CN117701849A - 一种用于电池壳的冷轧钢板及其制备方法 - Google Patents
一种用于电池壳的冷轧钢板及其制备方法 Download PDFInfo
- Publication number
- CN117701849A CN117701849A CN202311784729.8A CN202311784729A CN117701849A CN 117701849 A CN117701849 A CN 117701849A CN 202311784729 A CN202311784729 A CN 202311784729A CN 117701849 A CN117701849 A CN 117701849A
- Authority
- CN
- China
- Prior art keywords
- rolled steel
- cold
- optimization process
- iterative optimization
- steel sheet
- 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.)
- Granted
Links
- 239000010960 cold rolled steel Substances 0.000 title claims abstract description 89
- 238000002360 preparation method Methods 0.000 title abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 180
- 230000008569 process Effects 0.000 claims abstract description 148
- 238000010438 heat treatment Methods 0.000 claims abstract description 107
- 230000005540 biological transmission Effects 0.000 claims abstract description 72
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 67
- 239000010959 steel Substances 0.000 claims abstract description 67
- 238000000137 annealing Methods 0.000 claims abstract description 62
- 238000002485 combustion reaction Methods 0.000 claims abstract description 39
- 238000005097 cold rolling Methods 0.000 claims abstract description 12
- 238000005461 lubrication Methods 0.000 claims abstract description 11
- 238000012546 transfer Methods 0.000 claims abstract description 9
- 239000002253 acid Substances 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000005406 washing Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims description 137
- 239000007789 gas Substances 0.000 claims description 51
- 241000283153 Cetacea Species 0.000 claims description 33
- 238000001816 cooling Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 17
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 15
- 229910052739 hydrogen Inorganic materials 0.000 claims description 15
- 239000001257 hydrogen Substances 0.000 claims description 15
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 14
- 230000032683 aging Effects 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000005554 pickling Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 7
- 229910052757 nitrogen Inorganic materials 0.000 claims description 7
- 230000001681 protective effect Effects 0.000 claims description 7
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical group Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 claims description 6
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 6
- 239000003034 coal gas Substances 0.000 claims description 4
- 239000000314 lubricant Substances 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 claims description 3
- 235000019482 Palm oil Nutrition 0.000 claims description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 3
