden, wodurch sich das mathematische
Modell vereinfacht und die erforderliche Rechenleistung verringert wird.
Ganz besonders vorteilhaft wird als Nachbearbeitungsprozess ein Beizprozess verwendet und die Ergebnisse der Berechnungen zur Zunderausbildung zur Bestimmung von zumindest einem
Parameter des Beizprozesses verwendet. Damit kann ein nachfolgender Beizprozess optimal auf die aktuelle Zunderausbildung eingestellt werden, was die Effektivität des Beizprozess wesentlich erhöht.
Werden anhand der ermittelten Zunderausbildung zumindest ein Betriebsparameter zumindest einer Erzeugungsstufe des Verarbeitungsprozesses oder eines Nachbearbeitungsprozesses so eingestellt, dass bestimmte Zielvorgaben betreffend die Zunderausbildung erreicht werden, kann die Zunderausbildung während des ganzen Verarbeitungsprozesses und Nachbearbeitungsprozes- ses gezielt kontrolliert und gesteuert werden, was gleichmässige Produktionsbedingungen sicher- stellt. Dieses Verfahren kann noch weiter verbessert werden, wenn Prozessdaten von vorangegangenen Verarbeitungsprozesses und/oder Nachbearbeitungsprozessen in die Berechnungen zur Zunderausbildung eingebunden werden.
Eine günstige Betriebweise des Verfahrens ergibt sich, wenn der Betrieb des Verarbeitungs- prozesses und/oder der anschliessenden Nachbearbeitungsprozesse hinsichtlich der Zunderausbildung des Erzeugungsproduktes optimiert wird. Beispielweise kann der Produktionsprozess so gesteuert werden, dass im Verarbeitungsprozess und in nachgeschalteten Nachbearbeitungsprozessen eine minimale Zunderausbildung entsteht, was notwendige Zwischenschritte, wie die Entzunderung, vereinfacht und verkürzt.
Das Verfahren kann sehr vorteilhaft erweitert werden, wenn bestimmte Zunderfehler am Erzeugungsprodukt mit einem Oberflächeninspektionsgerät erfasst werden, diese Zunderfehler mit Betriebsparametern des Verarbeitungsprozesses, bzw. Nachbearbeitungsprozesses, und/oder physi- ka) isch/meta) iurgischen Grössen und/oder anlagenspezifischen Parametern zugeordnet werden und diese Betriebsparameter und/oder physikalisch/metallurgischen Grössen und/oder anlagenspezifischen Parameter im Betrieb des Verarbeitungsprozesses, bzw. Nachbearbeitungsprozesses, ausgeschlossen werden. Dadurch ist es möglich gezielt bestimmte Zunderfehler von vornherein zu vermeiden, was wiederum die Effektivität des Produktionsprozesses und die Qualität des Endproduktes erhöht.
Besonders vorteilhaft werden die mathematischen Modelle des Warmwalzprozesses und der Verarbeitungsprozesse auf einem Prozessrechner implementiert. Ganz besonders günstig ist es, wenn die mathematischen Modelle so implementiert werden, dass die zugrundeliegenden Modelle mittels Daten von Zunderproben kontinuierlich an die aktuellen Produktionsbedingungen angepasst werden können.
Besonders vorteilhaft ist es, wenn die Ergebnisse der Ermittlung zur Zunderausbildung in einzelnen Erzeugungsstufen des Verarbeitungsprozesses oder in Nachbearbeitungsprozessen zur Prozesssteuerung und/oder Prozessoptimierung des Verarbeitungsprozesses oder Nachbearbeitungsprozesses verwendet werden. Dies unterstützt wiederum den Produktionsprozess und stellt ein qualitativ hochwertiges Erzeugungsprodukt sicher.
Besonders vorteilhaft wird das Verfahren bei einem Walzprozess und gegebenenfalls einem Nachbearbeitungsprozess, insbesondere einem Beizprozess und einer Coil-Behandlung, angewandt.
