CN1664550A - 轧制过程在线检测钢板力学性能的方法 - Google Patents

Abstract

一种轧制过程在线检测钢板力学性能的方法，本发明提出一种以物理冶金机理模型为基础，结合数据库、信息技术的综合性在线性能预测方法，建立显微组织、成品尺寸、工艺成分与力学性能之间的对应关系模型，实现热轧过程钢板力学性能的在线实时检测，为优化工艺规程和化学成分，减少检测样品数量，降低生产成本，提高钢材性能质量提供依据。该方法包括选择、确定模型参数；建立与过程机的实时通讯，从过程机数据库中在线调用工艺参数及合金成分动态数据；预测铁素体晶粒尺寸和室温相组成；预测成品板材的力学性能几个步骤。本发明适用钢种为低碳钢或微合金钢，适用过程为中厚板轧机或热连轧过程的粗轧机和精轧机。

Description

轧制过程在线检测钢板力学性能的方法

技术领域

本发明属于轧钢技术领域，特别涉及轧制过程在线检测钢板力学性能的方法。

背景技术

实现组织和性能的全长无损在线实时连续检测是人类长期的梦想，通过组织性能预测技术的开发，建立实时监测系统，人们的梦想可以变成现实。建立对轧制过程进行检测的软仪表，将可以大幅减少实验量，缩短开发周期，缩短产品的交货期，提高产品质量和成材率。钢铁工业设备和工艺不断进步，特别是计算机、数据库AI、信息技术、自动化技术的飞速进步，人们可以获得大量在线信息和强有力的信息处理手段。这些为钢铁材料组织性能在线预测与控制提供了良好的应用环境。

国内外一直在研究探索轧材组织—性能在线预报，据奥钢联林茨钢厂最近报道，一种新型热轧带钢在线性能预报和控制系统在该厂七机架热连轧机上已投入运行近二年，应用在低碳钢、结构钢和低合金高强钢生产上，质量控制效果和经济效益良好。由英国Columbia大学开发的、适用性很广的传统热轧组织—性能预测模型，也通过在北美洲十四个钢厂的充分测试，它已能预报八个钢种的控轧过程和最终微观组织以及力学性能，该模型能应用于各种配置轧机并且有用于薄板坯轧制的潜力。

但现有的这几套组织性能预测系统仅适用于热轧薄带钢的生产过程，对于中厚板轧制过程，由于检测手段、数据通讯、模型精度、坯料厚度等造成的组织性能不均匀性等诸多因素的影响，使国内外在这一领域见诸报道的研究和应用成果很少，这在一定程度上限制了TMCP技术的发展。

发明内容

针对现有技术存在的问题，本发明提供一种轧制过程在线检测钢板力学性能的方法。本发明提出一种以物理冶金机理模型为基础，结合数据库、信息技术的综合性在线性能预测方法，建立显微组织、成品尺寸、工艺成分与力学性能之间的对应关系模型，实现热轧过程钢板力学性能的在线实时检测，为优化工艺规程和化学成分，减少检测样品数量，降低生产成本，提高钢材性能质量提供依据。

本发明在数据调用、处理等方面的创新之处表现在，模型计算所需工艺参数最大限度的取之于在线自动化系统实际检测和过程机经过多次反馈、自学习后得到的高精度的过程参数，此类数据具有足够的可靠性，保证了模型最终计算结果的精度。同时，由于计算模型所需参数直接来自二级过程控制系统，具有精度高、响应速度快等优点，可充分达到和满足在线实时监测的要求，相比较国外其它同类系统在这些方面也具有一定的优越性。

从过程控制计算机数据库实时提取与炉号对应的温度、成分、轧制、冷却等重要参数作为输入值提供给模型。利用相变模块，计算得到最终产品中各相分数、铁素体晶粒尺寸。利用力学性能与组织的对应关系模型，通过对现场生产数据进行模拟，预测产品最终力学性能，实现本发明方法的在线预测和控制。