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 3
- 229910052782 aluminium Inorganic materials 0.000 claims description 3
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims description 3
- 239000012535 impurity Substances 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 3
- 229910052748 manganese Inorganic materials 0.000 claims description 3
- 239000011572 manganese Substances 0.000 claims description 3
- 239000002540 palm oil Substances 0.000 claims description 3
- 229910052698 phosphorus Inorganic materials 0.000 claims description 3
- 239000011574 phosphorus Substances 0.000 claims description 3
- 239000002994 raw material Substances 0.000 claims description 3
- 229910052710 silicon Inorganic materials 0.000 claims description 3
- 239000010703 silicon Substances 0.000 claims description 3
- 229910052717 sulfur Inorganic materials 0.000 claims description 3
- 239000011593 sulfur Substances 0.000 claims description 3
- 238000001931 thermography Methods 0.000 claims description 3
- 239000004359 castor oil Substances 0.000 claims description 2
- 235000019438 castor oil Nutrition 0.000 claims description 2
- ZEMPKEQAKRGZGQ-XOQCFJPHSA-N glycerol triricinoleate Natural products CCCCCC[C@@H](O)CC=CCCCCCCCC(=O)OC[C@@H](COC(=O)CCCCCCCC=CC[C@@H](O)CCCCCC)OC(=O)CCCCCCCC=CC[C@H](O)CCCCCC ZEMPKEQAKRGZGQ-XOQCFJPHSA-N 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 239000003921 oil Substances 0.000 claims description 2
- 235000019198 oils Nutrition 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 description 8
- 238000004321 preservation Methods 0.000 description 6
- 238000005096 rolling process Methods 0.000 description 6
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N Iron oxide Chemical compound [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 229910001873 dinitrogen Inorganic materials 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 229910000859 α-Fe Inorganic materials 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910001567 cementite Inorganic materials 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- KSOKAHYVTMZFBJ-UHFFFAOYSA-N iron;methane Chemical compound C.[Fe].[Fe].[Fe] KSOKAHYVTMZFBJ-UHFFFAOYSA-N 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen(.) Chemical compound [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000001953 recrystallisation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 239000003981 vehicle Substances 0.000 description 1
Classifications
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Control Of Heat Treatment Processes (AREA)
Abstract
本申请涉及冷轧钢板制备技术领域，提出了一种用于电池壳的冷轧钢板，并公开了冷轧钢板的制备方法，具体包括如下步骤：将热轧钢板依次进行酸洗处理、冷轧处理、润滑处理、退火处理和平整处理，得到用于电池壳的冷轧钢板。其中，在冷轧钢板的退火过程中，根据对加热罩与内罩之间的热传递的分析获取冷轧钢板的退火过程中煤气传输速率、助燃空气传输速率的控制结果；解决退火过程中煤气传输速率、助燃空气传输速率控制不准确的问题。本申请通过对退火过程中煤气传输速率、助燃空气传输速率进行自适应调控，提高了冷轧钢板的使用性能。