Die Erfindung wird anhand der folgenden schematischen, beispielhaften und nicht einschränkenden Figur 1 beschrieben. Die Fig. 1 zeigt schematisch die Stufen eines thermischen Verarbei- tungsprozesses VP mit angeschlossenen Nachbearbeitungsprozessen NP, sowie deren Einbindung in ein den thermischen Verarbeitungsprozess VP und den Nachbearbeitungsprozess NP
<Desc/Clms Page number 3>
beschreibendes mathematisches Modell M.
Im vorliegenden Ausführungsbeispiel wird die Erfindung nicht einschränkend am Beispiel eines Warmwalzprozesses, zur Herstellung von Blechen, Drähten, Bändern, etc., beschrieben. Der Warmwalzprozess wird in Fig. 1 grob durch vier Erzeugungsstufen, die Erwärmung E, die Entzunderung Z, das Walzen W und die Bandkühlung K dargestellt. In jeder Erzeugungsstufe werden bestimmte Erzeugungsbedingungen erfasst. Während der Erwärmung E z. B. bestimmte Zeiten t, Temperaturen T, Gase G, etc., bel der Entzunderung Z z. B. Drücke p, Strahlwinkei a, Wassermengen VH20, etc., beim Walzen W z. B. Kräfte F, Stichabnahmen s, Kühlmengen Qcooh etc. und beim Bandkühlen K z. B. Kühlmengen Qcooh Schaltzeiten Ìs, Temperaturen T, etc.
Im Anschluss an den Warmwalzprozess sind In diesem Beispiel noch zwei Nachbearbeitungsprozesse NP, eine CoilBehandlung C, beispielsweise eine Streck-Biegeeinrichtung, und ein Beizprozess B, vorgesehen Von diesen beiden Nachbearbeitungsprozessen NP werden ebenfalls bestimmte Messwerte 2, wie
EMI3.1
sche Zusammensetzung %C, %Mn, etc., erfasst.
Diese Messdaten 2 werden allesamt einem mathematischen Modell M, welches sowohl den Warmwalzprozess als auch die Nachbearbeitungsprozesse NP modelliert, zugeführt. Dieses mathematische Modell M kann ein physikalisch/metallurgisches und/oder ein statistisches und/oder ein künstliches Intelligenz Modell sein.
Für den Warmwalzprozess gibt es unterschiedliche Modelle, die verwendet werden können.
Ein geeignetes mathematisches Modell M für einen Warmwalzprozess kann z. B. der WO 98/18970 entnommen werden.
Die Zunderausbildung z kann beispielsweise durch folgende Beziehungen modelliert werden.
Für das Zunderwachstum der einzelnen Phasen i (Wüstit, Hämatit und Magnetit) wird bei festgehaltener Temperatur T ein Produktansatz mit einem Arrhenius-Term in der Form
EMI3.2
gewählt. Dabei bezeichnet S die Zunderschichtdicke, t die Zeit seit Beginn des Zunderwachstums,
EMI3.3
seabhängig und werden aus Experimenten ermittelt Für reale Prozesse, bei denen die Temperatur zeitabhängig ist, erfolgt die Behandlung beispielsweise mit dem für Fachleute auf diesem Gebiet bekannten modifizierten Scheil-Ansatz. Die gesamte Zunderschichtdicke ergibt sich dann als die Summe der einzelnen Phasenanteile.
Für die mittlere Oberflächenrauheit (Morphologie) wird der Ansatz
EMI3.4
gewählt, wobei C, ein analyseabhängiger Parameter und t r, p. - r, pp - rund s - r die aus Experimenten angepassten Exponenten für die Haspeltemperatur Tao,/, dite Verformung < , p, die Verformungsgeschwindigkeit rpp und den Streckgrad sg sind.
