CN101283361B - 不锈钢板坯的在线质量预测系统以及应用该系统的预测方法 - Google Patents

不锈钢板坯的在线质量预测系统以及应用该系统的预测方法 Download PDF

Info

Publication number
CN101283361B
CN101283361B CN2006800371363A CN200680037136A CN101283361B CN 101283361 B CN101283361 B CN 101283361B CN 2006800371363 A CN2006800371363 A CN 2006800371363A CN 200680037136 A CN200680037136 A CN 200680037136A CN 101283361 B CN101283361 B CN 101283361B
Authority
CN
China
Prior art keywords
slab
quality
temperature
stainless steel
estimate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN2006800371363A
Other languages
English (en)
Other versions
CN101283361A (zh
Inventor
金钟完
崔资镛
徐辅晟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Posco Holdings Inc
Original Assignee
Posco Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Posco Co Ltd filed Critical Posco Co Ltd
Publication of CN101283361A publication Critical patent/CN101283361A/zh
Application granted granted Critical
Publication of CN101283361B publication Critical patent/CN101283361B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/418Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B22CASTING; POWDER METALLURGY
    • B22DCASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D11/00Continuous casting of metals, i.e. casting in indefinite lengths
    • B22D11/16Controlling or regulating processes or operations
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/32Operator till task planning
    • G05B2219/32194Quality prediction
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Mechanical Engineering (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Automation & Control Theory (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Continuous Casting (AREA)
  • Investigating And Analyzing Materials By Characteristic Methods (AREA)

Abstract

本发明公开了一种不锈钢板坯的在线质量预测系统以及使用该系统的预测方法,该系统通过收集从炼钢工艺到连铸工艺获得的所有操作数据、然后通过热力学和统计学程序利用所有操作数据作为冶金计算评价模型、允许利用基于网络的系统在线高精度的预测所生产的板坯的质量,该系统包括:主计算机,从不锈钢板坯生产线收集并存储信息;热力学计算专用计算机,与主计算机相互通信;服务器计算机,与主计算机相互通信,从而该系统能允许克服预测方法由于存在的操作数据而受到的局限,并且通过收集从炼钢工艺到连铸工艺获得的所有操作数据、然后通过热力学和统计学程序利用所有操作数据作为冶金计算评价模型、允许利用基于网络的系统在线高精度的预测所生产的板坯的质量,从而显著地提高质量和生产率。