Description
技术领域
本申请涉及冷轧钢板制备技术领域，具体涉及一种用于电池壳的冷轧钢板及其制备方法。
背景技术
电池是新能源纯电动汽车最核心的零部件之一，随着新能源汽车的快速发展，对电池的需求也在急速上升。电池壳是电池的外部保护结构，以求电池壳能够在面临各种环境和工作条件时尽可能不影响其运行状态。另外，由于电池内部可能存在电解液等化学物质，导致其具有一定的腐蚀性，故电池壳体一般使用高洁净度、高表面质量、深冲性能优异且各向同性优良的冷轧钢板。
现阶段冷轧钢板的制备是通过将热轧钢板经过酸洗后，在六机架连轧机冷轧机上进行冷轧处理，得到冷轧后的钢板，并在罩式炉内进行退火处理，将处理后的冷轧钢板在双机架平整轧机内进行平整处理，得到冷轧钢板。在冷轧钢板的制备过程中，出现钢板性能不稳定多是由于退火过程中煤气传输速率、助燃空气传输速率控制不准确造成的，如在冷轧钢板退火时，加热罩温度远比内罩温度升的快，如果不进行控制，会出现内罩温度尚未达到设定温度而加热罩超过极限温度的情况，在实际生产过程中，该情况十分危险，且对钢板性能影响较大，同时对设备的损害也较大。
发明内容
本申请提供一种用于电池壳的冷轧钢板及其制备方法，以解决退火过程中煤气传输速率、助燃空气传输速率控制不准确的问题，所采用的技术方案具体如下：
第一方面，本申请提供了一种用于电池壳的冷轧钢板的制备方法，包括以下步骤：
(1)酸洗处理：以热轧钢板为原料，对热轧钢板进行酸洗、水洗后烘干得到酸洗后的热轧钢板；
(2)冷轧处理：将酸洗后的热轧钢板进行冷轧处理得到成品冷轧钢板；
(3)润滑处理：在成品冷轧钢板上加入纯油润滑剂进行润滑处理，冷却后得到润滑处理后的冷轧钢板；
(4)退火处理：对润滑处理后的冷轧钢板进行退火处理，并在退火处理的过程中，向罩式炉内通入保护气体；根据对加热罩与内罩之间热传递的分析获取冷轧钢板的退火过程中煤气传输速率、助燃空气传输速率的控制结果，得到退火结束后的冷轧钢板；然后对退火结束后的冷轧钢板进行时效处理得到时效处理后的冷轧钢板；
(5)平整处理：对时效处理后的冷轧钢板进行平整处理，得到用于电池壳的冷轧钢板。
优选的，步骤(1)所述热轧钢板各成分及其质量百分比分别为：碳含量≤0.08％，硅含量≤0.03，锰含量≤0.50％，磷含量≤0.03％，硫含量≤0.03％，铝含量≤0.10，余量为铁与不可避免的杂质元素，所述酸液为质量分数为10％的盐酸，酸洗时间为5-10min。
优选的，步骤(2)所述冷轧压下率为82-85％，所述成品冷轧钢板厚度为0.35-0.45mm。
优选的，步骤(3)所述润滑剂为棕榈油或蓖麻油。
优选的，步骤(4)所述退火处理中退火的温度范围为730-745℃，保温时间为100-150s；所述时效处理温度为320-380℃，时效处理时间为300-380s，所述保护气体为氮气或氢气。
优选的，步骤(5)所述平整压缩率为0.5-4％。
优选的，所述根据对加热罩与内罩之间热传递的分析获取冷轧钢板的退火过程中煤气传输速率、助燃空气传输速率的控制结果的方法为：
基于K型热电偶采集罩式炉中加热罩、内罩的温度数据；基于气体流速测量仪采集罩式炉中煤气传输速率数据、助燃空气传输速率数据；基于红外热成像相机采集冷轧钢板在退火过程中的钢板红外图像；
根据每个时间点加热罩温度与内罩温度的变化情况获取每个时间点的适应度函数值，利用鲸鱼优化算法基于所述适应度函数值获取每次迭代优化过程中的加热罩过热指数；
根据每次迭代优化过程中的加热罩过热指数获取每次迭代优化过程中的收敛因子；
将所有时间点的适应度函数值、煤气传输速率数据、助燃空气传输速率数据分别作为鲸鱼优化算法的输入，利用鲸鱼优化算法基于所述收敛因子得到最佳适应度函数值对应的煤气传输速率数据、助燃空气传输速率数据；
将所有时间点的煤气传输速率数据、助燃空气传输速率数据分别作为RNN循环神经网络的输入，将RNN循环神经网络的输出分别作为PID控制算法中比例增益参数、积分增益参数、微分增益参数；
将最佳适应度函数值对应的煤气传输速率数据、助燃空气传输速率数据以及所述比例增益参数、积分增益参数、微分增益参数分别作为PID控制算法的输入，利用PID控制算法获取退火过程中煤气传输速率、助燃空气传输速率的控制结果。
优选的，所述根据每个时间点加热罩温度与内罩温度的变化情况获取每个时间点的适应度函数值，利用鲸鱼优化算法基于所述适应度函数值获取每次迭代优化过程中的加热罩过热指数的方法为：
对于每个时间点，将加热罩、内罩内平均温度之差的绝对值与第一预设参数之和的倒数作为第一组成因子；将加热罩内温度的标准差、内罩内温度的标准差、第一预设参数之和的倒数作为第二组成因子；将第一组成因子和第一预设权重的乘积与第二组成因子和第二预设权重的乘积的和作为时间点的适应度函数值；
将所有时间点的适应度函数值作为因变量，将所有时间点的煤气传输速率数据、助燃空气传输速率数据分别作为自变量，利用多项式拟合算法基于所述因变量和自变量得到鲸鱼优化算法的适应度函数；
将每次迭代优化过程作为目标迭代优化过程，将目标迭代优化过程和目标迭代优化过程之前的所有迭代优化过程中内罩的平均温度按照时间升序的顺序组成的序列作为目标迭代优化过程中的内罩平均温度序列；
将目标迭代优化过程中的内罩平均温度序列作为Mann-Kendall趋势检验算法的输入，将Mann-Kendall趋势检验算法的输出作为内罩平均温度序列的趋势检验结果中的p值；
利用Sobel算子计算目标迭代优化过程中钢板红外图像内每个像素点的梯度幅值，计算所述钢板红外图像内每个像素点的梯度幅值与第一预设参数之和的倒数，将所述倒数的归一化结果在所述钢板红外图像上的累加和与目标迭代优化过程中的内罩平均温度序列的趋势检验结果中的p值的乘积作为目标迭代优化过程中的内罩温度趋强指数；
将在加热罩中的K型热电偶与内罩中的K型热电偶中度量距离最近的两个K型热电偶记为一组K型热电偶，将目标迭代优化过程之前的每次迭代优化过程中每组K型热电偶采集的加热罩、内罩内温度数据之差的绝对值在预设K型热电偶组数上的二次累加和作为分子；将目标迭代优化过程中的内罩温度趋强指数作为分母；将分子与分母的比值作为目标迭代优化过程中的加热罩过热指数。
优选的，所述根据每次迭代优化过程中的加热罩过热指数获取每次迭代优化过程中的收敛因子的方法为：