Als Mass für die Haftbarkeit wird die Anfangssteigung kB der Beizkurve genommen. Dazu wird analog zur Morphologie der Ansatz
EMI3.5
gewählt, wobei Ch ein analyseabhängiger Parameter und t-hl p ¯ h, pp ¯ h und s-h die aus Experimenten angepassten Exponenten für die Haspeltemperatur Teoll, die Verformung rp, die Verfor- mungsgeschwindigkeit und den Streckgrad sg sind
Natürlich können auch andere Modelle der Zunderausbildung Im Rahmen der Erfindung gleichwertig verwendet werden.
Dieses mathematische Modell für die Zunderausbildung z wird in das mathematische Modell M für den Warmwalzprozess und den Nachbearbeitungsprozessen NP eingebunden. Dieses gemeinsame mathematische Modell M wird in der Folge verwendet, um die Zunderausbildung z nach
<Desc/Clms Page number 4>
jeder Erzeugungsstufe E, Z, W, K des Warmwalzprozesses und/oder nach jedem Nachbearbeitungsprozess C, B, im voraus zu berechnen. Natürlich kann die Zunderausbildung z auch nur für bestimmte ganz besonders interessante Erzeugungsstufen berechnet werden. Dieses Ergebnis kann dann dazu verwendet werden, die Betriebsparameter 1 des Warmwalzprozesses und/oder der Nachbearbeitungsprozesse NP so zu steuern, dass die Prozesse hinsichtlich der Zunderausbildung z optimal arbeiten und/oder bestimmte Zielvorgaben betreffend der Eigenschaften der Zunderschicht erreicht werden.
Diese so ermittelten Betriebsparameter 1 können in weiterer Folge für verwandte Produktqualitäten genutzt werden, wodurch geeignete Erzeugungsbedingungen für solche verwandte Produktqualitäten ohne lange Versuchsreihen festgelegt werden können.
Da mit diesem mathematische Modell M die Zunderausbildung z nach dem Warmwalzen bekannt ist, kann diese Information direkt in nachgeschalteten Nachbearbeitungsprozessen NP zu einer optimalen Einstellung dieser Nachbearbeitungsprozesse NP genutzt werden. Zum Beispiel kann durch eine optimale Einstellung der Betriebsparameter 1, z. B. Temperatur T und Geschwindigkeit v, eines anschliessenden Beizprozesses B eine Leistungssteigerung der Beize, eine Verringerung des Beizabtrages, mit weniger Materialverlust und damit höherem Ausbringen und eine Verringerung des Säureverbrauchs, ohne langwierige Versuchsreihen erreicht werden.
Einzelne Merkmale der Zunderausbildung, wie beispielsweise die Zunderschichtdicke, die Zunderschichtzusammensetzung, die Zundermorphologie oder die Zunderhaftbarkeit, können auch direkt online gemessen werden. Diese Messungen können dazu verwendet werden die entsprechenden Berechnungen zu ersetzen und/oder um die zugrundeliegenden mathematischen Modelle M entweder fortlaufend automatisch oder nachträglich zu verbessern oder zu kalibrieren.
In einer zusätzlichen Erweiterung ist bei diesem Ausführungsbeispiel ein Oberflächeninspektionsgerät OIG vorgesehen, mit denen bestimmte Zunderfehler am warmgewalzten Band ermittelt werden. Diese Zunderfehler werden direkt mit Fahrweisen, physikalisch/metallurgischen Grössen und/oder anlagenspezifischen Parametern in Verbindung gebracht. Dadurch können durch die Kenntnis solcher Zusammenhänge von vornherein bestimmte Fahrweisen oder Anlagenzustände, die zu Zunderfehlern neigen vermieden werden.
Ausserdem kann das Oberflächeninspektionsgerät OIG natürlich auch dazu verwendet werden, nachgeschaltete Prozesse zu steuern und/oder die zugrundeliegenden mathematischen Modelle zu verbessern.
