CN109385516A - 一种确定轧钢加热炉脱碳工艺参数的方法 - Google Patents

一种确定轧钢加热炉脱碳工艺参数的方法 Download PDF

Info

Publication number
CN109385516A
CN109385516A CN201811257639.2A CN201811257639A CN109385516A CN 109385516 A CN109385516 A CN 109385516A CN 201811257639 A CN201811257639 A CN 201811257639A CN 109385516 A CN109385516 A CN 109385516A
Authority
CN
China
Prior art keywords
data
decarbonization process
furnace
practical
steel
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.)
Pending
Application number
CN201811257639.2A
Other languages
English (en)
Inventor
潘建洲
林劲松
胡远刚
黄雪岩
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.)
Fujian Sangang Minguang Co Ltd
Fujian Sangang Group Co Ltd
Original Assignee
Fujian Sangang Minguang Co Ltd
Fujian Sangang Group 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 Fujian Sangang Minguang Co Ltd, Fujian Sangang Group Co Ltd filed Critical Fujian Sangang Minguang Co Ltd
Priority to CN201811257639.2A priority Critical patent/CN109385516A/zh
Publication of CN109385516A publication Critical patent/CN109385516A/zh
Pending legal-status Critical Current

Links

Classifications

    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D3/00—Diffusion processes for extraction of non-metals; Furnaces therefor
    • C21D3/02—Extraction of non-metals
    • C21D3/04—Decarburising
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D11/00—Process control or regulation for heat treatments
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D9/00—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor
    • C21D9/0075—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor for rods of limited length
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Thermal Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Mechanical Engineering (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Heat Treatment Processes (AREA)

Abstract

本发明涉及一种确定轧钢加热炉脱碳工艺参数的方法，该方法将采用不同轧钢加热炉脱碳工艺参数脱碳得到的脱碳工艺数据作为样本，并将这些脱碳工艺数据输入神经元网络模型中进行神经元网络模型训练。将加热炉监视系统所监测到的测量数据和炉况数据作为输入值，输入到训练好的神经元网络模型的输入层。通过不断调整各测量数据和炉况数据的数值，模拟出不同生产工况下的脱碳层厚度。当脱碳层厚度低于实际脱碳层厚度数据AY与理论脱碳层厚度数据CY的误差D的0.5%时，各个测量数据和炉况数据对应的数值即为最优脱碳层厚度控制工艺参数。本发明用于协助工程技术人员快速从若干种新的轧钢加热炉脱碳工艺中选出最优的工艺，从而提高产品质量。