将每次迭代优化过程作为目标迭代优化过程，计算目标迭代优化过程之前的每次迭代优化过程的序号与目标迭代优化过程时已经迭代优化次数的比值，将所述比值与目标迭代优化过程之前的每次迭代优化过程的加热罩过热指数的乘积在目标迭代优化过程时已经迭代优化次数上的累加和作为分子；
计算目标迭代优化过程的适应度函数值与目标迭代优化过程之前的每次迭代优化过程的适应度函数值的差值，将所述差值在目标迭代优化过程时已经迭代优化次数上的累加和与目标迭代优化过程的适应度函数值的乘积作为分母；
计算以自然常数为底数，以分子与分母的比值为指数的负映射结果，将所述负映射结果的相反数与第二预设参数的和作为目标迭代优化过程的迭代调控因子；
计算目标迭代优化过程的迭代调控因子与第一预设参数之和的倒数，计算目标迭代优化过程的序号与预设迭代次数的比值，将预设初始收敛因子与所述倒数、比值的乘积作为目标迭代优化过程的收敛因子。
第二方面，本方面还提供了一种用于电池壳的冷轧钢板，所述用于电池壳的冷轧钢板通过上述制备方法制备得到。
本申请的有益效果是：本申请通过分析加热罩对内罩加热过程中，加热罩的危险程度构建加热罩过热指数，反映加热罩与内罩间的热传递效率；基于历史加热罩过热指数与历史适应度函数值的变化情况，构建迭代调控因子，反映需要对加热罩温度进行调控的程度；基于迭代调控因子计算迭代过程中的收敛因子，将所得收敛因子作为鲸鱼优化算法的收敛因子，对鲸鱼优化算法进行改进，能够反映使用鲸鱼优化算法对加热罩对内罩的迭代优化过程中的收敛速度，改善鲸鱼优化算法中收敛速度不固定的问题，使其根据钢板在退火工艺中的实际情况自适应的确定收敛因子，提高算法的优化准确性；将鲸鱼优化算法的优化结果作为PID控制算法的输入，实现对冷轧钢板的退火工艺中煤气传输速率、助燃空气传输速率的控制，进而提高冷轧钢板的使用性能。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一个实施例所提供的一种用于电池壳的冷轧钢板的制备方法的流程示意图；
图2为本申请一个实施例所提供的一种用于电池壳的冷轧钢板的制备方法的实施流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参阅图1，其示出了本申请一个实施例提供的一种用于电池壳的冷轧钢板的制备方法的流程图，该方法包括以下步骤：
步骤S001，获取冷轧钢板退火时的相关参数数据。
本申请中冷轧钢板的工艺制备流程包括：酸洗处理、冷轧处理、润滑处理、退火处理和平整处理。所述各处理过程具体操作如下：
1.酸洗处理。以热轧钢板为原料，所述热轧钢板各成分及其质量百分比分别为：碳含量≤0.08％，硅含量≤0.03，锰含量≤0.50％，磷含量≤0.03％，硫含量≤0.03％，铝含量≤0.10，余量为铁与不可避免的杂质元素。为避免热轧钢板闲置时与空气形成氧化铁，且由于空气中含有水蒸气，可能会导致热轧钢板生锈，需要将热轧钢板在连续酸洗机组中去除热轧钢板的表面氧化铁，其中连续酸洗机组中所用酸液为质量分数为10％的盐酸，酸液温度在30℃，酸洗时间为8min。对酸洗后的热轧钢板进行清水清洗、烘干。
2.冷轧处理。将经过酸洗后的热轧钢板在六机架连轧机上以85％的冷轧压下率进行轧制，得到0.4mm厚的成品冷轧钢板，轧制过程中各机架压下率越高，钢板中所存储的能量越高，有利于提高再结晶的驱动力，使其在后续退火过程中组织能够充分再结晶，得到较大的均匀再结晶组织，有利于增强钢板的深冲性能。
3.润滑处理。将经过冷轧工艺得到的钢板中加入棕榈油，进行润滑和冷却，以减少冷轧钢板和轧辊间的摩擦力，即减小金属变形抗力，使轧制压力降低，从而能够更好的控制冷轧钢板板形。
4.退火处理。本申请使用罩式炉退火的方式对冷轧钢板进行退火处理，用氮气或氢气抽真空进行洗炉，将炉内空气完全排尽，，用于提高退火工艺中的保温温度和保温时间，有利于提高钢板的深冲性能。
本申请中设定钢板在罩式炉中退火温度为745℃，保温时间为150s，得到退火后的冷轧钢板。为避免钢板在退火工艺中出现碳化物从钢板组织中析出的情况，需要在钢板从较高的保温温度冷却到较低的时效温度时，进行时效处理，防止钢板在退火一段时间后性能发生变化，据此本申请将上述退火后的冷轧钢板，进行时效处理，设定时效处理温度为380℃，时效处理时间为380s。
5.平整处理。通过双机架平整轧机对退火后的钢板进行平整处理，设置平整压缩率为4％。其中，本申请在退火过程中，根据对加热罩与内罩之间的热传递的分析获取冷轧钢板的退火过程中煤气传输速率、助燃空气传输速率的控制结果，来解决退火过程中煤气传输速率、助燃空气传输速率控制不准确的问题。
进一步地，对冷轧钢板进行退火处理时，通过K型热电偶采集加热罩与内罩的温度数据，其中加热罩、内罩所设置K型热电偶的数量均为10。通过气体流速测量仪采集煤气、助燃空气的传输速率数据，通过红外热成像相机采集钢板在退火过程中的钢板红外图像，本申请中采集间隔为T，T取经验值5s，采集次数为N，N取经验值900，实施者可以根据实际情况自行选择。
由于在采集数据的过程中，K型热电偶可能受到高温影响引起失灵，导致采集到的温度数据存在缺失值等异常情况，故需要对所采集数据进行缺失值填充处理，本申请使用回归填充法对缺失值进行填充处理，为避免对计算结果产生影响，本申请使用Z-score归一化方法对填充后的数据进行归一化处理，回归填充法与Z-score归一化方法为公知技术，具体过程不再赘述。
至此，得到冷轧钢板退火时的相关参数数据，所述相关参数数据包括罩式炉内加热罩与内罩的温度数据、罩式炉内煤气、助燃空气的传输速率数据、钢板在退火过程中的钢板红外图像。
步骤S002，根据冷轧钢板退火时的相关参数数据获取适应度函数值，根据适应度函数值获取适应度函数，利用鲸鱼优化算法基于适应度函数获取加热罩过热指数。
在冷轧钢板退火过程主要由带加热罩的加热和带冷却罩的冷却两个阶段组成，其中加热分为升温和保温段，此阶段为带加热罩阶段；冷却分为风冷和水冷段，此阶段为带冷却罩阶段。由于带冷却罩阶段的冷却速度主要受到冷却罩冷却能力限制，受温度控制相对较少，且冷却阶段对产品质量影响较小，实际生产过程中一般不对冷却阶段进行温度控制。故本申请对退火过程中带加热罩阶段升温段的温度进行控制，以提高所生产冷轧钢板的质量，具体操作步骤如下：
具体地，分析罩式炉内加热罩与内罩的加热过程，确定保护气。在加热过程中，通常是将煤气与在烧嘴中的助燃空气进行混合后，通过加热罩顶部的助燃风机，将环境中的空气抽入空气管路，管路中的空气经过换热器预热，预热温度为300℃，煤气与助燃空气通过比例阀后进入沿加热罩均匀分布的8个烧嘴(分上下两排交叉分布)，经过火电极点火后，火焰通过辐射与对流实现对内罩进行加热。通过内罩的热量传导对保护气体进行加热，保护气体的热量传导到钢板上，同时炉内风机高速循环，加速钢板与保护气体的热交换。