Weiteres bietet die Umsetzung mit mathematischen Modellen M die Möglichkeit die zugrundeliegenden physikalisch/metallurgischen und/oder statistischen und/oder künstliche Intelligenz Mo- delle kontinuierlich an die Produktionsbedingungen anzupassen. Sinnvollerweise werden die mathematischen Modelle M auf einem Prozessrechner implementiert, wodurch die Anpassung, Abgleichung und Verbesserung der mathematischen Modelle M zur Bestimmung der Zunderausbildung sehr einfach vorgenommen werden kann.
Es können erfindungsgemäss beliebige geeignete mathematische Modelle M zugrundegelegt werden. Die Auswahl eines bestimmten am besten passenden Modells obliegt dabei einem entsprechenden Fachmann.
**WARNUNG** Ende DESC Feld kannt Anfang CLMS uberlappen**.
<Desc / Clms Page number 1>
The present invention describes a method for determining the scale formation to be expected on a production product, in particular a measure for the characteristics scale layer thickness, scale layer composition, scale morphology and scale liability, in at least one generation stage of a thermal processing process.
For example, in a rolling process, the thermal shaping takes place essentially above the upper conversion line in the iron-carbon diagram, which is why the primary material must be heated to temperatures in the range between 1150 to 12500 C. This inevitably leads to scaling of the material, which must be removed before any processing, otherwise the material will become unusable. Before entering the finishing mill, the scale is removed using high-pressure descaling. Since the subsequent rolling takes place at correspondingly high temperatures, the hot strip is also scaled back between the stands, which is kept as low as possible by countermeasures, for example supercooling of the hot strip surface.
Since the formation of the pimples is highly temperature-dependent, the scale will naturally also grow on the cooling section and then, particularly because of the long times, also on the coiled coil.
A thermal processing process is therefore advantageously carried out in such a way that very little scale develops during and between the individual production stages. It is possible to optimize the operating parameters with regard to scaling from lengthy and complex test series. However, it is not possible to react to current short-term changes, which can reduce the quality of the production products. If the actual current scale formation were known, the operating parameters of the processing process could be adapted to the actual conditions and thus a continuous production of equivalent quality could be ensured.
The aim of the present invention is therefore to provide a method with which it is possible to determine the scale formation to be expected online and continuously in advance in the processing process.
For the invention mentioned at the outset, this object is achieved in that measurement data from generation conditions, such as temperatures, amounts of heat, etc., in the thermal processing process, and / or properties of the thermally processed production product, such as, for example, waviness, profile, storage space, etc., online are recorded that these recorded measurement data and / or properties are based on a mathematical model describing the thermal processing process and the further training, eg. B. a physical / metallurgical and / or a statistical and / or an artificial intelligence model, and that a measure for at least one feature of the scale formation is determined by means of this mathematical model.
Because the scale formation is calculated, operating parameters of the processing process can be set in such a way that the scale formation assumes a certain dimension.
This means that short-term changes in the production process can be reacted to immediately, which results in a significant increase in the quality of the production product. The processing process as a whole is easier to control and it is possible to use the results obtained to prove the high quality manufacture of a product even after a processing process.
In addition, it is no longer necessary to run a complex series of tests for each material or material group in order to determine the ideal operating parameters. Furthermore, the processing process can be optimized, which means less resource consumption, e.g. B. for descaling, and a higher throughput can be achieved.
A particularly advantageous extension of the method is obtained if, after the thermal processing process, at least one post-processing process, such as. B. a pickling process or a stretch-bending process, etc., certain measurement data are recorded in the postprocessing process, these recorded measurement data a mathematical model describing the postprocessing process, e.g.
B. a physical / metallurgical and / or a statistical and / or an artificial intelligence model is supplied, which integrates the mathematical model describing the postprocessing process into the mathematical model describing the processing process and the scale formation, and by means of the merged mathematical models a measure for at least a characteristic of the scale formation
<Desc / Clms Page number 2>
is communicated. As a result, the entire production process of a thermal production product is recorded in a common model, which leads to the central control of the production process
Achieving certain quality requirements of the production product easier or only made possible.