Description

不锈钢板坯的在线质量预测系统以及应用该系统的预测方法
技术领域
本发明涉及一种不锈钢板坯的在线质量预测系统以及应用该系统的预测方法,更具体地讲,涉及这样一种不锈钢板坯的在线质量预测系统以及应用该系统的预测方法,即,该预测系统通过收集可以从炼钢工艺到连铸工艺获得的所有操作数据、然后通过热力学和统计学程序利用所有操作数据作为冶金计算评价模型、允许利用基于网络的系统在线高精度的预测所生产的板坯的质量。
背景技术
通常,通过炼钢工艺和连铸工艺生产不锈钢。
图1是用图示出了普通不锈钢冶炼工艺-连铸工艺的视图。
首先,在电炉中熔化废铁以制成铁水。然而,由于所述铁水仅通过熔化废铁而获得,所以该铁水含有大量杂质。
因此,通过电炉获得的铁水在精炼炉中经过脱碳工艺和脱硫工艺后被制成钢水,所述钢水由可用作产品的组成物(compositions)构成。
在随后的钢包精炼中控制最终成分并确保温度适合进行连铸之后,钢水被送入连铸机。
连铸机中的钢水从钢包经过中间包(tundish)被注入由水冷却的铜板模(copperplate mold)中,随后被固化,从而被制成作为中间产品的板坯(slab)。
这样生产的板坯通过轧制工艺而成为最终使用的产品。
然而,这样生产的板坯会具有各种缺陷。这些缺陷中典型的缺陷有:裂纹(板坯表面开裂)、掺入非金属夹杂物、形成非正常固化结构、表面振痕缺陷等。
由于用肉眼可识别上述缺陷中暴露在表面上的大缺陷,因此可以通过板坯研磨等来去除这些大缺陷。然而,由于无法用肉眼识别细微的表面缺陷并且根本不可能识别板坯内部的缺陷,所以将板坯100%地研磨,或相反必须接受有缺陷的产品。
此外,该方法由于研磨需要增加质量成本并导致工艺负担和有缺陷的产品,从而降低生产率。
因此,为了克服这些问题,已开发一种技术,该技术允许操作员不需要检查板坯就可以在线精确地预测板坯的质量状态。
通常,由于随着工艺进行去除缺陷的成本增加,换言之,由于在板坯状态下预测并去除缺陷更节约成本和工艺效率,所以如果通过利用高精度的质量预测系统的预测结果对需要进行研磨的板坯或不需要进行研磨的板坯进行分类,则不必对不需要进行研磨的板坯进行100%地研磨,从而可得到期望的经济效益,同样通过只对需要进行研磨的板坯进行研磨来确保产品质量,从而可得到期望的生产率。
为了实现该目标,已开发了板坯质量预测系统,例如Voest公司的VAI-Q、Terni公司的M-Cast、Preussag S.公司的MIDAS等。
Voest公司的VAI-Q是一种根据利用炼钢工艺和连铸工艺中的操作数据得出的质量评价结果来判断产品好坏的系统。
Terni公司的M-Cast是一种利用铜板温度和连铸操作数据实时预测不锈钢板坯质量的系统。
Preussag S.公司的MIDAS是一种利用生产计划、质量和工艺数据等将评价数据传输到生产计划部门并在切割板坯之前,改变生产计划、质量和工艺数据的系统。
然而,由于这些系统的特征采用了对操作数据简单评价的方法,从而仅通过目标值和实际值之间的差来评价板坯质量,所以只评价了操作的精度,从而不可能精确地预测不同的板坯质量。
例如,对于铸造速度来说,它对一些产品具有决定性作用,但对其他产品的作用不显著。在传统的系统中根据重要程度的各种权重值被忽略。
此外,由于大部分传统的板坯质量预测方法是为普通碳钢开发的,所以对于直接应用到不锈钢,这些方法受到限制。原因在于不锈钢和普通碳钢在它们的质量方面大不相同。例如,不锈钢在加热炉中去除的氧化皮(scale)的量很小,而在普通碳钢中,去除了氧化皮的板坯上的所有超表面缺陷都成为产品缺陷。
因此,与普通碳钢不同,在不锈钢板坯的质量预测方法中,需要一种考虑到包括振痕的板坯的超表面上的渗碳和渗硫缺陷等的系统;利用激光传感器等的高级传感器测量系统;能够产生更精确的评价结果的统计学和热力学计算程序;能够被操作员更容易地使用的基于网络的系统。
发明内容
因此,提出本发明来解决如前所述的现有技术中的问题。本发明的目标在于提供一种不锈钢板坯的在线质量预测系统以及使用该系统的预测方法,该系统可以克服预测方法由于现有的操作数据而受到的限制,通过收集可以从炼钢工艺到连铸工艺获得的所有操作数据、然后通过热力学和统计学程序利用所有操作数据作为冶金计算评价模型、允许利用基于网络的系统在线高精度的预测所生产的板坯的质量,从而显著地提高质量和生产率。
有利效果
根据本发明的如前所述的不锈钢板坯的在线质量预测系统以及使用该系统的预测方法可以克服预测方法由于现有的操作数据而受到的限制,通过收集可以从炼钢工艺到连铸工艺获得的所有操作数据、然后通过热力学和统计学程序利用所有操作数据作为冶金计算评价模型、允许利用基于网络的系统在线高精度的预测所生产的板坯的质量,从而显著地提高质量和生产率。
附图说明
图1是用图表示出通常的不锈钢冶炼工艺-连铸工艺的视图;
图2是示出根据本发明优选实施例的不锈钢板坯在线质量预测系统的视图;
图3是图2的概念图;
图4a是示出根据图2的用于测量初始固化均匀度将热电偶插入铸模的视图;
图4b是示出安装在铜板上的热电偶的位置的视图;
图5a是示意性地示出在连铸操作稳定性的评价原理中用于计算浸入式水口的沉积深度的激光传感器的视图;
图5b是示出基于根据图5a的连铸操作稳定性评价原理的用于钢水流量评价的上升流速的视图;
图6是示出应用利用根据本发明优选实施例的不锈钢板坯在线质量预测系统的预测方法的铸模传热评价项目的效果的曲线图;
图7a是示出在304钢板坯中δ铁素体的分布的曲线图;
图7b是示出430钢板坯固化结构的宏观固化结构的照片;
图7c是示出420钢板坯固化结构的宏观固化结构的照片;
图8a是对振痕质量进行分类的视图;
图8b是示出从包括振痕的板坯表面上的铸模粉末提取的碳和硫的曲线图;
图9a是示出振痕的预测值与实际值之间的差的曲线图;
图9b是示出碳提取量的预测值与实际值之间的差的曲线图;
图10a是用图示出根据本发明实施例的氧化物评价的概念的视图;
图10b是用图示出根据本发明实施例的氮化物和气泡评价的概念的视图;
图11a是用图示出内在夹杂物形成图样的视图;
图11b是用图示出基于如图11a所示的形成图样计算内在夹杂物的成分、氧化物含量、晶相、总氧的方法的视图;
图12a是示出总氧的预测值与总氧的实际值之间的相互比较的视图;
图12b是示出钢中的夹杂物中高熔点的夹杂物的含量的预测值的图;
图13是示出应用利用根据本发明优选实施例的不锈钢板坯在线质量预测系统的预测方法的浸入式水口的沉积深度评价项目的效果的曲线图。
具体实施方式
为了实现该目标,提供了一种不锈钢板坯的在线质量预测系统,该系统包括:主计算机,从不锈钢板坯生产线收集并存储信息;热力学计算专用计算机,与主计算机相互通信;服务器计算机,与主计算机相互通信。
这里,收集在主计算机中的信息被传输到热力学计算专用计算机并随后存储在数据库中。主计算机被配置为执行数据处理、冶金模型计算和数据库管理中的至少一个,热力学计算专用计算机被配置为对纯度和固化中的至少一个执行热力学计算。
此外,该系统还包括多个热电偶,所述多个热电偶连接到主计算机以将用于初始固化均匀度(initial solidification uniformity)的温度信息提供到主计算机。这些热电偶以这样的形式安装,即,它们被插入铜板中,其中,在铜板的长边上分别安装多个热电偶中的五个热电偶,在铜板的短边上分别安装多个热电偶中的一个热电偶。
优选地,热电偶是套管型(sheath type)热电偶。
此外,优选地,在铜板内侧和右侧的6个热电偶连接到一个插槽(socket),铜板外侧和左侧的6个热电偶连接到另一个插槽。结果,两个插槽延伸到铸模(mold)外,从而热电偶连接到主计算机。
此外,该系统还包括连接到主计算机的激光距离传感器以向主计算机提供关于浸入式水口的沉积深度的信息。
提供了一种利用不锈钢板坯的在线质量预测系统的预测方法,该方法包括以下步骤:测量预测项目,用于预测不锈钢板坯的质量;评价,用于基于所测量的预测项目做出数值评价;通过分析评价步骤所产生的数值来预测不锈钢板坯的质量。
这里,所述预测项目为初始固化均匀度、铸模冷却速度(mold coolingvelocity)、板坯固化结构、板坯振痕质量、纯度和连铸操作稳定性。
这时,在初始固化均匀度中测量的信息在评价步骤被数值地评价为铜板温度、铜板温度偏差、铜板内侧/外侧的温度比率、铜板左侧/右侧的温度比率以及铜板长边/短边的温度比率。
通过以板坯为单位计算平均铜板温度并评价所述平均铜板温度与钢材的最佳铜板温度之间的差来获得铜板温度。通过经过以板坯为单位统计地分析所有铜板温度偏差来评价偏差程度,从而评价初始固化稳定性来获得铜板温度偏差。通过以板坯为单位计算铜板长边的内侧和外侧的温度比率并评价所述温度比率与平衡值之间的差来评价初始固化平衡,以获得铜板内侧/外侧的温度比率。通过以板坯为单位计算铜板短边的左侧和右侧的温度比率并评价所述温度比率与平衡值之间的差来评价初始固化平衡程度,以获得铜板左侧/右侧的温度比率。通过以板坯为单位计算铜板的长边和短边的温度比率并评价所述温度比率与平衡值之间的差来评价初始固化平衡程度,以获得铜板长边/短边的温度比率。