在冷轧钢板退火过程中，炉内气体对流换热为主要热交换过程，故炉内气体的流动性与换热效果密切相关，由于氢气的密度较低，是氮气的且氢气的动力勃性系数为氮气的/>故保护气中氢气的比例越高，越能提高炉内对流传热效率。
基于上述分析，本申请将氢气作为罩式炉的保护气，用于提高炉内气体流动性，以增加钢板的热传导效率，同时使炉内温度更为均匀，在一定程度上提高钢板表面质量和产品性能。
进一步地，进行算法相关参数设定。鲸鱼优化算法(Whale OptimizationAlgorithm，WOA)是一种模拟自然界中鲸鱼觅食行为的优化算法，具有较强的全局搜索能力，且适应性较强，对于复杂的非线性问题表现较好，但收敛速度不稳定，可能导致收敛后的结果不是最优解，据此本申请使用改进的鲸鱼优化算法对罩式炉内煤气与助燃空气的传输速率进行优化，提高加热罩的加热效率，使传输到内罩的温度更均匀、加热罩与内罩温差较小，使退火过程中的温度更精准，进而得到整体质量水平更高的冷轧钢板。其中鲸鱼优化算法的相关参数设定如下：
记种群大小为B，即鲸鱼数量为B，本申请中取经验值100，记最大迭代次数为C，本申请中取经验值300，记初始收敛因子为a，本申请中取经验值2，随机初始化各鲸鱼的位置，鲸鱼位置的坐标维度为2，分别为煤气传输速率、助燃空气传输速率，并计算每条鲸鱼的适应度，适应度函数的获取过程如下：
通过t时间点加热罩、内罩中各K型热电偶所采集的温度数据，计算其均值与标准差，则可以得到每个时间点的适应度函数值，反映t时间点加热罩对内罩热传输效果的优劣程度，其计算公式如下：
式中，Yt表示第t个时间点的适应度函数值，分别表示第t个时间点的加热罩、内罩中的温度数据的均值，/>分别表示第t个时间点的加热罩、内罩中温度数据的标准差，∈为误差参数，避免分母取值为0，经验取值为1，w1表示加热罩、内罩中平均温度之差的倒数的权重，经验取值为0.5，w2表示加热罩、内罩中温度数据的标准差的倒数的权重，经验取值为0.5。
第t个时间点的加热罩与内罩的平均温度之间的差异越小，即越小，表明此时加热罩的热量能够通过保护气较好的传递到内罩中，即加热罩对内加热时的加热效果越好，同时加热罩、内罩的温度的标准差越小，即/>越小，表明在加热罩、内罩中，保护气携带的热量在加热罩中分布的越均匀，表明对冷轧钢板退火时的温度控制越准确，所得冷轧钢板质量越高，则适应度函数值越大。
进一步地，通过上述步骤计算各个时间点的适应度函数值，将其作为因变量，将各个时间点煤气传输速率、助燃空气传输速率作为自变量，将所述自变量与因变量作为多项式拟合算法的输入，得到自变量与因变量的拟合方程，将所得拟合方程作为鲸鱼优化算法的适应度函数，多项式拟合算法为公知技术，具体过程不再赘述。
进一步地，基于加热罩与内罩的温度数据构建加热罩过热指数。在加热罩对内罩进行加热的过程中，若加热罩与内罩的温度差越大，表明此时加热罩向内罩传输效率较低，造成内罩温度不足，可能导致钢板中组织的晶粒过度细化，从而使钢板硬度升高，导致钢板在后续加工中变得更具有脆性，影响其机械性能；钢板在退火过程的初期，即升温段，此时加热罩已经处于加热阶段，温度较高，而由于热量的传递需要一定时间，导致此时温度差异较大，但此时仍加热罩温度为最佳温度的可能，据此本申请构建加热罩过热指数，其构建过程如下：
以第b次迭代优化过程为例，按照迭代次序，将第b次及其前g次迭代结果的内罩平均温度数据按照时间升序的顺序组成的序列作为第b次迭代优化过程的内罩平均温度序列，将第b次迭代优化过程的内罩平均温度序列作为Mann-Kendall趋势检验算法的输入，将Mann-Kendall趋势检验算法的输出作为第b次迭代优化过程的内罩平均温度序列进行趋势检验后的P值，反映内罩平均温度序列中温度的变化趋势，Mann-Kendall趋势检验算法为公知技术，具体过程不再赘述。同时，将在加热罩中的K型热电偶与内罩中的K型热电偶中距离最近的两个K型热电偶记为一组K型热电偶，K型热电偶的组数的经验取值为10。
计算加热罩过热指数，其计算公式如下：
式中，Gb表示第b次迭代优化过程中的内罩温度趋强指数，Pb表示第b次迭代优化过程的内罩平均温度序列经过Mann-Kendall趋势检验算法检验后所得P值，Lb表示第b次迭代优化过程中钢板红外图像中的像素点数量，表示第b次迭代优化过程中钢板红外图像中第f个像素点通过Sobel算子所计算出的梯度幅值，∈为误差参数，Sig()表示Sigmoid函数；A表示表示K型热电偶的组数，本申请中取经验值10，Db表示第b次迭代优化过程中的加热罩过热指数，K表示第b次迭代优化时已经迭代优化的次数，/>分别表示第b次迭代优化之前第i次迭代优化过程中第h组的加热罩、内罩温度数据。Sobel算子为公知技术，具体过程不再赘述。
在第b次迭代优化过程中，若内罩平均温度上升不明显，则通过Mann-Kendall趋势检验算法所计算出的P值越小，即Pb越小，同时钢板红外图像中各像素点像素值的梯度幅值越大，即越大，表明此时钢板红外图像中各像素点的温度差异越大，即钢板受热越不均匀，为避免其值较大导致计算结果较大，本申请使用Sigmoid函数对其进行归一化处理，将其映射到(0,1)区间范围内，此时计算出的内罩温度趋强指数越小，同时，若一组内的K型热电偶所采集到的温度数据差异越大，即/>越大，表明不同位置对钢板的加热程度不同，即钢板所受温度局部过高或过低，使钢板发生变形，形成不理想的形状，且用于制作电池壳的冷轧钢板通常较薄，受热不均更容易导致其发生形变，故计算出的加热罩过热指数越大。
至此，得到每次迭代优化过程中的加热罩过热指数。
步骤S003，根据加热罩过热指数获取迭代调控因子，根据迭代调控因子获取收敛因子。
进一步地，基于加热罩过热指数构建迭代调控因子。使用鲸鱼优化算法对加热罩、内罩最佳适应度函数值进行迭代优化的过程中，可以通过在迭代优化过程中历史适应度函数值的变化情况对下次迭代过程进行校正，以提高算法的优化效率，使在钢板的退火过程中，对温度的控制更加灵敏，同时加热罩对内罩加热过程中的危险情况处于动态变化状态，且在不同的危险情况下，对加热罩温度的调控程度不同，即加热罩的历史危险情况对下次迭代过程的解同样会产生一定的影响。据此本申请构建迭代调控因子，反映历史适应度函数值与加热罩的历史危险情况对下次迭代过程的调控程度，其计算公式如下：