Description

一种确定轧钢加热炉脱碳工艺参数的方法
技术领域
本发明涉及加热炉脱碳工艺技术领域，更具体地说是指一种确定轧钢加热炉脱碳工艺参数的方法。
背景技术
优质圆棒的脱碳层是一项重要的技术指标，脱碳层深度直接影响到圆棒的耐磨性能和使用寿命。钢材的脱碳层主要取决于钢坯加热工艺的控制，具有一定市场品牌影响力的棒材脱碳生产线已能达到脱碳层深度不超过0.5%D。
目前圆棒加热炉采用双蓄热式加热炉。蓄热式燃烧技术是燃料燃烧领域的一项新技术，具有高效节能和低污染排放两大优点，且能够提高热能利用率。但是由于圆棒加热炉处于高炉煤气管网末端，其煤气压力极不稳定，而煤压的波动会导致炉内气氛的跟随波动，进而影响对脱碳层的控制。此外，蓄热式加热炉烧嘴特有的周期换向加热方式，造成了炉内煤气成份的频繁波动，影响炉内温度场分布，亦会导致圆棒表面脱碳层超标。
加热工艺中确定的加热时间和加热温度等因素对脱碳有很重要的影响。如何科学确定合适的加热条件使得钢坯在加热过程中达到最优的脱碳效果一直是工程技术人员努力的目标。为了控制圆棒的表面脱碳层深度，使脱碳层深度达到要求，需要掌握脱碳层与炉内气氛、加热时间和加热温度等条件的关系，根据实际情况来控制加热温度和时间，制定效果最优的加热方案。由于钢坯的脱碳控制工艺模型可以看作一个多影响因素的非线性复杂的数学模型，用普通数学模型很难将其表现出来。因此，我们提供了一种确定轧钢加热炉脱碳工艺参数的方法。
发明内容
本发明提供一种确定轧钢加热炉脱碳工艺参数的方法，以解决如何通过神经元网络模型，确定出负荷当前加热炉工况的脱碳工艺，以期实时动态调整脱碳层控制工艺，使得加热坯料在该工艺下脱碳层厚度最小等问题。
本发明采用如下技术方案：
一种确定轧钢加热炉脱碳工艺参数的方法，其特征在于，包括以下步骤：
（1）采用不同轧钢加热炉脱碳工艺参数对轧钢进行脱碳，并将每个脱碳过程的脱碳工艺数据DATA和实际脱碳层厚度数据AY作为样本输入神经元网络模型中，进行神经元网络模型训练；
（2）将加热炉监视系统所监测到的测量数据和炉况数据作为输入值，输入到训练好的神经元网络模型的输入层；
（3）通过不断调整各个测量数据和炉况数据的数值，模拟出不同生产工况下生成的脱碳层厚度，其中测量数据和炉况数据调整时按主要因素和次要因素的先后顺序优先调整主要因素，当该脱碳层厚度即神经元网络模型输出值低于实际脱碳层厚度数据AY与理论脱碳层厚度数据CY的误差D的0.5%时，则认为轧钢加热炉脱碳工艺参数的寻优过程结束，此时各个测量数据和炉况数据对应的数值即为最优脱碳层厚度控制工艺参数。
进一步地，所述神经元网络模型为Sigmoid激活函数。
进一步地，所述神经元网络模型训练包括以下步骤：
（1）将每个脱碳工艺数据DATA和实际脱碳层厚度数据AY作为一个样本，最终形成一个样本集，其中，脱碳工艺数据DATA包括加热温度、加热时间、空燃配比、高炉煤气含水量、炉膛压力和煤气压力；
（2）以上述样本中的脱碳工艺数据DATA作为输入值，通过默认权重的神经元网络模型计算得到输出值，该输出值为理论脱碳层厚度数据CY；
（3）计算实际脱碳层厚度数据AY与理论脱碳层厚度数据CY的误差D=AY-CY；
（4）根据误差D调整权重矩阵W；
（5）每个样本均重复上述过程，直到整个样本集的样本误差均不超过规定范围，即完成神经元网络模型的训练。
进一步地，所述主要因素包括加热温度、加热时间、空燃配比和高炉煤气含水量，所述次要因素包括炉膛压力和煤气压力。
进一步地，所述轧钢为35CrMo圆棒原料钢种，该轧钢脱碳时采用弱氧化性或还原性气氛。
进一步地，所述加热温度包括加一段温度、加二段温度和均热段温度，所述加一段温度为750℃～850℃，所述加二段温度为1050±20℃，所述均热段温度为1120±20℃。
进一步地，所述空燃配比为0.7~1.0，该空燃配比包括加一段空燃配比、加二段空燃配比和均热段空燃配比，所述加一段空燃配比为1.0，所述加二段空燃配比为0.9，所述均热段空燃配比为0.7。
进一步地，所述炉膛压力为+25Pa~+40Pa。