本方法的在线应用要求板材生产线具有较高的自动化程度。过程控制系统的硬件包括：轧机过程和控冷过程计算机服务器2台，镜像磁盘阵列3*40GB，人机界面服务器一台；过程计算机和人机界面服务器与基础自动化级PLC通过工业以太网相连；同时连接有若干终端，用于坯料入炉、出炉、轧制、控冷、组织性能预测及生产报表查询等过程的监视和控制。网络配置是实现计算机控制系统目标的根本保证。系统配置两台SIEMENS ESM交换机作为通讯主干网，为了保证通讯速度，设置所有服务器及PLC在主干网上，HMI的所有Client通过HUB连接。网络布置如图2所示。由于本发明方法涉及到大量的数据，包括生产过程的工艺数据、临时计算数据及永久保留数据，因此被嵌入生产报表查询终端服务器(Report Serve)上，Report服务器通过OPC与控轧及控冷过程机实现通讯，Report服务器及过程机通过SIMATICNET同控制轧机的PLC SIMADYN D及控冷PLC S7-400实现通讯。

本发明方法的实现采用Win2K/XP操作系统环境，硬件环境需求CPU主频≥500MHz，内存容量≥128M，硬盘空间≥500M，软件采用VB和C++语言将程序分成不同的模块，模块之间设立数据传递的规范，便于程序维护和二次开发。

本发明方法包括以下步骤：

(1)选择、确定模型参数；采用热模拟和热轧实验，研究不同变形及冷却条件下的相变动力学及组织性能演变规律，选择适合的对比组，将数据带入各公式中，回归或拟合出待定系数的数值。

(2)建立与过程机的实时通讯，从过程机数据库中在线调用工艺参数及合金成分动态数据；

联机调用过程机数据库提供轧件的在线信息，包括合金成分、工艺及设备参数，作为组织性能预测系统的输入变量。系统对数据的处理包括以下部分：原始数据(PDI)录入、原始数据确认、入炉确认、出炉确认、轧机工艺模型计算、控冷工艺模型计算、数据库存储、报表生成和组织性能预测模型计算。其中前四项工作在人机界面的服务器上实现，人机界面(HMI)服务器通过OPC与控轧及控冷过程机实现通讯，HMI服务器及过程机通过SIMATICNET同控制轧机的PLC SIMADYND及控冷PLC S7-400实现通讯。过程机及组织性能预测计算机通过ADO操作数据库，如图3所示。

本发明根据轧件PDI信息，从控轧过程机数据库中提取由基础自动化得到的压下规程、轧制速度及轧制力等实际检测参数和过程自动化计算的道次温度(距表面3/4厚度)、轧制及间歇时间及加热参数、化学成分等，同样从控冷过程机中提取开冷、终冷温度、实际冷却速度、冷却时间等相关数据，将以上数据作为模型初始输入参数进行计算。

(3)预测铁素体晶粒尺寸和室温相组成；

①计算单位体积奥氏体等效晶界表面积S_γ

$S_{\mathrm{\γ}}=A{(-\ln (1-p))}^2+12/d_{\mathrm{\γ}}$

$\·\mathrm{\π}{\∫}_0^{1/(1-p)}{\∫}_0^{(1-p)/\sqrt{1-{(1-p)}^2{x}^2}}[1+\frac{{(1-p)}^4{\×}^2+y^2/{(1-p)}^4}{1-{(1-p)}^2{\×}^2-y^2/{(1-p)}^2}].---\left(1\right)$

d^γ为奥氏体晶粒尺寸，A为由实验确定的常数，描述变形带和压下率的关系。

②计算α相转变体积分数X_F

对于先共析相变，在温度T₁时形成的α晶核，在温度T_n时的长径为：

$R^2(T_n,T_l)=\underset{i=l}{\overset{n}{\mathrm{\Σ}}}9{\mathrm{\α}}_F^2\left(T_l\right)t_j---\left(2\right)$

式中，α_F ²(T₁)和t_i分别为在T_i温度时的长大速率和停留时间。椭球形铁素体的长大速率常数α_F为：

${\mathrm{\α}}_F=\frac{K_3{D}_C^{1/2}(X_C^{\mathrm{\γ}/\mathrm{\α}}-X_C^{\mathrm{\γ}})}{{(X_C^{\mathrm{\γ}/\mathrm{\α}}.\·-X_C^{\mathrm{\α}/\mathrm{\γ}})}^{1/2}{(X_C^{\mathrm{\γ}}-X_C^{\mathrm{\α}/\mathrm{\γ}})}^{1/2}}---\left(3\right)$

式中，K₃为常数。X_C ^α/γ，x_C ^γ/α分别为C在γ/α相界处α和γ侧的平衡摩尔分数，采用超组元方法对相平衡过程进行热力学分析而得到。x_C ^γ为C在原奥氏体中的平均摩尔分数。