式中，Eb表示第b次迭代优化过程中的迭代调控因子，exp()表示以自然常数为底数的指数函数，K表示第b次迭代优化时已经迭代优化的次数，Dd表示第d次迭代优化过程中的加热罩过热指数，Yd、Yb分别表示第d次、第b次迭代优化过程中的适应度函数值，d表示迭代优化过程的序号，其中d＝1,2,…,K。
通过鲸鱼优化算法在进行第b次迭代时，若加热罩的历史危险程度越高，即Dd越大，同时历史危险程度所在迭代次数距离当前迭代次数越近，即越大，越表明在下次迭代过程中，越需要对下次迭代过程进行调控，避免出现迭代结果中对应的加热罩内温度大于其极限温，导致钢板所承受的温度较高，可能使钢板中的晶粒长大过度，影响其强度和韧性，同时若第b次的适应度函数值越小，即Yb越小，且第b次的适应度函数值与历史适应度函数值之间的差异越小，即/>越小，越表明此时处于算法可能陷入局部最优解，若此时不进行调控，则所得适应度函数值可能不是最佳的适用度函数值，导致在制备冷轧钢板的退火工艺中对温度的控制不准确，使得冷轧钢板性能降低，出现表面裂痕等情况，故越需要对下次迭代过程进行调控，故计算出的迭代调控因子越大。
进一步地，基于迭代调控因子计算收敛因子。通过上述步骤所得迭代过程中的迭代调控因子，反映在加热罩对内罩的加热过程进行迭代优化时，对下次迭代过程的调控程度，由于鲸鱼优化算法中，收敛因子能够调控算法的收敛速度。据此本申请基于迭代调控因子计算收敛因子，其计算公式如下：
式中，ab表示第b次迭代优化过程中的收敛因子，a表示初始收敛因子，初始收敛因子取经验值2，Fb表示对第b次迭代优化过程中的迭代调控因子，∈为误差参数，用于避免分母为零，本申请中取经验值1，C表示最大迭代次数，本申请中取经验值300，b表示第b次迭代优化过程的序号。
在第b次迭代过程中，若迭代调控因子越大，即Fb越大，表明对下次迭代过程的调控程度越高，即越需要对加热罩对内罩的加热过程进行调控，表明此时所得适应度函数值越不是最佳的适用度函数值，此时越不应该收敛，同时若此时迭代次数较少，即b越小，表明还有较多的迭代次数去搜索最优解，故此时越不应该收敛，故计算出的收敛因子越小。
至此，得到每次迭代优化过程中的收缩因子。
步骤S004，利用鲸鱼优化算法基于收敛因子获取最佳适应度函数值，根据最佳适应度函数值的信息数据获取退火过程中的煤气传输速率、助燃空气传输速率的控制结果。
进一步地，基于收敛因子使用鲸鱼优化算法得到最佳适应度函数值，并通过PID控制算法(Proportion Intergration Differentiation，PID)进行控制。通过上述步骤所得收敛因子，将其作为鲸鱼优化算法的收敛因子，将各个时间点的适应度函数值、煤气传输速率、助燃空气传输速率作为鲸鱼优化算法的输入，得到最佳适应度函数值及对应的煤气传输速率数据、助燃空气传输速率数据，鲸鱼优化算法为公知技术，具体过程不再赘述。本申请的实施流程图如图2所示。
将各个时间点的煤气传输速率数据、助燃空气传输速率数据作为RNN循环神经网络(Recurrent Neural Network，RNN)的输入，以随机梯度下降法为优化算法，以MSE均方误差为损失函数，将RNN循环神经网络的输出作为PID控制算法的参数，分别为比例增益、积分增益、微分增益，将所得参数与最佳适应度函数值所对应的影响因素值作为PID控制算法的输入，将PID控制算法的输出作为退火过程中控制煤气传输速率、助燃空气传输速率的功率，从而实现对煤气传输速率、助燃空气传输速率的控制，以生产出质量水平更高的冷轧钢板。PID控制算法与RNN循环神经网络为公知技术，具体过程不再赘述。在对钢板的退火过程进行控制时，主要为对温度、气密性、压力的控制，其中通过上述步骤实现对温度的控制，对于气密性、压力的控制过程如下：
1.对气密性的控制。由于氢气可以作为罩式炉的保护气，而氢气是一种易燃易爆气体，当体积分数为4％至75％时易发生燃烧，若在相对密闭空间内则容易发生爆炸，如需要在加热前对罩式炉进行冷密封检，确保退火过程中内罩无泄露情况。冷密封检检测方法如下：
内罩压紧后向炉内充入氮气，炉内的压力达到5500Pa，关闭进气和排气阀门。在不扣加热罩的情况下，如果炉内15min内压力不低于4000Pa，可判定炉内无泄漏情况；反之，需进行检查，并重新做压力测试，直至达到要求。
对于退火过程中的冷却阶段，由于换冷却罩后，炉内温度会降温较多，为安全起见，在换冷却罩前需要进行热密检，其检测方法如下：
先用氢气对加热罩补压到5500Pa，随后减压到5000Pa开始计时，计时10min，加热罩内压力在4000～6000Pa为合格；否则需再次进行检查，并重新做压力测试，直至达到要求。
2.对压力的控制。在运行过程中，若炉内压力降到1250Pa时，氮气进气阀打开，排放阀关闭；炉内压力超过7000Pa时，氮气进气阀关闭。在实际生产过程中，不同状态下炉内压力要求如下：
氢气存在时的炉压：6000～7000Pa；
氮气存在时的炉压：6500～7500Pa；
氢气洗炉时的炉压：3000～4500Pa；
氮气洗炉时的炉压：3000～4000Pa。
当不在所属情况的压力范围内时，则需要通过控制进气阀、排气阀对炉内压力进行控制。
通过上述步骤实现对退火过程的控制，提高炉内温度控制精度，防止温差过大，确保退火组织均匀，改善冲压开裂缺陷，提高冷轧钢板的整体质量水平。
至此，完成一种用于电池壳的冷轧钢板的制备。
基于与上述方法相同的发明构思，本申请实施例一种用于电池壳的冷轧钢板，通过上述任一项所述方法制备得到。
对本申请中制得的用于电池壳的冷轧钢板进行相关性能测试，得到的测试结果如下：
冷轧钢板的金相组织为铁素体与游离渗碳体，其中铁素体的晶粒度为8级，冷轧钢板的厚度为0.42mm，下屈服强度为220MPa，抗拉强度为350MPa，断后伸长率为40％，纵向屈服强度极差为7MPa，横向屈服强度差为8MPa，粗糙度为0.8μm，沿冷轧钢板轧制方向2m内的浪高为1.7mm。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种用于电池壳的冷轧钢板的制备方法，其特征在于，该方法包括以下步骤：
(1)酸洗处理：以热轧钢板为原料，对热轧钢板进行酸洗、水洗后烘干得到酸洗后的热轧钢板；
(2)冷轧处理：将酸洗后的热轧钢板进行冷轧处理得到成品冷轧钢板；
(3)润滑处理：在成品冷轧钢板上加入纯油润滑剂进行润滑处理，冷却后得到润滑处理后的冷轧钢板；
(4)退火处理：对润滑处理后的冷轧钢板进行退火处理，并在退火处理的过程中，向罩式炉内通入保护气体；根据对加热罩与内罩之间热传递的分析获取冷轧钢板的退火过程中煤气传输速率、助燃空气传输速率的控制结果，得到退火结束后的冷轧钢板；然后对退火结束后的冷轧钢板进行时效处理得到时效处理后的冷轧钢板；