进一步地，所述钢坯为30CrMnTi等含碳量在0.25～0.35%范围的钢种，该钢坯走一步空一步，步距为260mm，加热时间不超过120min。
进一步地，所述钢坯为40Cr等含碳量在0.36～0.45%范围的钢种，该钢坯走一步空一步，步距为310mm，加热时间不超过100min；所述钢坯的平均步进节奏为100秒。
由上述对本发明的描述可知，和现有技术相比，本发明具有如下优点：
本发明将轧钢加热炉燃烧过程中的各种检测数据与加热炉炉况作为输入信号，钢坯加热后的脱碳层厚度数据作为输出信号。通过神经元网络训练和寻优过程，可将测量数据和炉况数据等脱碳工艺数据中各种复杂的非线性影射关系用神经元网络模型来表示。在加热炉实际操作时，将加热炉监视系统所测到的脱碳工艺数据输入到神经元网络模型，神经元网络模型将自动判别最适合加热炉目前炉况与工况的燃烧状态，以达到生成的钢坯脱碳层厚度低于0.5%D的目的。
本发明主要用于协助工程技术人员快速从若干种新的轧钢加热炉脱碳工艺中选出最优的工艺。该方法对于快速选取最优工艺，提高产品质量以及加深对脱碳数学模型的研究有非常重要的意义。
具体实施方式
一种确定轧钢加热炉脱碳工艺参数的方法，其特征在于，包括以下步骤：
（1）采用不同轧钢加热炉脱碳工艺参数对轧钢进行脱碳得到脱碳工艺数据DATA和实际脱碳层厚度数据AY，并将每个脱碳工艺数据DATA和实际脱碳层厚度数据AY作为一个样本，最终形成一个样本集。其中，脱碳工艺数据DATA包括加热温度、加热时间、空燃配比、高炉煤气含水量、炉膛压力和煤气压力。
（2）以上述样本中的脱碳工艺数据DATA作为输入值，通过默认权重的神经元网络模型计算得到输出值，该输出值即为理论脱碳层厚度数据CY，其中，采用的神经元网络模型为Sigmoid激活函数。
（3）计算实际脱碳层厚度数据AY与理论脱碳层厚度数据CY的误差D=AY-CY。
（4）根据误差D调整权重矩阵W。
（5）每个样本均重复上述过程，直到整个样本集的样本误差均不超过规定范围，即完成神经元网络模型的训练。
（6）将加热炉监视系统所监测到的测量数据和炉况数据作为输入值，输入到训练好的神经元网络模型的输入层。
（7）通过不断调整各个测量数据和炉况数据的数值，模拟出不同生产工况下生成的脱碳层厚度。测量数据和炉况数据输入时按主要因素和次要因素的先后顺序优先调整主要因素。其中，主要因素包括加热温度、加热时间、空燃配比和高炉煤气含水量，次要因素包括炉膛压力和煤气压力。当该脱碳层厚度即神经元网络模型输出值低于实际脱碳层厚度数据AY与理论脱碳层厚度数据CY的误差D的0.5%时，则认为轧钢加热炉脱碳工艺参数的寻优过程结束，此时各个测量数据和炉况数据对应的数值即为最优的脱碳层厚度控制工艺参数。
轧钢实际脱碳过程中，采用35CrMo圆棒原料钢种的轧钢在弱氧化性或还原性气氛进行脱碳。分别将加热炉监视系统监测得到的各个测量数据和炉况数据输入到训练好的神经元网络模型，通过不断调整得到35CrMo圆棒原料钢种的最优脱碳工艺参数。
35CrMo圆棒原料钢种的加一段温度为750℃～850℃，加二段温度为1050±20℃，均热段温度为1120±20℃。空燃配比为0.7~1.0，其中加一段空燃配比为1.0，加二段空燃配比为0.9，均热段空燃配比为0.7。脱碳时还要严格控制煤气含水量，防止其影响煤气热值从而导致燃烧质量下降。炉膛压力为+25Pa~+40Pa，以防止炉膛压力低吸入冷风或炉膛压力高造成炉膛尾部出现冒火现象。
结合神经元网络模型的输出结果，通过调整加热炉内步距及空步来调整钢坯的在炉时间。对于30CrMnTi等含碳量在0.25～0.35%范围的钢种，钢坯走一步空一步，步距为260mm，加热时间不超过120min。对于40Cr等含碳量在0.36～0.45%范围的钢种，钢坯走一步空一步，步距为310mm，加热时间不超过100min。钢坯按一定加热时间进入各区段时，各段分别按目标温度进行温度设定，以便自动控制燃烧。钢坯的平均步进节奏约为100秒。当钢坯步进到炉前，后面区段的空燃配比即可恢复理论燃烧的正常值。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (10)