此外,在铸模冷却速度中测量的信息在评价步骤中被数值地评价为传热量、传热量偏差、内侧/外侧的传热量比率、左侧/右侧的传热量比率以及长边/短边的传热量比率。
这里,通过以板坯为单位计算平均传热量并评价所述平均传热量与钢材的最佳传热量之间的差来获得传热量。通过以板坯为单位统计地分析所有传热量偏差来评价偏差程度,从而获得所述传热量偏差。通过以板坯为单位计算铜板的长边的内侧和外侧的传热量比率并评价所述传热量比率与平衡值之间的差来评价传热量的平衡程度,从而获得铜板内侧/外侧的传热量比率。通过以板坯为单位计算铜板的短边的左侧和右侧的传热量比率并评价所述传热量比率与平衡值之间的差来评价传热量的平衡程度,从而获得铜板左侧/右侧的传热量比率。通过以板坯为单位计算铜板的长边和短边的温度比率并评价所述传热量比率与平衡值之间的差来评价传热量的平衡程度,从而获得铜板长边/短边的传热量比率。
此外,在板坯固化结构中测量的信息在评价步骤中被数值地评价为奥氏体平均残留的铁素体、奥氏体表面的铁素体、铁素体的等轴晶比率以及马氏体的中心偏析度。
这里,利用下面的方程,即,KRUPP方程,来评价并获得所述奥氏体平均残留的铁素体。
Figure DEST_PATH_GA20182439200680037136301D00011
其中,δ-铁素体%表示体积百分比,元素%表示重量百分比。
利用下面的方程来评价并获得所述奥氏体表面的铁素体。
δ10m=f[(总平均铁素体),(二次冷却比水量),(热通量),(铸造速度),(铸造温度)]
利用下面的方程评价并获得所述铁素体的等轴晶比率。
等轴晶比率(Ti=0.05)=f[(平均热通量),(铸造速度),(铸造温度),(EMS-A)]
等轴晶比率(Ti>0.05)=f[(TiN结晶温度),(平均热通量),(铸造速度),(铸造温度),(Si/Al),(Ti的实际收益率)]
利用下面的方程评价并获得所述马氏体的中心偏析度。
中心偏析度=f[(碳钢%),(铸造温度),(铸造速度),(EMS电流),(平均热通量),(二次冷却比水量)]
此外,在振痕质量中测量的信息在评价步骤中被数值地评价为振痕深度、振痕质量、碳提取(C-提取)以及硫提取(S-提取)。
这里,利用下面的方程评价并获得所述振痕深度。
振痕深度=f[(铸模频率),(铸模粉末消耗量)]
铸模粉末消耗量=f[(中间包钢水温度),(铸模粉末固化温度),(铸模粉末粘度),(铸造速度),(铸模频率)]
利用下面的方程评价并获得所述振痕质量。
振痕质量=f[(铸造速度),(MLAC误差率),(SEN沉积深度),(振痕深度)]
利用下面的方程评价并获得所述碳提取。
C提取=f[(铸模渣层厚度),(U),(铸模粉末中C的百分比)]
利用下面的方程评价并获得所述硫提取。
S提取=f[(铸模渣层厚度),(U),(铸模粉末中S的百分比)]
通过铸模粉末熔化速度和消耗速度的计算模型来计算所述铸模渣层厚度。
此外,在纯度中测量的信息在评价步骤中被数值地评价为高熔点夹杂物的量、夹杂物氧化钛铝的含量、再氧化度、Ti的实际收益率、TiN结晶量、TiN结晶温度、氮孔、氩孔和钢中的氧化物量。
通过计算并评价在作为中间包钢水基准的钢水中的非金属夹杂物中的固体量来获得所述高熔点夹杂物的量。通过计算并评价在作为中间包钢水基准的钢水中的非金属夹杂物中的与表面质量高度相关的TiO2+Ti2O3+Al2O3的含量来获得所述夹杂物氧化钛铝的含量。通过利用从AOD出钢到中间包的氮浓度的变化来评价再氧化度,从而获得所述再氧化度。通过计算并评价钛合金钢(409L、439等)的Ti的实际收益率来获得所述Ti的实际收益率。通过利用热力学计算并评价钛合金钢(作为中间包基准)的TiN结晶量来获得所述TiN结晶量。通过热力学地计算形成TiN的温度并评价该温度与中间包温度的差来获得所述TiN结晶温度。通过热力学地计算并评价在高氮钢情况下固化过程中氮气的形成量来获得所述氮孔。通过评价在连铸过程中使用的Ar气体流速来获得所述氩孔。通过热力学地计算并评价作为中间包基准的钢水中的总氧化物含量来获得钢中的氧化物含量。
此外,在连铸操作稳定性中测量的信息在评价步骤中被数值地评价为铸造温度偏差、铸造温度差量(casting temperature difference)、铸造速度偏差、MLAC度、滑动门开度偏差(sliding gate open size deviation)、滑动门开度变化量(sliding gate open size change amount)、钢水流量、浸入式水口的沉积深度、铸模-板坯摩擦力、板坯表面温度以及二次冷却比水量。
通过计算并评价铸造温度偏差来获得所述铸造温度偏差。通过计算并评价设定的铸造温度和实际铸造温度之间的差来获得所述铸造温度差量。通过计算并评价铸造速度偏差来获得所述铸造速度偏差。通过计算并评价弯月面波动量(meniscus fluctuation amount)(±1mm误差率)来获得所述MLAC度。通过计算并评价滑动门偏差来获得所述滑动门开度偏差。通过计算并评价在板坯初始和结束之间的滑动门开度的变化来获得所述滑动门开度变化量。钢水流量是钢水在碰撞铸模短边后向上流动的速度,其中,通过计算并评价从出口流出的理论即时钢水流量、从弯月面到铜板短边上的钢水碰撞点之间的距离、从浸入式水口中心到铜板短边上的钢水碰撞点之间的距离以及在出口处的钢水出口角度来获得钢水向上的流动速度。通过计算并评价在铸模中的钢水向上的流速来获得所述钢水流量。通过计算并评价利用激光传感器测量的浸入式水口的沉积深度与操作标准下设定的沉积深度之间的差来获得所述浸入式水口的沉积深度。通过利用铸造条件、铸模粉末消耗量等计算并评价铸模-板坯摩擦力来获得所述铸模-板坯摩擦力。通过计算并评价利用温度计测量的板坯表面温度和钢材最佳值之间的差来获得所述板坯表面温度。通过计算并评价由二次冷却水的流速数据计算的二次冷却比水量与钢材的设定值之间的差来获得所述二次冷却比水量。
在下文中,将参照附图描述根据本发明的不锈钢板坯的在线质量预测系统的优选实施例。
图2是示意性地示出根据本发明优选实施例的不锈钢板坯的在线质量预测系统的视图,图3是图2的概念图。
根据本发明的不锈钢板坯的在线质量预测系统包括:主计算机,从不锈钢板坯生产线收集并存储信息;热力学计算专用计算机,与主计算机相互通信;服务器计算机,与主计算机相互通信。
主计算机、热力学计算专用计算机和服务器计算机被安装在不锈钢生产线中的连铸间(continuous casting carbin)中。
热力学计算专用计算机可被配置为执行与纯度和固化相关的热力学计算。与固化相关的热力学计算利用常用的Thermo-Calc程序,与纯度相关的计算利用常用的FactSage程序。
热力学计算所需的钢材的成分、温度和其他数据被传输到主计算机并随后被储存在数据库中。计算所需的向数据库中传输数据和计算结果是通过主计算机和热力学计算专用计算机之间的相互通信实现的。
主计算机执行核心功能,例如数据处理,冶金模型计算以及数据库管理等。通过两种途径收集操作数据:诸如钢材的成分、钢水的重量等数据从集成数据库收集,诸如在固定的时间内(例如以5秒钟为间隔)测量的铸造速度、弯月面稳定性、中间包温度等数据从其他服务器收集,其中,全部数据通过为质量预测系统安装的专属光导电缆传输。作为用于预测质量的传感器的铜板温度和利用激光测量的浸入式水口的沉积深度也被传送到主计算机并在主计算机中进行处理。
终端服务器计算机与连接到网络的用户进行连接,从而用户能够查询以板坯为单位完成的评价和预测的板坯的结果数据。
图4a是示出为测量初始固化均匀度将热电偶插入到铸模的视图,图4b是示出安装在图4a中的铜板上的热电偶的位置的视图。
初始固化均匀度对所有种类的钢材都是非常重要的项目,并且是评价产生作为板坯典型缺陷的裂纹的可能性的最佳方法。
在本发明的优选实施例中,为了评价初始固化均匀度,已经通过将热电偶插入到铜板中来评价初始固化位置的热传递的稳定性。换言之,如果稳定地保持温度,则热传递稳定,从而稳定地保持初始固化。
插入铜板中的热电偶使用了总共12个K型热电偶。分别在矩形铜板的长边的内侧和外侧设置12个K型热电偶中的5个热电偶,分别在矩形铜板的短边的左侧和右侧设置12个K型热电偶中的一个。铜板插入到加工过的垂直孔中,由于在质量预测性能方面需要持久性,所以铜板的上部利用螺丝刚性固定。
此外,为了在铸造不锈钢时保证其内在质量,在操作电磁搅拌器(EMS)的情况下,如果热电偶直接接触铜板,会发生从电磁搅拌器产生的感应电流干扰温度测量的情况。因此,热电偶以套管型安装,以在铜板上产生浮动电位。热电偶正位于弯月面下方,而铸模中的钢水位于弯月面上。
此外,铜板内侧和右侧的6个热电偶连接到一个插槽(未示出),铜板外侧和左侧的6个热电偶连接到另一个插槽(未示出)。因此,两个插槽延伸出铸模,从而热电偶被连接到主计算机,从而通过热电偶将测量的数据发送/输入到主计算机。
图5a是示意性地示出在评价连铸操作稳定性的原理中用于计算浸入式水口的沉积深度的激光传感器的视图;图5b是示出基于连铸操作稳定性评价原理的用于钢水流量评价的上升流速的视图。