(5)平整处理：对时效处理后的冷轧钢板进行平整处理，得到用于电池壳的冷轧钢板。
2.根据权利要求1所述的一种用于电池壳的冷轧钢板的制备方法，其特征在于，步骤(1)所述热轧钢板各成分及其质量百分比分别为：碳含量≤0.08％，硅含量≤0.03，锰含量≤0.50％，磷含量≤0.03％，硫含量≤0.03％，铝含量≤0.10，余量为铁与不可避免的杂质元素，所述酸液为质量分数为10％的盐酸，酸洗时间为5-10min。
3.根据权利要求1所述的一种用于电池壳的冷轧钢板的制备方法，其特征在于，步骤(2)所述冷轧压下率为82-85％，所述成品冷轧钢板厚度为0.35-0.45mm。
4.根据权利要求1所述的一种用于电池壳的冷轧钢板的制备方法，其特征在于，步骤(3)所述润滑剂为棕榈油或蓖麻油。
5.根据权利要求1所述的一种用于电池壳的冷轧钢板的制备方法，其特征在于，步骤(4)所述退火处理中退火的温度范围为730-745℃，保温时间为100-150s；所述时效处理温度为320-380℃，时效处理时间为300-380s，所述保护气体为氮气或氢气。
6.根据权利要求1所述的一种用于电池壳的冷轧钢板的制备方法，其特征在于，步骤(5)所述平整压缩率为0.5-4％。
7.根据权利要求1所述的一种用于电池壳的冷轧钢板的制备方法，其特征在于，所述根据对加热罩与内罩之间热传递的分析获取冷轧钢板的退火过程中煤气传输速率、
助燃空气传输速率的控制结果的方法为：
基于K型热电偶采集罩式炉中加热罩、内罩的温度数据；基于气体流速测量仪采集罩式炉中煤气传输速率数据、助燃空气传输速率数据；基于红外热成像相机采集冷轧钢板在退火过程中的钢板红外图像；
根据每个时间点加热罩温度与内罩温度的变化情况获取每个时间点的适应度函数值，利用鲸鱼优化算法基于所述适应度函数值获取每次迭代优化过程中的加热罩过热指数；
根据每次迭代优化过程中的加热罩过热指数获取每次迭代优化过程中的收敛因子；
将所有时间点的适应度函数值、煤气传输速率数据、助燃空气传输速率数据分别作为鲸鱼优化算法的输入，利用鲸鱼优化算法基于所述收敛因子得到最佳适应度函数值对应的煤气传输速率数据、助燃空气传输速率数据；
将所有时间点的煤气传输速率数据、助燃空气传输速率数据分别作为RNN循环神经网络的输入，将RNN循环神经网络的输出分别作为PID控制算法中比例增益参数、积分增益参数、微分增益参数；
将最佳适应度函数值对应的煤气传输速率数据、助燃空气传输速率数据以及所述比例增益参数、积分增益参数、微分增益参数分别作为PID控制算法的输入，利用PID控制算法获取退火过程中煤气传输速率、助燃空气传输速率的控制结果。
8.根据权利要求7所述的一种用于电池壳的冷轧钢板的制备方法，其特征在于，所述根据每个时间点加热罩温度与内罩温度的变化情况获取每个时间点的适应度函数值，利用鲸鱼优化算法基于所述适应度函数值获取每次迭代优化过程中的加热罩过热指数的方法为：
对于每个时间点，将加热罩、内罩内平均温度之差的绝对值与第一预设参数之和的倒数作为第一组成因子；将加热罩内温度的标准差、内罩内温度的标准差、第一预设参数之和的倒数作为第二组成因子；将第一组成因子和第一预设权重的乘积与第二组成因子和第二预设权重的乘积的和作为时间点的适应度函数值；
将所有时间点的适应度函数值作为因变量，将所有时间点的煤气传输速率数据、助燃空气传输速率数据分别作为自变量，利用多项式拟合算法基于所述因变量和自变量得到鲸鱼优化算法的适应度函数；
将每次迭代优化过程作为目标迭代优化过程，将目标迭代优化过程和目标迭代优化过程之前的所有迭代优化过程中内罩的平均温度按照时间升序的顺序组成的序列作为目标迭代优化过程中的内罩平均温度序列；
将目标迭代优化过程中的内罩平均温度序列作为Mann-Kendall趋势检验算法的输入，将Mann-Kendall趋势检验算法的输出作为内罩平均温度序列的趋势检验结果中的p值；
利用Sobel算子计算目标迭代优化过程中钢板红外图像内每个像素点的梯度幅值，计算所述钢板红外图像内每个像素点的梯度幅值与第一预设参数之和的倒数，将所述倒数的归一化结果在所述钢板红外图像上的累加和与目标迭代优化过程中的内罩平均温度序列的趋势检验结果中的p值的乘积作为目标迭代优化过程中的内罩温度趋强指数；
将在加热罩中的K型热电偶与内罩中的K型热电偶中度量距离最近的两个K型热电偶记为一组K型热电偶，将目标迭代优化过程之前的每次迭代优化过程中每组K型热电偶采集的加热罩、内罩内温度数据之差的绝对值在预设K型热电偶组数上的二次累加和作为分子；将目标迭代优化过程中的内罩温度趋强指数作为分母；将分子与分母的比值作为目标迭代优化过程中的加热罩过热指数。
9.根据权利要求7所述的一种用于电池壳的冷轧钢板的制备方法，其特征在于，所述根据每次迭代优化过程中的加热罩过热指数获取每次迭代优化过程中的收敛因子的方法为：
将每次迭代优化过程作为目标迭代优化过程，计算目标迭代优化过程之前的每次迭代优化过程的序号与目标迭代优化过程时已经迭代优化次数的比值，将所述比值与目标迭代优化过程之前的每次迭代优化过程的加热罩过热指数的乘积在目标迭代优化过程时已经迭代优化次数上的累加和作为分子；
计算目标迭代优化过程的适应度函数值与目标迭代优化过程之前的每次迭代优化过程的适应度函数值的差值，将所述差值在目标迭代优化过程时已经迭代优化次数上的累加和与目标迭代优化过程的适应度函数值的乘积作为分母；
计算以自然常数为底数，以分子与分母的比值为指数的负映射结果，将所述负映射结果的相反数与第二预设参数的和作为目标迭代优化过程的迭代调控因子；
计算目标迭代优化过程的迭代调控因子与第一预设参数之和的倒数，计算目标迭代优化过程的序号与预设迭代次数的比值，将预设初始收敛因子与所述倒数、比值的乘积作为目标迭代优化过程的收敛因子。
10.一种用于电池壳的冷轧钢板，其特征在于，通过权利要求1至9任一项所述方法制备得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311784729.8A CN117701849B (zh) | 2023-12-23 | 2023-12-23 | 一种用于电池壳的冷轧钢板及其制备方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311784729.8A CN117701849B (zh) | 2023-12-23 | 2023-12-23 | 一种用于电池壳的冷轧钢板及其制备方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117701849A true CN117701849A (zh) | 2024-03-15 |