If at least one feature of the scale formation, for example the scale layer thickness, the scale layer composition, the scale morphology or the scale liability, is measured online, these measured values can be used very advantageously in the method. On the one hand, the measured values recorded online can be used to improve and / or calibrate the underlying mathematical model or certain parts of the
Scale formation can be replaced by the measured values, whereby the mathematical
Simplified model and the required computing power is reduced.
A pickling process is very particularly advantageously used as the postprocessing process and the results of the calculations for scale formation for determining at least one
Parameters of the pickling process used. This means that a subsequent pickling process can be optimally adjusted to the current scale development, which significantly increases the effectiveness of the pickling process.
If at least one operating parameter of at least one generation stage of the processing process or a postprocessing process is set on the basis of the determined scale formation in such a way that certain targets relating to scale formation are achieved, the scale formation can be controlled and controlled during the entire processing and postprocessing process, which ensures uniform production conditions. provides. This method can be further improved if process data from previous processing processes and / or postprocessing processes are included in the calculations for scale formation.
The method can be operated favorably if the operation of the processing process and / or the subsequent postprocessing processes is optimized with regard to the scale formation of the production product. For example, the production process can be controlled in such a way that minimal scale formation occurs in the processing process and in subsequent postprocessing processes, which simplifies and shortens necessary intermediate steps such as descaling.
The method can be expanded very advantageously if certain scale defects on the production product are detected with a surface inspection device, these scale defects are associated with operating parameters of the processing process or postprocessing process and / or physical) is / meta) iuric sizes and / or system-specific parameters and these operating parameters and / or physical / metallurgical variables and / or plant-specific parameters are excluded in the operation of the processing process or post-processing process. This makes it possible to specifically avoid certain scale defects from the outset, which in turn increases the effectiveness of the production process and the quality of the end product.
The mathematical models of the hot rolling process and the processing processes are implemented particularly advantageously on a process computer. It is particularly favorable if the mathematical models are implemented in such a way that the underlying models can be continuously adapted to the current production conditions using data from scale samples.
It is particularly advantageous if the results of the determination for scale formation are used in individual production stages of the processing process or in postprocessing processes for process control and / or process optimization of the processing process or postprocessing process. This in turn supports the production process and ensures a high quality production product.
The method is particularly advantageously used in a rolling process and possibly a post-processing process, in particular a pickling process and a coil treatment.
The invention is described with reference to the following schematic, exemplary and non-restrictive FIG. 1. 1 schematically shows the stages of a thermal processing process VP with connected postprocessing processes NP, as well as their integration into the thermal processing process VP and the postprocessing process NP
<Desc / Clms Page number 3>
descriptive mathematical model M.
In the present exemplary embodiment, the invention is not described in a restrictive manner using the example of a hot rolling process for the production of metal sheets, wires, strips, etc. The hot rolling process is roughly represented in FIG. 1 by four production stages, the heating E, the descaling Z, the rolling W and the strip cooling K. Certain production conditions are recorded in each generation stage. During the heating E z. B. certain times t, temperatures T, gases G, etc., bel the descaling Z z. B. pressures p, spray angle a, amounts of water VH20, etc., when rolling W z. B. forces F, stitch decreases s, cooling quantities Qcooh etc. and in strip cooling K z. B. cooling quantities Qcooh switching times Ìs, temperatures T, etc.
Following the hot rolling process, two postprocessing processes NP, a coil treatment C, for example a stretch-bending device, and a pickling process B are provided in this example. From these two postprocessing processes NP, certain measured values 2, such as
EMI3.1
% C,% Mn, etc.