激光传感器安装在中间包的一侧以测量距离。中间包的该侧设置有目标,该目标为激光传感器的测量点。激光传感器测量从其自身到所述目标的距离并将数据传输到主计算机。
在中间包下落前从传感器到目标的距离被设定为D0。在中间包下落的状态下从传感器到目标的距离被设定为D。在铸造过程中的从浸入式水口到钢水面(ML)的距离被设定为K,在中间包下落前,浸入式水口的沉积深度d被设为(D-D0)-K。可以通过这种方式获得浸入式水口的沉积深度。
钢水流量(U-值)表示在下述现象中钢水向上的流速,即,从浸入式水口的出口流出的钢水碰撞铸模的短边后,一部分在铸模中向上流动,另一部分向下流动。
当钢水流量值大时,则上升流的强度大,导致钢水弯月面不稳定并易于出现各种铸模板坯的掺入缺陷(incorporation defect)。
参照图5b,钢水流量值是从出口流出的理论即时钢水流速Ucal,该钢水流量值可以由从弯月面到铜板短边上的钢水碰撞点的距离X2、从浸入式水口的中心到铜板短边上的钢水碰撞点的距离X1以及在出口处的钢水出口角度θI计算。
在下文中,将描述根据本发明的利用不锈钢板坯的在线质量预测系统的预测方法的优选方法。
根据本发明的利用不锈钢板坯的在线质量预测系统的预测方法包括以下步骤:测量用于预测不锈钢板坯的质量的预测项目;评价,基于所测量的预测项目进行数值评价;通过分析在评价步骤中获得的数值来预测不锈钢板坯质量。
这里,预测项目为初始固化均匀度、铸模冷却速度、板坯固化结构、板坯振痕质量、纯度以及连铸操作稳定性。
这时,在初始固化均匀度中测量的信息在评价步骤中被数值地评价为铜板温度、铜板温度偏差、铜板内侧/外侧的温度比率、铜板左侧/右侧的温度比率和铜板长边/短边的温度比率。
初始固化均匀度对所有种类的钢材都是非常重要的项目,具体地,是用于评价产生作为板坯典型缺陷的裂纹的可能性的最佳方法。
通过预先设定需要的最佳值并将最佳值与实际测量值比较来得到对在初始固化均匀度中测量的信息中的铜板温度的评价。即,通过以板坯为单位计算平均铜板温度并将其与钢材的最佳铜板温度之间的差进行比较,随后通过他们之间的差值得出所述评价。平均铜板温度与预设的最佳值之间的差值越大,得分越低,平均铜板温度与最佳值之间的差值越小,得分越高。
铜板温度偏差判断在铜板自身中的温度分布是否均匀。即,通过以板坯为单位统计地分析所有铜板温度的偏差来评价铜板的偏差程度,从而评价初始固化均匀度,即,稳定性。所述偏差越小,铜板自身的温度分布越高,所述偏差越大,均匀度越低。
铜板内侧/外侧的温度比率用于评价铜板内侧/外侧的温度差。获得的以板坯为单位的铜板长边的内侧/外侧的温度比率作为比率,从而比较并评价该比率与平衡值(即,1(内侧的铜板温度等于外侧的铜板温度时的值))之间的差。铜板内侧/外侧温度比率与1之间的偏差越小,表现出的铜板均匀度会越好。
铜板左侧/右侧的温度比率用于评价铜板左侧/右侧的温度差。获得的以板坯为单位的铜板短边的左侧/右侧温度比率作为比率,比较并评价该比率与平衡值(即,1(左侧的铜板温度等于右侧的铜板温度时的值))之间的差。铜板左侧/右侧温度比率与1之间的偏差越小,可以表现出的铜板特性就越好。
铜板长边/短边的温度比率用于评价方形铜板长边/短边的温度比率。以板坯为单位的方形铜板的长边和短边的温度比率还通过比较并评价该比率与平衡值(即,1(长边的铜板温度等于短边的铜板温度时的值))之间的差来得到。铜板长边/短边的温度比率与1之间的偏差越小,可以表现出的铜板特性就越好。
此外,在铸模冷却速度中测量的信息在评价步骤中被数值地评价为传热量、传热量偏差、内侧/外侧的传热量比率、左侧/右侧的传热量比率以及长边/短边的传热量比率。
冷却速度作为全部铸模的平均冷却速度对铸模中的固化操作是非常重要的因素。即,如果冷却速度不够,则从铸模中取出的板坯的固化壳薄,从而会出现板坯膨胀(swelling out)现象,即,出现鼓出(bulging)现象,最坏的情形是出现板坯停炉(slab blowing out)现象。相反,如果传热量过大,则容易由于过大的热应力引起板坯停炉现象。因此,保持适当的传热量是很重要的。利用铸模中循环的冷却水的上升温度和铸造条件来计算本发明中的传热量。计算公式如下:
冷却速度作为全部铸模的平均冷却速度对铸模中的固化操作是非常重要的因素。即,如果冷却速度不够,则从铸模中取出的板坯的固化壳薄,从而会出现板坯膨胀(swelling out)现象,即,出现鼓出(bulging)现象,最坏的情形是出现板坯停炉(slab blowing out)现象。相反,如果传热量过大,则容易由于过大的热应力引起板坯停炉现象。因此,保持适当的传热量是很重要的。利用铸模中循环的冷却水的上升温度和铸造条件来计算本发明中的传热量。计算公式如下:
Figure DEST_PATH_G39854353150138000D000041
这里,q表示来自连铸流面(strand face)的传热量,其单位为J/m2s=W/m2;Lz和Lw分别表示铸模中的连铸流的长度和宽度,其单位为m;ρw表示冷却水的密度,其单位为kg/m3;Cpw表示冷却水的比热,其单位为J/kg℃;ΔT表示流出侧温度和流入侧温度之间的差,作为铸模冷却水的温度上升幅度,其单位为℃;Fw表示冷却水的流速,其单位是m3/s。
从连铸操作数据收集计算所需的全部数据并且通过获得对应于被分析的板坯的数据平均值来计算所述传热量。
通过以板坯为单位计算平均传热量并评价该平均传热量与钢材最佳传热量之间的差来获得所述传热量,其中,依据该平均传热量与需要的最佳值来进行评价。
通过以板坯为单位统计地分析所有传热量偏差来分析偏差程度,从而获得所述传热量偏差,其中,所述偏差越小,表现出的传热量偏差程度的特性就越好。
通过以板坯为单位计算铜板的长边的内侧和外侧的传热量比率并评价该比率与平衡值(即,内侧/外侧的传热量比率为1时的值)之间的差来评价传热量的平衡程度,从而获得内侧/外侧的传热量比率。
通过以板坯为单位计算铜板的短边的左侧和右侧的传热量比率并评价该比率与平衡值(即,左侧/右侧的传热量比率为1时的值)之间的差来评价传热量的平衡程度,从而获得左侧/右侧的传热量比率。
通过以板坯为单位计算铜板的长边和短边的传热量比率并评价该比率与平衡值(即,长边/短边的传热量比率为1时的值)之间的差来评价传热量的平衡程度,从而获得长边/短边的传热量比率。
内侧/外侧的传热量比率、左侧/右侧的传热量比率和长边/短边的传热量比率的最理想值是1,其中,这些比率距离1越远,它们的特性越差。
图6是示出利用应用根据本发明优选实施例的不锈钢板坯在线质量预测系统的预测方法的铸模传热评价项目的效果的曲线图。
如图6所示,在开发含大量Ti的钢种的铸模粉末的过程中,当应用本发明的优选实施例时,应该理解,铸模粉末的传热偏差比现有技术的传热偏差小,使得可以均匀地传热,从而预测质量的提高。
此外,在板坯固化结构中测量的信息在评价步骤中被数值地评价为奥氏体平均残留的铁素体、奥氏体表面的铁素体、铁素体的等轴晶比率以及马氏体的中心偏析度。
图7a是示出在304钢板坯中δ铁素体的分布的曲线图,图7b是示出430钢板坯固化结构的宏观固化结构的照片,图7c是示出420钢板坯固化结构的宏观固化结构的照片。
板坯固化结构被分为与钢材质量直接相关的固化结构。换言之,300系列钢,即,奥氏体钢评价板坯的残留δ铁素体。
参照图7a,板坯厚度方向的δ铁素体与产品质量之间密切相关。可以通过经验获得最佳δ铁素体的分布值。因此,本发明实施例利用操作结果按板坯的厚度来预测δ铁素体的分布,从而评价其稳固性。
参照图7b,铁素体不锈钢评价板坯内的等轴晶比率。等轴晶比率表示如图7b以方框示出的具有好的固化结构的部分。如果保证等轴晶比率,则不会引起最终产品中的起皱缺陷(ridging defect),并可省略退火操作。
本发明实施例开发了预测等轴晶比率的冶金模型,以从操作结果预测等轴晶比率。
参照图7,由于马氏体不锈钢包含大量碳,如图7c中的方框部分所示的板坯中间部分的碳偏析变为最重要。本发明实施例开发了预测板坯中间部分的碳偏析的冶金学模型,以预测板坯质量。
如前所述的评价结果可被用于预测奥氏体钢中的M-裂片(M-sliver),判断铁素体钢中的热雾退火,并预测马氏体钢的分层缺陷(lamination defect)。
这里,利用下述称为KRUPP方程的方程来评价并获得所述奥氏体平均残留的铁素体。
Figure DEST_PATH_GA20185027200680037136301D00011
得到的值与最佳值之间的差越小,可以预测其性能越好。
利用下面的方程来评价并获得所述奥氏体表面的铁素体。
相似的,得到的值与最佳值之间的差越小,可以预测其性能越好。
δ10m=f[(总平均铁素体),(二次冷却比水量),(热通量),(铸造速度),(铸造温度)]
相似的,得到的值与最佳值之间的差越小,可以预测其性能越好。
利用下面的方程评价并获得所述铁素体的等轴晶比率。
等轴晶比率(Ti>0.05)=f[(TiN结晶温度),(平均热通量),(铸造速度),(铸造温度),(Si/Al),(Ti的实际收益率)]
等轴晶比率(Ti=005)=f[(平均热通量),(铸造速度),(铸造温度),(EMS-A)]