在速率为Q(T₁)的冷却过程中，在温度T_K时形成的α晶核总数为：

$N\left(T_K\right)=-\frac{I_F\left(T_K\right)}{Q\left(T_K\right)}\mathrm{dT}---\left(4\right)$

根据经典形核理论，铁素体的形核速率可表示为：

$I_F=\frac{K_1{D}_C}{{\left(\mathrm{kT}\right)}^{1/2}}\×\exp [-\frac{K_2}{\mathrm{kT\Δ}{G}_F^2}]---\left(5\right)$

式中，K₁和K₂为常数，ΔG_F为铁素体相变驱动力，采用超组元方法和KRC模型通过热力学计算得到；D_C为C在奥氏体中的扩散系数，可采用Kaufman扩散公式计算。

根据Cahn的“被延伸面积”计算等温相变的方法，在T₁到T_k温度期间内形核的α晶粒在温度T_n时的扩展面积分数为：

$Y_F^e\left(T_n\right)=\underset{t=1}{\overset{k}{\mathrm{\Σ}}}N\left(T_i\right)\mathrm{\π}[R{(T_n,T_i)}^2-y^2]---\left(6\right)$

在温度T_n时实际的铁素体体积分数为：

$X_F\left(T_n\right)=\frac{X_C^{\mathrm{\γ}/\mathrm{\α}}-X_C^{\mathrm{\γ}}}{X_C^{\mathrm{\γ}/\mathrm{\α}}-X_C^{\mathrm{\α}/\mathrm{\γ}}}[1-\exp (-2S_{\mathrm{\γ}}\·\frac{X_C^{\mathrm{\γ}/\mathrm{\α}}-X_C^{\mathrm{\α}/\mathrm{\γ}}}{X_C^{\mathrm{\γ}/\mathrm{\α}}-X_C^{\mathrm{\γ}}}{\∫}_0^{R(T_n,T_1)}[1-\exp (-Y_F^e)\left]\mathrm{dy}\right)]---\left(7\right)$

③计算γ→α相变连续冷却过程中相变机制转变温度T_NG

按照Cahn的相变动力学理论，在γ→α相变前期，相变以“成核长大”机制进行，在相变后期，符合“位置饱和”机制。连续冷却过程中相变机制转变温度T_NG的确定是精确计算铁素体转变分数和晶粒大小的关键。

α晶粒在冷却过程中连续长大，因此在T_j时形核的晶粒在T_k时被α晶粒所占据的等效晶界面积为：

$S_{\mathrm{\α}}(T_j,T_k)=9\mathrm{\π\ΔT}{N}_{\mathrm{\α}}\left(T_j\right)\left(\underset{j}{\overset{k}{\mathrm{\Σ}}}\frac{{\mathrm{\α}}^2\left(T_1\right)}{Q\left(T_j\right)}\right)---\left(8\right)$

由于奥氏体的分解，等效晶界面积随着温度的下降而减少，因此在温度T_j单位体积形核总数可表示为：

$N_{\mathrm{\α}}\left(T_j\right)=(S_{\mathrm{\γ}}-\underset{2}{\overset{j-1}{\mathrm{\Σ}}}{S}_{\mathrm{\α}}(T_1,T_{j-1}))\·(\frac{I_F\left(T_j\right)}{Q\left(T_j\right)}\·\mathrm{\ΔT})---\left(9\right)$

当满足方程(10)时，即可求得位置饱和温度T_NG：

$\underset{1}{\overset{m}{\mathrm{\Σ}}}{S}_{\mathrm{\α}}(T_j,T_m)=S_{\mathrm{\γ}};T_{\mathrm{NG}}=T_m---\left(10\right)$

④计算γ→α相变后α晶粒平均直径d_F

$d_F={(6X_F\left(T_n\right)/\mathrm{\π}{\∫}_0^{T_{\mathrm{NG}}}\{I_F\left(T_k\right)S_{\mathrm{\γ}}[1-X_F\left(T_k\right)]\left\}\mathrm{dT}\right)}^{1/3}---\left(11\right)$

⑤计算珠光体体积分数X_p

考虑在γ晶界上α晶粒的相互碰撞效应，同样利用Cahn被延伸面积的方法，可得到半球形珠光体晶粒的体积分数X_P分别为：

$X_P\left(T_n\right)=(1-X_F)[1-\exp (-S_{\mathrm{\α}/\mathrm{\γ}}{\∫}_0^{r(T_n,T_1)}{Y}_P\mathrm{dy})]---\left(12\right)$