1.一种确定轧钢加热炉脱碳工艺参数的方法，其特征在于，包括以下步骤：
（1）采用不同轧钢加热炉脱碳工艺参数对轧钢进行脱碳，并将每个脱碳过程的脱碳工艺数据DATA和实际脱碳层厚度数据AY作为样本输入神经元网络模型中，进行神经元网络模型训练；
（2）将加热炉监视系统所监测到的测量数据和炉况数据作为输入值，输入到训练好的神经元网络模型的输入层；
（3）通过不断调整各个测量数据和炉况数据的数值，模拟出不同生产工况下生成的脱碳层厚度，其中测量数据和炉况数据调整时按主要因素和次要因素的先后顺序优先调整主要因素，当该脱碳层厚度即神经元网络模型输出值低于实际脱碳层厚度数据AY与理论脱碳层厚度数据CY的误差D的0.5%时，则认为轧钢加热炉脱碳工艺参数的寻优过程结束，此时各个测量数据和炉况数据对应的数值即为最优脱碳层厚度控制工艺参数。
2.如权利要求1所述的一种确定轧钢加热炉脱碳工艺参数的方法，其特征在于：所述神经元网络模型为Sigmoid激活函数。
3.如权利要求2所述的一种确定轧钢加热炉脱碳工艺参数的方法，其特征在于，所述神经元网络模型训练包括以下步骤：
（1）将每个脱碳工艺数据DATA和实际脱碳层厚度数据AY作为一个样本，最终形成一个样本集，其中，脱碳工艺数据DATA包括加热温度、加热时间、空燃配比、高炉煤气含水量、炉膛压力和煤气压力；
（2）以上述样本中的脱碳工艺数据DATA作为输入值，通过默认权重的神经元网络模型计算得到输出值，该输出值为理论脱碳层厚度数据CY；
（3）计算实际脱碳层厚度数据AY与理论脱碳层厚度数据CY的误差D=AY-CY；
（4）根据误差D调整权重矩阵W；
（5）每个样本均重复上述过程，直到整个样本集的样本误差均不超过规定范围，即完成神经元网络模型的训练。
4.如权利要求1所述的一种确定轧钢加热炉脱碳工艺参数的方法，其特征在于：所述主要因素包括加热温度、加热时间、空燃配比和高炉煤气含水量，所述次要因素包括炉膛压力和煤气压力。
5.如权利要求4所述的一种确定轧钢加热炉脱碳工艺参数的方法，其特征在于：所述轧钢为35CrMo圆棒原料钢种，该轧钢脱碳时采用弱氧化性或还原性气氛。
6.如权利要求5所述的一种确定轧钢加热炉脱碳工艺参数的方法，其特征在于：所述加热温度包括加一段温度、加二段温度和均热段温度，所述加一段温度为750℃～850℃，所述加二段温度为1050±20℃，所述均热段温度为1120±20℃。
7.如权利要求5所述的一种确定轧钢加热炉脱碳工艺参数的方法，其特征在于：所述空燃配比为0.7~1.0，该空燃配比包括加一段空燃配比、加二段空燃配比和均热段空燃配比，所述加一段空燃配比为1.0，所述加二段空燃配比为0.9，所述均热段空燃配比为0.7。
8.如权利要求5所述的一种确定轧钢加热炉脱碳工艺参数的方法，其特征在于：所述炉膛压力为+25Pa~+40Pa。
9.如权利要求4所述的一种确定轧钢加热炉脱碳工艺参数的方法，其特征在于：所述钢坯为30CrMnTi等含碳量在0.25～0.35%范围的钢种，该钢坯走一步空一步，步距为260mm，加热时间不超过120min。
10.如权利要求4所述的一种确定轧钢加热炉脱碳工艺参数的方法，其特征在于：所述钢坯为40Cr等含碳量在0.36～0.45%范围的钢种，该钢坯走一步空一步，步距为310mm，加热时间不超过100min；所述钢坯的平均步进节奏为100秒。
CN201811257639.2A 2018-10-26 2018-10-26 一种确定轧钢加热炉脱碳工艺参数的方法 Pending CN109385516A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811257639.2A CN109385516A (zh) 2018-10-26 2018-10-26 一种确定轧钢加热炉脱碳工艺参数的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811257639.2A CN109385516A (zh) 2018-10-26 2018-10-26 一种确定轧钢加热炉脱碳工艺参数的方法