等轴晶比率(Ti>0.05)=f[(TiN结晶温度),(平均热通量),(铸造速度),(铸造温度),(Si/Al),(Ti的实际收益率)]
即使Ti为0.05或更少或Ti为0.05或更多,仍然是等轴晶比率越高,表现出的特性就会越好。
利用下面的方程评价并获得所述马氏体的中心偏析度。
这时,中心偏析越接近1,表现出的特性就会越好。
中心偏析度=f[(碳钢%),(铸造温度),(铸造速度),(EMS电流),(平均热通量),(二次冷却比水量)]
这时,中心偏析度越接近1,表现出的特性就会越好。
模型中独立变化的项目可以直接用作一次操作数据,并且可以使用二次模型公式中二次处理或评价的项目。
此外,在振痕质量中测量的信息在评价步骤中被数值地评价为振痕深度、振痕质量、碳提取(C-提取)以及硫提取(S-提取)。
振痕是形成在板坯表面上的以恒定间距存在的具有深度的痕迹,振痕通过以恒定的振幅和频率摆动铸模顶部和底部以连续地铸造板坯而形成。由于不锈钢在连铸过程和加热炉中去除很少量的氧化皮,因此振痕质量尤其重要。即,如果振痕的深度过深或振痕具有偏析和破裂,则这些板坯缺陷与最终产品缺陷直接相关。
图8a是示出对振痕质量分类的视图,图8b是示出从包括振痕的板坯表面上的铸模粉末提取的碳和硫的曲线图。
参照图8a,其示出了随着振痕的种类增多,质量下降。
参照图8b,其示出了碳和硫的提取与振痕质量同样重要。本发明实施例开发了利用用于预测振痕深度和质量的操作结果和铸模粉末特性以及如上所述的板坯表面的碳和硫的提取量的冶金模型,从而预测板坯质量。
利用下面的方程评价并获得所述振痕深度。
振痕深度=f[(铸模频率),(铸模粉末消耗量)]
铸模粉末消耗量=f[(中间包钢水温度),(铸模粉末固化温度),(铸模粉末粘度),(铸造速度),(铸模频率)]
这时,振痕深度越小,评价出的特性就越好。
利用下面的方程评价并获得所述振痕质量。
振痕质量=f[(铸造速度),(MLAC误差率),(SEN沉积深度),(振痕深度)]
振痕质量=f[(铸造速度),(MLAC误差率),(SEN沉积深度),(振痕深度)]
振痕质量值越高,评价出的特性就越好。
利用下面的方程评价并获得所述碳提取。
C提取=f[(铸模渣层厚度),(U),(铸模粉末中的C的百分比)]
C提取=f[(铸模渣层厚度),(U值),(铸模粉末中的C的百分比)]
利用下面的方程评价并获得所述硫提取。
S提取=f[(铸模渣层厚度),(U),(铸模粉末中的S的百分比)]
S提取=f[(铸模渣层厚度),(U),(铸模粉末中的S的百分比)]
在碳或硫提取的情况中,数值越小,其特性越好。通过用于铸模粉末的熔化速度和消耗速度的计算模型来计算铸模板渣层厚度。
该方法主要用于预测由于渗碳导致的黑带缺陷和300系列钢的M-裂片缺陷。
模型中独立变化的项目可以直接用作一次操作数据,并且可以使用二次模型公式中二次处理或评价的项目。
图9a是示出振痕的预测值与实际值之间的差的曲线图,图9b是示出碳提取量的预测值与实际值之间的差的曲线图。
参照图9a,在预测300系列钢(诸如304钢)中,示出了预测值与实际值大约一致。同时,在预测400系列钢(诸如430钢)中,预测值比实际值大,然而,可以理解,预测值在一定范围内接近实际值。因此,在400系列钢中,当开发不研磨板坯的技术时,可以理解需要减少振痕深度。
参照图9b,可以理解,预测的板坯表面中的碳提取量大约接近实际提取量。这样的数据可被用于开发低碳或低硫的铸模粉末。
在纯度中测量的信息在评价步骤中被数值地评价为高熔点夹杂物的量、夹杂物氧化钛铝的含量、再氧化度、Ti的实际收益率,TiN结晶量、TiN结晶温度、氮孔、氩孔和钢中的氧化物含量。
图10a是用图示出根据本发明实施例的氧化物评价的概念的视图,图10b是用图示出根据本发明实施例的氮化物和气泡评价的概念的视图。
在图10a所示的氧化物的评价中,利用FactSage常用程序进行热力学计算。在氮化物和气泡的评价中,利用Thermo-Calc常用程序进行热力学计算。夹杂物操作的预测。计算所需的操作数据(例如,成分和温度等)使用储存在数据库中的值。
图11a是用图示出内在夹杂物的形成图样的视图,图11b是用图示出基于图11a所示的形成图样计算内在夹杂物的成分、氧化物含量、晶相、总氧(overall oxygen)的方法的视图。
非金属内的夹杂物的成分、含量、总氧、总氧化物量在纯度评价中是最重要的项目。
参照图11a,可以理解,通过利用悬浮在钢水中的渣料作为成核部位,随着温度的降低,钢水中的Al、Ti等发生脱氧反应,从而可以改变夹杂物的成分和含量。
参照图11b,可以基于形成图样利用FactSage常用程序计算夹杂物的成分、氧化物含量、晶相、总氧等。
通过计算并评价在作为中间包钢水基准的钢水中的非金属夹杂物中的固体量来获得所述高熔点夹杂物的量。固体量越大,可以预测出的特性越差。
通过计算并评价在作为中间包钢水基准的钢水中的非金属夹杂物中与表面质量高度相关的TiO2+Ti2O3+Al2O3的含量来获得所述夹杂物氧化钛铝的含量。夹杂物氧化钛铝含量越大,预测出的特性越差。
通过利用从AOD出钢到中间包的氮浓度的变化来评价再氧化度,从而获得所述再氧化度。
通过计算并评价钛合金钢(409L、439等)的Ti的实际收益率来获得所述Ti的实际收益率。该值越高,评价出的特性越好。
通过利用热力学计算并评价钛合金钢(作为中间包基准)的TiN结晶量来获得所述TiN结晶量。TiN结晶量越高,特性变得越差。
通过热力学地计算形成TiN的温度并评价该温度与中间包温度之间的差来获得所述TiN结晶温度。当TiN结晶温度比中间包钢水温度高时,即,TiN结晶温度越高,预测出的特性越差。
通过热力学地计算并评价在高氮钢情况下的固化过程中氮气的形成量来获得所述氮孔。通过利用在连铸过程中使用的Ar气体流速来评价氩孔,从而获得所述氩孔。通过热力学地计算并评价作为中间包基准的钢水中的总的氧化物含量来获得所述氧化物含量。氮孔和氩孔两者越高,特性变得越差。
图12a是示出总氧的预测值以及总氧的实际值之间的相互比较的视图,图12b是示出钢中的夹杂物中的高熔点的夹杂物的量的预测值的曲线图。
参照图12a,可以理解,预测的总氧值与实际总氧值相似。
参照图12b,可以意识到,在304钢和430钢中预测到很好的没有高熔点的夹杂物,在409L钢中预测到大量的具有高熔点的夹杂物。实际上,已确认在409L钢中具有诸如CaTiO3的高熔点相。
在连铸稳定性中测量的信息在评价步骤中被数值地评价为铸造温度偏差、铸造温度差量、铸造速度偏差、MLAC度、滑动门开度偏差、滑动门开度变化量、钢水流量、浸入式水口的沉积深度、铸模-板坯摩擦力、板坯表面温度以及二次冷却比水量。连铸稳定性评价目标值和结果值之间的差,该差是与质量相关的重要的连铸操作因素。
具体来讲,铸造速度偏差、铸造温度偏差、MLAC度和铸模-板坯摩擦力是主要在连铸操作中评价的因素;浸入式水口的沉积深度、上升流速、滑动门开度偏差和滑动门开度变化量是与控制铸模中钢水流量相关的评价因素;二次冷却比水量和板坯表面温度是与二次冷却相关的评价因素。
通过计算并评价铸造温度偏差来获得所述铸造温度偏差。通过计算并评价设定的铸造温度和实际铸造温度之间的差来获得所述铸造温度差量。通过计算并评价铸造速度偏差来获得所述铸造速度偏差。铸造温度偏差、铸造温度差量和铸造速度偏差越小,获得的评价结果越好。
通过计算并评价弯月面波动量(±1mm误差率)来获得所述MLAC度。通过计算并评价滑动门开度在板坯的开始和结束之间的变化来获得所述滑动门开度变化量。通过计算并评价滑动门偏差来获得所述滑动门开度偏差。关于MLAC度的评价越高,并且滑动门开度偏差和滑动门开度变化量越小,评价结果变得越好。
通过计算并评价在铸模中的钢水流速来获得所述钢水流量(U-值)。该值越小,评价结果变得越好。
通过计算并评价利用激光传感器测量的浸入式入水口的沉积深度与在操作标准下设定的沉积深度之间的差来获得所述浸入式水口的沉积深度。该差越小,评价结果变得越好。
通过利用铸造条件、铸模粉末消耗量等计算并评价铸模-板坯摩擦力来获得所述铸模-板坯摩擦力。当摩擦力小时,能够进行稳定的操作并生产出优良的产品。
通过计算并评价利用温度计测量的板坯表面温度和钢材最佳值之间的差来获得所述板坯表面温度。通过计算并评价由二次冷却水流速数据计算的二次冷却比水量与钢材的设定值之间的差来获得所述二次冷却比水量。
图13是示出利用应用根据本发明优选实施例的不锈钢板坯在线质量预测系统的预测方法的浸入式水口的沉积深度的评价项目的效果的曲线图。
参照图13,当根据本发明优选实施例应用激光传感器时,可以理解,在本操作中的沉积深度精确地符合110mm和120mm。同时,可以理解,传统的沉积深度的分布为100mm到140mm。
因此,可以通过准确地观察需要的沉积深度来期望最终产品质量的提高。
通过上述评价数值地得出的项目被收集到系统中,使得它们可以被用于以板坯为单位的质量评价、以板坯为单位的产生产品缺陷的可能性评价、质量分析和根据质量问题的操作指南等。虽然示出并描述了本发明的一些实施例,但是本领域技术人员应该理解,在不脱离本发明的原理和精神的情况下,可对这些实施例进行改变,本发明的范围在权利要求及其等同物中限定。