$S_{\mathrm{\α}/\mathrm{\γ}}=4\mathrm{\π}{S}_{\mathrm{\γ}}{I}_F{\mathrm{\α}}_F{t}^{3/2}{(1-X_F)}^{2/3}\·{\∫}_0^1[{(1-x^2)}^{3/2}---\left(12a\right)$

$\·\exp \{-9/2\·\mathrm{\π}{I}_F{\mathrm{\α}}_F^2{t}^2(1-2x^2+x^4)/2\}]\mathrm{dx}$

$Y_P=1-\exp (-Y_P^e);---\left(12b\right)$

$Y_P^e\left(T_n\right)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}N\left(T_i\right)\mathrm{\π}[r{(T_n,T_1)}^2-y^2]---\left(12c\right)$

$r^2(T_n,T_1)=\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{G}_P^2\left(T_i\right)t_1---\left(12d\right)$

$N\left(T_k\right)=-\frac{I_P\left(T_k\right)}{Q\left(T_k\right)}\mathrm{dT}---\left(12e\right)$

式中，珠光体在α/γ界面形核，S_α/γ为单位体积试样的α/γ界面面积。I_P和G_P分别为P相的形核及长大速率。

$I_P=\frac{K_4{D}_C}{{\left(\mathrm{kT}\right)}^{1/2}}\×\exp [-\frac{K_5}{\mathrm{kT\Δ}{G}_P^2}]---\left(13\right)$

式中，K₄和K₅为实验确定的常数。珠光体的长大速率G_P采用Hillert的公式计算。

⑥计算贝氏体体积分数X_B

对于晶界形核，贝氏体相变动力学可给出为：

$X_B\left(T_n\right)=(1-X_F-X_P)[1-\exp (-S_{P/\mathrm{\γ}}{\∫}_0^{L(T_n,T_i)}[1-\exp (-Y_B^e)\mathrm{dz})]---\left(14\right)$

$Y_B^e=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\left\{2\sqrt{2}N\left(T_i\right)h(T_N,T_i){\mathrm{\ρ}}_c^{1/2}\right[L(T_n,T_i)-z{]}^{1/2}\}---\left(14a\right)$

$N\left(T_k\right)=-\frac{I_B\left(T_k\right)}{Q\left(T_k\right)}\mathrm{dT}---\left(14b\right)$

$h(T_n,T_1)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}-\frac{G_{\mathrm{Bh}}\left(T_1\right)}{Q\left(T_i\right)}\mathrm{dT}---\left(14c\right)$

$L(T_n,T_1)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}-\frac{G_{\mathrm{Bw}}\left(T_1\right)}{Q\left(T_1\right)}\mathrm{dT}---\left(14d\right)$

$G_{\mathrm{Bw}}=\frac{\mathrm{RT}{D}_C(X_C^{\mathrm{\γ}/\mathrm{\α}}-X_C^{\mathrm{\γ}})}{8{\mathrm{\σ}}_{\mathrm{\α}/\mathrm{\γ}}{V}_{\mathrm{\α}}(X_C^{\mathrm{\γ}}-X_C^{\mathrm{\α}/\mathrm{\γ}})(1-X_C^{\mathrm{\γ}/\underset{}{\mathrm{\α}}})}\ln \left[(X_C^{\mathrm{\γ}}/X_C^{\mathrm{\γ}/\mathrm{\α}})(X_C^{\mathrm{\γ}/\mathrm{\α}}-X_C^{\mathrm{\α}/\mathrm{\γ}})\right]---\left(14e\right)$

$G_{\mathrm{Bh}}=0.5\×10^{-6}{D}_C\frac{X_C^{\mathrm{\γ}/\mathrm{\α}}-X_C^{\mathrm{\γ}}}{X_C^{\mathrm{\γ}/\mathrm{\α}}-X_C^{\mathrm{\α}/\mathrm{\γ}}}---\left(14f\right)$

其中，G_Bw为板条状析出相的伸长动力学速率，G_Bh为板条状析出相的加厚动力学速率，ρ_c为贝氏体板条端部的曲率，根据临界晶核模型推导计算。S_γ/P为贝氏体的有效晶界面积，利用Cahn被延伸面积的方法计算。