These measurement data 2 are all fed to a mathematical model M, which models both the hot rolling process and the postprocessing processes NP. This mathematical model M can be a physical / metallurgical and / or a statistical and / or an artificial intelligence model.
There are different models for the hot rolling process that can be used.
A suitable mathematical model M for a hot rolling process can e.g. B. WO 98/18970.
The scale formation z can be modeled for example by the following relationships.
For the scale growth of the individual phases i (wustite, hematite and magnetite), a product batch with an Arrhenius term in the mold is used at a fixed temperature T.
EMI3.2
selected. S denotes the scale layer thickness, t the time since the start of scale growth,
EMI3.3
Sea-dependent and are determined from experiments For real processes in which the temperature is time-dependent, treatment is carried out, for example, using the modified Scheil approach known to experts in this field. The total scale layer thickness then results as the sum of the individual phase components.
The approach is used for the average surface roughness (morphology)
EMI3.4
chosen, where C, an analysis-dependent parameter and t r, p. - r, pp - round s - r are the exponents adapted from experiments for the reel temperature Tao, /, dite deformation <, p, the deformation speed rpp and the degree of stretch sg.
The initial slope kB of the pickling curve is taken as a measure of liability. The approach is analogous to the morphology
EMI3.5
Ch, where Ch is an analysis-dependent parameter and t-hl p ¯ h, pp ¯ h and s-h are the exponents adapted from experiments for the reel temperature Teoll, the deformation rp, the deformation speed and the degree of stretching sg
Of course, other models of tinder training can be used in the context of the invention equivalent.
This mathematical model for the scale formation z is integrated into the mathematical model M for the hot rolling process and the postprocessing processes NP. This common mathematical model M is subsequently used to determine the scale formation z
<Desc / Clms Page number 4>
to calculate each generation stage E, Z, W, K of the hot rolling process and / or after each postprocessing process C, B in advance. Of course, the scale formation z can also only be calculated for certain particularly interesting production stages. This result can then be used to control the operating parameters 1 of the hot rolling process and / or the postprocessing processes NP in such a way that the processes work optimally with regard to the scale formation z and / or certain targets regarding the properties of the scale layer are achieved.
These operating parameters 1 determined in this way can subsequently be used for related product qualities, as a result of which suitable production conditions for such related product qualities can be established without long series of tests.
Since the scale formation z after hot rolling is known with this mathematical model M, this information can be used directly in downstream postprocessing processes NP for optimal setting of these postprocessing processes NP. For example, by optimally setting the operating parameters 1, e.g. B. temperature T and speed v, a subsequent pickling process B, an increase in pickling performance, a reduction in pickling removal, with less material loss and thus higher output and a reduction in acid consumption, without lengthy test series.
Individual characteristics of the scale formation, such as the scale layer thickness, the scale layer composition, the scale morphology or the scale liability, can also be measured directly online. These measurements can be used to replace the corresponding calculations and / or to improve or calibrate the underlying mathematical models M either continuously automatically or subsequently.
In an additional extension, a surface inspection device OIG is provided in this exemplary embodiment, with which certain scale defects on the hot-rolled strip are determined. These scale errors are directly related to control strategies, physical / metallurgical parameters and / or plant-specific parameters. As a result, by knowing such correlations, certain driving styles or system states that tend to cause scale errors can be avoided from the outset.
In addition, the surface inspection device OIG can of course also be used to control downstream processes and / or to improve the underlying mathematical models.
Implementation with mathematical models M also offers the possibility of continuously adapting the underlying physical / metallurgical and / or statistical and / or artificial intelligence models to the production conditions. The mathematical models M are expediently implemented on a process computer, as a result of which the adaptation, comparison and improvement of the mathematical models M for determining the scale formation can be carried out very easily.
Any suitable mathematical models M can be used as a basis according to the invention. The choice of a certain best-fitting model is the responsibility of a specialist.
** WARNING ** End of DESC field may overlap beginning of CLMS **.