Claims (10)

1.一种利用不锈钢板坯的在线质量预测系统的预测方法,该方法包括以下步骤:
测量预测项目,以预测不锈钢板坯的质量;
评价,基于所测量的预测项目做出数值评价;
通过分析评价步骤所产生的数值来预测不锈钢板坯的质量,
其中,所述预测项目是初始固化均匀度、铸模冷却速度、板坯固化结构、板坯振痕质量、纯度和连铸操作稳定性,
其中,在初始固化均匀度中测量的信息在评价步骤被数值地评价为铜板温度、铜板温度偏差、铜板内侧/外侧的温度比率、铜板左侧/右侧的温度比率以及铜板长边/短边的温度比率,
其中,在铸模冷却速度中测量的信息在评价步骤中被数值地评价为传热量、传热量偏差、内侧/外侧的传热量比率、左侧/右侧的传热量比率以及长边/短边的传热量比率,
其中,在板坯固化结构中测量的信息在评价步骤中被数值地评价为奥氏体平均残留的铁素体、奥氏体表面的铁素体、铁素体的等轴晶比率以及马氏体的中心偏析度,
其中,在板坯振痕质量中测量的信息在评价步骤中被数值地评价为振痕深度、振痕质量、碳提取以及硫提取,
其中,在纯度中测量的信息在评价步骤中被数值地评价为高熔点夹杂物的量、夹杂物氧化钛铝的含量、再氧化度、Ti的实际收益率,TiN结晶量、TiN结晶温度、氮孔、氩孔和钢中的氧化物含量,
其中,在连铸操作稳定性中测量的信息在评价步骤中被数值地评价为铸造温度偏差、铸造温度差量、铸造速度偏差、MLAC度、滑动门开度偏差、滑动门开度变化量、钢水流量、浸入式水口的沉积深度、铸模-板坯摩擦力、板坯表面温度以及二次冷却比水量。
2.根据权利要求1所述的利用不锈钢板坯的在线质量预测系统的预测方法,其中,利用下述KRUPP方程来评价并获得所述奥氏体平均残留的铁素体,
[KRUPP方程]
Figure FSB00000039261500021
其中,δ-铁素体%表示体积百分比,%元素表示重量百分比。
3.根据权利要求1所述的利用不锈钢板坯的在线质量预测系统的预测方法,其中,通过计算并评价在作为中间包钢水基准的钢水中的非金属夹杂物中的固体量来获得所述高熔点夹杂物的量。
4.根据权利要求1所述的利用不锈钢板坯的在线质量预测系统的预测方法,其中,通过计算并评价在作为中间包钢水基准的钢水中的非金属夹杂物中与表面质量高度相关的TiO2+Ti2O3+Al2O3的含量来获得所述夹杂物氧化钛铝的含量。
5.根据权利要求1所述的利用不锈钢板坯的在线质量预测系统的预测方法,其中,通过利用从AOD出钢到中间包的氮浓度的变化来评价再氧化度,从而获得所述再氧化度。
6.根据权利要求1所述的利用不锈钢板坯的在线质量预测系统的预测方法,其中,通过计算并评价钛合金钢的Ti的实际收益率来获得所述Ti的实际收益率。
7.根据权利要求1所述的利用不锈钢板坯的在线质量预测系统的预测方法,其中,通过利用热力学计算并评价作为中间包基准的钛合金钢的TiN结晶量来获得所述TiN结晶量;
通过热力学地计算形成TiN的温度并评价该温度与中间包温度的差来获得所述TiN结晶温度。
8.根据权利要求1所述的利用不锈钢板坯的在线质量预测系统的预测方法,其中,通过热力学地计算并评价在高氮钢情况下在固化过程中氮气的形成量来获得所述氮孔;
通过使用在连铸过程中使用的Ar气体流速评价氩孔来获得所述氩孔。
9.根据权利要求1所述的利用不锈钢板坯的在线质量预测系统的预测方法,其中,通过热力学地计算并评价作为中间包基准的钢水中的总的氧化物的量来获得所述钢中的氧化物含量。
10.根据权利要求1所述的利用不锈钢板坯的在线质量预测系统的预测方法,其中,通过计算并评价利用激光传感器测量的浸入式入水口的沉积深度和操作标准下设定的沉积深度之间的差来获得所述浸入式水口的沉积深度。
CN2006800371363A 2005-10-04 2006-09-27 不锈钢板坯的在线质量预测系统以及应用该系统的预测方法 Expired - Fee Related CN101283361B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR10-2005-0092778 2005-10-04
KR1020050092778A KR100709000B1 (ko) 2005-10-04 2005-10-04 스테인레스강 주편 품질 온라인 예측 시스템 및 이를이용한 예지방법
PCT/KR2006/003842 WO2007040314A1 (en) 2005-10-04 2006-09-27 An on-line quality prediction system for stainless steel slab and the preedicting method using it