$I_B=\frac{K_1{D}_C}{{\left(\mathrm{kT}\right)}^{1/2}}\×\exp [-\frac{K_6}{\mathrm{kT\Δ}{G}_F^2}]---\left(15\right)$

式中，K₆为常数。

(4)预测成品板材的力学性能；

描述钢材力学性能的指标主要有强度，包括屈服强度σ_s和抗拉强度σ_b，以及韧性，即延伸率δ。热轧及轧后加速冷却过程，是通过各种冶金学因素而影响热轧板带性能状况的。

钢材的强韧化机制主要有固溶强化、析出强化、相变强化、位错强化和细晶强化等，因此影响室温力学性能的组织参数主要包括：溶质元素在钢中固溶的质量百分数、碳氮化物析出相体积分数和质点尺寸、室温下各组成相体积分数、平均位错密度和铁素体晶粒尺寸等。

①计算钢材屈服强度

屈服强度可由以下公式表示：

${\mathrm{\σ}}_s={\mathrm{\σ}}_0+s\·d_F^{-1/2}+t---\left(16\right)$

式中，(s·d_F ^-1/2+t)表示细化晶粒对屈服强度的贡献，d_F为铁素体晶粒尺寸，s、t为常数。第一项σ₀主要表示包括位错强化、固溶强化、析出强化和相变强化等方式的复合强化效果。可由公式(16a)来表示；

σ₀＝σ_const+σ_disl+σ_int+σ_sub+σ_ppt+Δσ_Y                     (16a)

式中，σ_const为常数，由实验数据回归分析可得到。Δσ_Y为与成品板厚h_FR有关的修正项，可由下式计算：

Δσ_Y＝Y₁·exp[-(h_FR-Y₂)/Y₃]                                    (16b)

其中，Y₁(i＝1～3)为常数，可由现场热轧实验和计算结果拟合确定。

σ_disl、σ_ppt分别为位错强化和析出强化对屈服强度的贡献；σ_int、σ_sub分别为间隙原子和置换原子所引起的固溶强化效果。位错强化对屈服强度的贡献σ_disl可由下式计算：

σ_disl＝μbρ^1/2                                                (16c)

式中，μ为铁素体的切变弹性模量； b为柏氏矢量；ρ为平均位错密度，可通过与变形抗力的关系模型确定。固溶强化是由于固溶体中的溶质与运动位错之间相互作用而引起的流变应力的增加，可以直接采用线性迭加法计算总的固溶强化效果：

${\mathrm{\σ}}_{\mathrm{int}}+{\mathrm{\σ}}_{\mathrm{sub}}=\mathrm{\Σ}{k}_{M_i}\left[M_i\right]=4570\left[C\right]+3750\left[N\right]+37\left[\mathrm{Mn}\right]$

$+83\left[\mathrm{Si}\right]+470\left[S\right]+470\left[P\right]+38\left[\mathrm{Cu}\right]+11\left[\mathrm{Mo}\right]---\left(16d\right)$

$+2.9\left[V\right]+80.5\left[\mathrm{Ti}\right]-30\left[\mathrm{Cr}\right]$

式中，[M_i]为处于固溶态的各元素的质量百分数，它们与钢材的化学成分并不相同。对于一般的微合金钢和碳素钢来说，可以认为，全部的Si、Ni、P和Cu均处于固溶态；而碳含量较低，特别是扣除了强碳氮化物形成元素所固定的碳后，大部分的Mn和Cr也处于固溶态；对于C、N和V等元素的含量，则需要通过计算来确定。

析出强化是由于析出相与运动位错之间将产生相互作用，从而导致屈服强度和流变应力的提高。在溶质浓度较低时，固溶强化与沉淀强化作用完全具有简单的线性相加性。采用Orowan机制计算的析出强化效果σ_ppt可表示为：

${\mathrm{\σ}}_{\mathrm{ppt}}=\frac{\sqrt{6}\mathrm{\μb}{f}_p^{1/2}}{1.18{\mathrm{\π}}^{3/2}{k}_p{d}_p}\×\ln \left(\frac{\mathrm{\π}{k}_d{d}_p}{4b}\right)---\left(16e\right)$

式中，f_p和d_p分别为析出相的体积分数和平均直径；k_p和k_d分别为比例常数和析出相尺寸的修正参数。

②计算钢材抗拉强度

抗拉强度σ_b可按照Tomota和Tamura的分配应变方法来计算

${\mathrm{\σ}}_b=p\{X_F(H_F+q{d}_F^{-1/2})+X_P{H}_P+X_B{H}_B\}+\mathrm{\Δ}{\mathrm{\σ}}_T+r---\left(17\right)$