| CN117701849B CN117701849B (zh) | 2024-06-18 |
Family
ID=90155135
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311784729.8A Active CN117701849B (zh) | 2023-12-23 | 2023-12-23 | 一种用于电池壳的冷轧钢板及其制备方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117701849B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102009034387A1 (de) * | 2008-07-25 | 2010-01-28 | Wukun Steel Co., Ltd., Kuming | Titanblechglühverfahren |
| CN202380054U (zh) * | 2011-12-15 | 2012-08-15 | 华中科技大学 | 一种用于罩式退火炉的加热罩 |
| CN113591240A (zh) * | 2021-07-27 | 2021-11-02 | 重庆大学 | 基于双向lstm网络的磨齿机热误差模型建模方法 |
-
2023
- 2023-12-23 CN CN202311784729.8A patent/CN117701849B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102009034387A1 (de) * | 2008-07-25 | 2010-01-28 | Wukun Steel Co., Ltd., Kuming | Titanblechglühverfahren |
| CN202380054U (zh) * | 2011-12-15 | 2012-08-15 | 华中科技大学 | 一种用于罩式退火炉的加热罩 |
| CN113591240A (zh) * | 2021-07-27 | 2021-11-02 | 重庆大学 | 基于双向lstm网络的磨齿机热误差模型建模方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117701849B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US4021272A (en) | Method of isothermal annealing of band steels for tools and razor blades | |
| EP4183495A1 (en) | System for predicting material characteristic value, and method for producing metal sheet | |
| CN117701849B (zh) | 一种用于电池壳的冷轧钢板及其制备方法 | |
| CN117494531B (zh) | 一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法 | |
| CN102140569B (zh) | 一种q345r钢快速正火热处理方法 | |
| CN114757000A (zh) | 一种高精度自适应弹簧钢拉拔过程优化控制方法 | |
| CN111445960B (zh) | 14Cr17Ni2钢的锻造工艺参数的优化方法 | |
| CN102626724B (zh) | 一种钛合金管的生产方法 | |
| CN101139651A (zh) | 预报任意短时条件下钢板再结晶温度的方法 | |
| US20230321706A1 (en) | Steel strip and method of producing same | |
| JP7287416B2 (ja) | 厚鋼板の製造仕様決定支援装置および製造仕様探索方法、コンピュータプログラム、コンピュータ読み取り可能な記録媒体ならびに厚鋼板の製造方法 | |
| US4225306A (en) | Method of controlling a heating furnace for steel ingots | |
| Garcia-Llamas et al. | A Thermography-based Online Control Method for Press Hardening | |
| CN108431249A (zh) | 含马氏体钢板的制造方法及装置 | |
| CN116913440B (zh) | 建立变形参数动态变化下多道次热变形本构模型的方法 | |
| TWI833179B (zh) | 鋼構件之氮化處理方法 | |
| JP6565656B2 (ja) | 高強度鋼の硬さ予測方法 | |
| RU2262541C1 (ru) | Способ управления отжигом металла в колпаковой печи | |
| CN115261569B (zh) | 一种60Cr3钢球化退火方法 | |
| CN109207844A (zh) | 一种超临界耐热钢板及其制造方法 | |
| SU1011712A1 (ru) | Способ изготовлени листового проката | |
| CN118287529A (zh) | 能源石化高等级特种不锈钢无缝管及其制造工艺 | |
| Yur’ev et al. | Action Planning for Improvement of Design and Operating Parameters of Ball-Bearing Steel Tube Annealing | |
| JP2004176141A (ja) | 箱型焼鈍炉の炉内圧制御方法 | |
| CN117783475A (zh) | 一种预测Ti80钛合金热变形过程中流变应力的方法 |
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 | ||
| GR01 | Patent grant |