Publications (2)

Publication Number Publication Date
CN101283361A CN101283361A (zh) 2008-10-08
CN101283361B true CN101283361B (zh) 2010-09-01

Family

ID=37906348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2006800371363A Expired - Fee Related CN101283361B (zh) 2005-10-04 2006-09-27 不锈钢板坯的在线质量预测系统以及应用该系统的预测方法

Country Status (6)

Country Link
US (1) US20090138223A1 (zh)
EP (1) EP1934855A4 (zh)
JP (1) JP4829972B2 (zh)
KR (1) KR100709000B1 (zh)
CN (1) CN101283361B (zh)
WO (1) WO2007040314A1 (zh)

Families Citing this family (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100103078A (ko) * 2009-03-13 2010-09-27 한국생산기술연구원 알루미늄 용탕 통합관리 시스템 및 그 방법
EP2272605A1 (de) * 2009-06-24 2011-01-12 Siemens AG Regelverfahren für den Gießspiegel einer Stranggießkokille
CN101916080B (zh) * 2010-07-15 2011-12-28 首钢总公司 一种对高炉钛平衡进行实时在线计算的系统及其方法
KR101299094B1 (ko) * 2010-08-30 2013-08-27 현대제철 주식회사 래들 교환시 용강 오염범위 예측 방법
KR101224970B1 (ko) 2011-05-30 2013-01-22 현대제철 주식회사 연주공정에서 제품의 표면크랙 예측 장치 및 그 방법
WO2012176211A1 (en) * 2011-06-24 2012-12-27 Aditya Birla Science & Technology Co. Ltd. A computer implemented interactive system for facilitating aluminium smelting analysis and optimization
CN102527974B (zh) * 2012-01-18 2013-06-12 重庆钢铁(集团)有限责任公司 防止连铸板坯窄面鼓肚的方法
CN102527971B (zh) * 2012-02-27 2014-01-22 宝山钢铁股份有限公司 一种铸坯内裂缺陷的在线预报方法
KR101368350B1 (ko) 2012-02-29 2014-03-03 현대제철 주식회사 용강의 탄소증가량 예측장치 및 그 방법
KR101344897B1 (ko) 2012-02-29 2013-12-26 현대제철 주식회사 연속주조시 판재의 품질 예측장치 및 그 방법
KR101505406B1 (ko) 2012-04-26 2015-03-25 현대제철 주식회사 주편 품질 예측 방법
KR101400041B1 (ko) * 2012-04-26 2014-05-30 현대제철 주식회사 용강의 탄소증가량 예측장치 및 그 방법
KR101456453B1 (ko) 2012-07-24 2014-10-31 주식회사 포스코 주편 품질 예측 장치 및 그 방법
KR101505141B1 (ko) 2013-04-30 2015-03-23 현대제철 주식회사 극저탄소강 제조방법
CN104484560B (zh) * 2014-12-08 2017-08-11 燕山大学 一种适合于连退机组的带钢跑偏预报方法
JP6440586B2 (ja) * 2015-07-06 2018-12-19 株式会社シオザワ 機密書類廃棄用キャビネット
US10275565B2 (en) 2015-11-06 2019-04-30 The Boeing Company Advanced automated process for the wing-to-body join of an aircraft with predictive surface scanning
US10444079B2 (en) * 2016-10-13 2019-10-15 Tata Consultancy Services Limited System and method for accretion detection
CN108067599B (zh) * 2016-11-15 2019-09-17 上海宝信软件股份有限公司 基于炼钢连铸全过程数据的板坯质量分析方法
CN107498015A (zh) * 2017-08-08 2017-12-22 唐山不锈钢有限责任公司 一种预报板坯连铸中心偏析的方法
CN109085213B (zh) * 2018-08-10 2020-12-04 广东工业大学 一种应力腐蚀裂纹萌生寿命预测方法
US10712730B2 (en) 2018-10-04 2020-07-14 The Boeing Company Methods of synchronizing manufacturing of a shimless assembly
CN111220614B (zh) * 2018-11-27 2023-05-09 宝山钢铁股份有限公司 一种快速评估钢水质量的方法
US11360039B2 (en) * 2019-01-28 2022-06-14 Colorado School Of Mines Identification of variations or defects in a slab material, made from a continuous casting process
WO2020188549A2 (en) * 2019-03-20 2020-09-24 Tata Consultancy Services Limited Method and system for monitoring and optimizing the operation of an alumina rotary kiln
CN110673556B (zh) * 2019-09-23 2021-03-02 珠海格力电器股份有限公司 一种用于胀管过程的质量管控方法及系统
CN112935213B (zh) * 2019-12-11 2022-10-28 中冶京诚工程技术有限公司 结晶器内钢水液面高度测量方法及相关装置
CN111429424B (zh) * 2020-03-20 2023-08-11 中冶赛迪信息技术(重庆)有限公司 一种基于深度学习的加热炉入口异常识别方法
CN112068506B (zh) * 2020-07-31 2021-10-29 马鞍山钢铁股份有限公司 一种连铸铸坯宽度的自动、快速、准确预报方法
CN112884272A (zh) * 2021-01-07 2021-06-01 江苏联峰能源装备有限公司 一种电炉炉长操作自动实时评价的方法
CN113092712B (zh) * 2021-02-26 2023-05-09 邯郸钢铁集团有限责任公司 一种高端汽车用外板暴露件铸坯质量评估方法
CN113649538B (zh) * 2021-08-19 2023-04-07 宝武集团鄂城钢铁有限公司 板坯连铸机基于钢水温度控制的自动变渣线系统
CN114686660A (zh) * 2022-04-14 2022-07-01 武汉科技大学 增材制造不锈钢及其热调控方法、及纳米夹杂物尺寸预测方法
CN115049319B (zh) * 2022-08-15 2022-12-20 张家港广大特材股份有限公司 一种钢材锻造成型的质量评估方法及系统
CN115856004B (zh) * 2023-01-30 2023-05-05 中航久远科技(北京)有限公司 预测430铁素体不锈钢中夹杂物在热轧过程中变形能力的方法
CN116772742B (zh) * 2023-08-23 2023-10-27 江苏永钢集团有限公司 一种连铸方坯振痕深度测量方法
CN116992265B (zh) * 2023-09-22 2024-01-09 卡奥斯工业智能研究院(青岛)有限公司 碳排放量估算方法、装置、设备和存储介质
CN117644189B (zh) * 2024-01-30 2024-04-05 北京科技大学 一种采用离散小波变换监测连铸过程中铸坯鼓肚的方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1152267A (zh) * 1995-03-29 1997-06-18 新日本制铁株式会社 连铸板坯的质量预测和质量控制