式中，p、q和r为常数；X_F，X_P和X_B分别为铁素体、珠光体和贝氏体的体积分数；H_F、H_P和H_B分别为铁素体、珠光体和贝氏体的显微硬度，其中H_P对Nb钢取为222，对普碳钢取为188，而H_F和H_B与相变温度有关：

H_F＝458-0.357T_mf+50[Si]                                        (17a)

H_B＝669-0.588T_mb+50[Si]                                        (17b)

式中，T_mf和T_mb分别为铁素体和贝氏体相变温度，采用相变动力学计算结果。Δσ_T为与成品板厚h_FR有关的修正项，可由下式计算：

Δσ_T＝T₁·exp[-(h_FR-T₂)/T₃                                    (17c)

其中，T_i(i＝1～3)为常数，可由现场热轧实验和计算结果拟合确定。

③计算钢材延伸率

晶粒细化是不仅是钢种最主要的强化方式之一，而且能够提高钢材的韧性。对于低碳钢和高强度低合金钢，延伸率δ可表示为：

$\mathrm{\δ}=u+v{H}_F{X}_F+w{H}_P{X}_P+z{H}_B{X}_B+m{d}_F^{-1/2}+\mathrm{\Δ}{\mathrm{\δ}}_E---\left(18\right)$

式中，u、v、w、z、m均为常数；Δδ_E为与成品板厚h_FR有关的修正项，可由下式计算：

Δδ_E＝E₁+E₂·h_FR+E₃·(h_FR)²                                   (18a)

其中，E_i(i＝1～3)为常数，可由现场热轧实验和计算结果拟合确定。

本发明的三个明显效果是：能够以很高的精度，稳定、快速地预测成品板材的力学性能，实现轧制过程力学性能的在线监测，具体的技术指标为：碳素钢强度相对误差基本在±30MPa以内，Nb-V钢相对误差基本在8％以内；有助于轧制、冷却工艺的在线优化和控制，改善钢材性能质量，生产出性能均一、稳定的热轧产品；产品室温力学性能的高精度预报，对减少检测样品，缩短生产周期，提高生产率具有重要意义。本发明适用钢种为低碳钢或微合金钢，适用过程为中厚板轧机或热连轧过程的粗轧机和精轧机。

附图说明

图1为本发明方法流程图；

图2为计算机网络系统布置图；

图3为数据流动过程示意图；

图4为系统输入参数信息图；

图5为当冷却速率为4℃/s时精轧开轧温度对力学性能的影响示意图，其中图5a中成品厚度为14mm，图5b为中成品厚度为22mm；

图6为当精轧开轧温度为850℃时冷却速率对力学性能的影响示意图，其中图6a中成品厚度为18mm，图5b为中成品厚度为22mm；

图7为碳素钢力学性能的计算值与实测值的比较示意图，其中图7a为屈服强度，图7b为抗拉强度；图8为Nb-V钢性能预测值和实测值的比较示意图，其中图8a为屈服强度，图8b为抗拉强度。

具体实施方式

下面结合附图对本发明做进一步的详细描述：

(1)选择、确定模型参数；以C-Mn钢(Q345B)为例，采用热模拟和热轧实验，研究不同变形及冷却条件下的相变动力学及组织性能演变规律，选择适合的对比组，将数据带入各公式中，通过回归或拟合方法确定出待定系数的数值。表1所示出了本实例中模型参数的确定结果。

参数	参数值	参数	参数值	参数	参数值	参数	参数值
								AK1K2K3K4K5K6s	1.14×1052.07×10116.33×10-151.22.01×10131.49×10-146.82×10-417.2	tμbpqruv	4.557.5×10102.5×10-101.63.752732.9682.3×10-3	wzmωY1Y2Y3T1	0.521.9×10-20.451.0×10-622.06123.9714	T2T3E1E2E3σconst	123.766.6-1.30.02647