Publications (1)

Publication Number Publication Date
CN109385516A true CN109385516A (zh) 2019-02-26

Family

ID=65427846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811257639.2A Pending CN109385516A (zh) 2018-10-26 2018-10-26 一种确定轧钢加热炉脱碳工艺参数的方法

Country Status (1)

Country Link
CN (1) CN109385516A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109931709A (zh) * 2019-04-02 2019-06-25 深圳市佳运通电子有限公司 油田加热炉节能调节方法及系统
CN111549287A (zh) * 2020-06-28 2020-08-18 宝钢特钢韶关有限公司 中碳钢及其生产工艺
CN113155499A (zh) * 2021-04-20 2021-07-23 深圳市佳运通电子有限公司 一种油田加热炉运行状态评价方法和装置及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06346125A (ja) * 1993-06-10 1994-12-20 Sumitomo Metal Ind Ltd 連続式加熱炉の炉内圧力制御方法
CN102899470A (zh) * 2012-11-05 2013-01-30 南京钢铁股份有限公司 一种中碳冷镦钢线材表层脱碳的控制方法
CN105302952A (zh) * 2015-10-20 2016-02-03 首钢总公司 一种预测弹簧钢铸坯脱碳的有限元方法
CN106521120A (zh) * 2016-10-26 2017-03-22 南京钢铁股份有限公司 一种轴承钢加热脱碳控制方法
CN107385177A (zh) * 2017-06-06 2017-11-24 无锡兴澄特种材料有限公司 中碳钢表面脱碳控制热轧线材生产工艺

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06346125A (ja) * 1993-06-10 1994-12-20 Sumitomo Metal Ind Ltd 連続式加熱炉の炉内圧力制御方法
CN102899470A (zh) * 2012-11-05 2013-01-30 南京钢铁股份有限公司 一种中碳冷镦钢线材表层脱碳的控制方法
CN105302952A (zh) * 2015-10-20 2016-02-03 首钢总公司 一种预测弹簧钢铸坯脱碳的有限元方法
CN106521120A (zh) * 2016-10-26 2017-03-22 南京钢铁股份有限公司 一种轴承钢加热脱碳控制方法
CN107385177A (zh) * 2017-06-06 2017-11-24 无锡兴澄特种材料有限公司 中碳钢表面脱碳控制热轧线材生产工艺

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈鼎勋: "重轨钢U75V钢坯脱碳的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109931709A (zh) * 2019-04-02 2019-06-25 深圳市佳运通电子有限公司 油田加热炉节能调节方法及系统
CN111549287A (zh) * 2020-06-28 2020-08-18 宝钢特钢韶关有限公司 中碳钢及其生产工艺
CN113155499A (zh) * 2021-04-20 2021-07-23 深圳市佳运通电子有限公司 一种油田加热炉运行状态评价方法和装置及设备

Similar Documents

Publication Publication Date Title
CN109385516A (zh) 一种确定轧钢加热炉脱碳工艺参数的方法
CN106636606B (zh) 一种基于仿真模型的加热炉炉温控制方法
CN103952529B (zh) 一种步进式加热炉基于热平衡的炉温优化方法
CN106636610A (zh) 一种基于时间和炉长的双维度步进式加热炉升温曲线优化设定方法
CN101561224A (zh) 一种控制大型步进梁式板坯加热炉燃烧气氛的方法
CN104745780A (zh) 一种Cr12MoV钢锻造及热处理的生产方法
CN109226327B (zh) 一种2.25Cr1Mo0.25V钢大型筒体锻件锻轧结合制造方法
CN101195853A (zh) 一种防止高碳带钢坯脱碳的加热方法
CN104152668A (zh) 降低轧钢加热炉钢坯氧化烧损的装置及其方法
CN108444297B (zh) 一种轧钢加热炉炉内气氛调整方法
CN113343514A (zh) 一种步进式加热炉加热制度优化方法
CN104894362A (zh) 一种冷热钢坯混装的加热炉炉温设定方法
CN108984943B (zh) 加热炉钢坯温度跟踪模型修正方法
CN106011353B (zh) 一种高炉热风炉空燃比自寻优方法
CN109396759B (zh) 一种深潜用980钢大直径筒体锻轧结合制造方法
CN113174470B (zh) 一种F45MnVS钢材连续正火热处理方法
CN105483602B (zh) 一种减小重轨脱碳层的加热方法
CN109099719A (zh) 一种窑炉缓冷带防裂砖智能控制方法及系统
CN108397788B (zh) 一种适用于热轧炼钢气氛调节降低氧化烧损的自动控制系统和方法
CN105018716B (zh) 一种轧钢加热炉煤气热值动态设定方法
CN108645233B (zh) 一种减少加热待轧时间的方法
CN203715672U (zh) 一种步进式加热炉
CN106399664B (zh) 一种环形加热炉加热工艺优化方法
CN111020146A (zh) 一种控制82b网碳的轧钢加热方法
CN112666834A (zh) 一种适应燃气热值剧烈波动的加热炉炉温控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190226