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62224454A (ja) * 1986-03-25 1987-10-02 Kobe Steel Ltd 連続鋳造用鋳型
JPH0399759A (ja) * 1989-09-13 1991-04-24 Kawasaki Steel Corp 単ロール法におけるノズルの位置ずれなどの検出および修正方法
JP2961332B2 (ja) * 1991-03-12 1999-10-12 日新製鋼株式会社 Ti含有鋼の無手入れ連鋳スラブの製造法
KR950007169B1 (ko) * 1992-12-30 1995-07-03 포항종합제철주식회사 이종강종 혼합주편의 성분예측방법
JPH06304725A (ja) * 1993-04-26 1994-11-01 Nippon Steel Corp 連続鋳造における鋳片表面品質評価方法および鋳造異常の検出方法
JPH0747453A (ja) * 1993-08-10 1995-02-21 Nippon Steel Corp 連続鋳造における品質制御方法
JPH08159883A (ja) * 1994-12-07 1996-06-21 Nippon Steel Corp 連続鋳造設備における鋳型熱電対の正常・異常判別方法および同熱電対を用いたブレークアウトの検知方法
KR0140324B1 (ko) * 1994-12-29 1998-07-15 김만제 전문가 시스템을 이용한 연주주편 품질 예측방법
EP0755737B2 (en) * 1995-02-09 2013-08-07 JFE Steel Corporation Continuous casting method for austenitic stainless steel
JPH0976050A (ja) * 1995-09-13 1997-03-25 Sumitomo Metal Ind Ltd モールドパウダー厚の制御方法および装置
CA2182645A1 (en) * 1996-07-12 1998-01-13 James Kellams Custom quality control monitoring of a steel making process
KR20010057093A (ko) * 1999-12-18 2001-07-04 이구택 연속주조주편의 내부 품질 평가 방법
KR100419886B1 (ko) * 1999-12-21 2004-03-02 주식회사 포스코 이강종 연연주시 강종 혼합정도 예측방법
JP3728198B2 (ja) * 2000-11-10 2005-12-21 新日本製鐵株式会社 評価対象の状態検出装置、状態検出方法およびコンピュータ読み取り可能な記録媒体
KR100832424B1 (ko) * 2001-11-30 2008-05-26 주식회사 포스코 신경회로망을 이용한 연속주조공정의 품질안정화 방법
JP3845332B2 (ja) * 2002-04-11 2006-11-15 新日本製鐵株式会社 流動状態の推定装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記憶媒体
JP3896026B2 (ja) * 2002-04-12 2007-03-22 新日本製鐵株式会社 連続鋳造鋳型内における溶鋼流動状態の診断装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記憶媒体
JP2004141906A (ja) * 2002-10-23 2004-05-20 Jfe Steel Kk 連続鋳造の鋳片異常検出方法及び装置
JP4259164B2 (ja) * 2003-04-07 2009-04-30 Jfeスチール株式会社 連続鋳造鋳片の品質監視装置及び品質監視方法
US6885907B1 (en) * 2004-05-27 2005-04-26 Dofasco Inc. Real-time system and method of monitoring transient operations in continuous casting process for breakout prevention

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1152267A (zh) * 1995-03-29 1997-06-18 新日本制铁株式会社 连铸板坯的质量预测和质量控制

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
朱兴元.连铸板坯质量预测模型.钢铁研究 5.1993,(5),全文.
朱兴元.连铸板坯质量预测模型.钢铁研究 5.1993,(5),全文. *
黄欣秋.奥钢炼钢厂连铸板坯自动质量控制装置.宽厚板5 6.1999,5(6),37-39.
黄欣秋.奥钢炼钢厂连铸板坯自动质量控制装置.宽厚板5 6.1999,5(6),37-39. *

Also Published As

Publication number Publication date
WO2007040314A1 (en) 2007-04-12
JP2009509769A (ja) 2009-03-12
US20090138223A1 (en) 2009-05-28
KR100709000B1 (ko) 2007-04-18
CN101283361A (zh) 2008-10-08
EP1934855A1 (en) 2008-06-25
EP1934855A4 (en) 2009-10-28
JP4829972B2 (ja) 2011-12-07
KR20070037781A (ko) 2007-04-09

Similar Documents

Publication Publication Date Title
CN101283361B (zh) 不锈钢板坯的在线质量预测系统以及应用该系统的预测方法
JP5214266B2 (ja) 連続鋳造における鋳片の軽圧下方法
EP1925936B1 (en) New thermal analysis device
Tkadlečková et al. Numerical modelling of macrosegregation in heavy steel ingot
Thomas Continuous casting of steel
JP4704980B2 (ja) 大断面ブルーム連鋳における軸受鋼の中心偏析改善方法
JP2008264827A (ja) 連鋳におけるバネ用鋼の中心偏析改善方法
Volkova et al. Microstructure and cleanliness of rapidly solidified steels
JP4704981B2 (ja) 大断面ブルーム連鋳における機械構造用鋼の中心偏析改善方法
CN115401178B (zh) 一种改善齿轮钢内部质量的压下工艺确定方法
JP2001259812A (ja) 連続鋳造鋳片の中心偏析評価方法及び低減方法
Shin et al. Analysis of hook formation mechanism in ultra low carbon steel using CON1D heat flow–solidification model
JP2008264830A (ja) 連鋳における高炭素鋼クロム軸受鋼の中心偏析改善方法
Samuelsson et al. ODE-based modelling and calibration of temperatures in steelmaking ladles
Chen et al. Experimental Investigations on Solidification of 500-kg Steel Ingots with Laboratory Trials
JP4501892B2 (ja) 連続鋳造の鋳型内溶湯温度の推定方法及び装置
Kavička et al. Numerical models of solidification and their application in metal and ceramic technology
Normanton et al. Advances in secondary steelmaking and continuous casting
KR20130099289A (ko) 연속주조시 판재의 품질 예측장치 및 그 방법
Fix et al. Design of As‐Cast Structures of Continuously Cast Steel Grades: Modeling and Prediction
Akhtar Analysis of the nail board experiment to measure the liquid slag depth in steel continuous casting
Xu et al. Prediction of grain size, precipitation and crack susceptibility in continuous casting
Hughes-Narborough et al. Dynamic superheat determination in a continuous casting machine-process, practice and benefits
Normanton et al. Tools and techniques for use in development of mould powders
Lopez et al. Optimization of Casting Praxis Using SWERIM’s Digital Twin

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20100901

Termination date: 20200927

CF01 Termination of patent right due to non-payment of annual fee