                            表1

(2)建立与过程机的实时通讯，从过程机数据库中在线调用工艺参数及合金成分动态数据；选择PDI号为28-1p33A_2的轧件进行计算。首先从过程机数据可调用钢种合金成分、坯料尺寸、控轧及控冷工艺等数据作为输入信息，如图4所示。该钢种化学成分(ms-％)为：0.18C-0.39Si-1.39Mn-0.013P-0.009S；压下规程为：220.00→202.14→187.97→175.08→162.43→139.82→120.41→100.04→83.33→67.3→45.3→37.9→33.0→28.1→23.8→20.9→18.0(mm)。由过程自动化计算的道次温度(距表面3/4厚度)分别为(单位：℃)：1120；1089；1063；1040；1020；1010；995；970；946；938；920；913；889；862；848；836。各道次轧制间歇时间为5s。

(3)预测铁素体晶粒尺寸和室温相组成；

根据发明内容部分步骤(3)中给出的①～⑥步中公式进行计算，得到以下数值：

奥氏体晶粒尺寸d_γ和未再结晶区累积压下量p通过再结晶模型可求得，本实例中分别为25μm和0.2。计算得到相变前单位体积奥氏体等效晶界表面积S_γ为7.34×10⁴m^-1。

采用热平衡分析和孕育期叠加法则可计算本实例中铁素体转变的开始温度为752℃，珠光体为693℃，生成相组成为F+P。铁素体相变机制转变温度为744℃。铁素体体积分数为70.9％，珠光体分数为29.1％，铁素体晶粒尺寸为11.52μm。

(4)预测成品板材的力学性能；

根据组织和性能的对应关系模型，按照发明内容部分步骤(4)中①～③的公式可得到本方法实例中板材的屈服强度为383MPa，抗拉强度为531MPa，延伸率为23％。其实际力学性能测试结果分别390MPa、545MPa和22％。

将所有组织和性能计算结果自动存入以PDI号为文件名的文本文件中，以被查询分析。

对本发明方法的精确性验证如下：

(1)根据中厚板TMCP工业轧制条件，计算不同工艺参数和合金成分对Q235中板室温力学性能影响。探索控轧控冷工艺对中板组织和性能的影响，为确定新的轧制规程和冷却制度提供指导。采用如表2所示中厚板控轧控冷工艺参数进行计算。

	工艺参数
			钢坯加热	1150℃×2～3h
精轧阶段压下分配(mm)	①57→45→36→28→22→17→14→12→12；②28→22→17→14→12→12；③30→24→18→16→14→12→12；④18→16→14→12→12；⑤24→18→14→12→12；	⑥45→36→28→22→20；⑦93→73→57→45→36→28→22→20；⑧45→36→28→24→22→20
			温度制度	精轧开轧：810～860℃；  精轧终轧：700～780℃；开冷：680～750℃；      终冷：550～710℃

                                表2

中厚板TMCP技术的主要控制参数有：精轧(II阶段)轧制温度、压下制度和冷却速率等。精轧温度的控制主要通过粗轧和精轧两阶段的待温及中间冷却来实现，压下制度的制定主要考虑轧机能力范围内加大变形程度和负荷分配后移。精轧阶段的温度和变形对奥氏体再结晶过程及应变积累有重要作用。冷却速率的控制主要是通过控制辊道速度、冷却水流量来实现的。加速冷却可以细化晶粒，大幅度提高钢材的性能水平。

图5示出了14mm和22mm成品厚度的钢板精轧开轧温度对轧后力学性能的影响。由图可以看出，随着精轧开轧温度的降低，屈服强度和抗拉强度增加；随着厚度的增加，屈服强度和抗拉强度降低。降低精轧温度，细化了奥氏体晶粒，增大了应变积累；成品厚度减小，加快了轧制过程温降，增大了相对的压下率。这些工艺参数的调整，都不同程度的细化了α晶粒，促进了γ→α相变，使成品板材的屈服强度和抗拉强度得到提高。

采用终轧后水幕冷却方式，可以促进连续冷却转变过程的晶粒细化，并有效的抑制相变后的铁素体晶粒的长大，提高钢的屈服和抗拉强度。但冷却速率太大则不利于矫直，且使纵横向性能差加大。现场的水幕冷却能力不足，冷却速率仅在2～3℃/s范围内。图6示出了冷却速率对力学性能的影响。随着冷却速率的增大，屈服强度和抗拉强度增加。在相同条件下，成品厚为25mm的比18mm的屈服强度和抗拉强度低一些。在1～10℃/s左右的冷却速率范围内，屈服强度变化在50MPa左右，抗拉强度在20MPa左右。

(2)在中厚板过程计算机中随机抽取100组数据作为测试样本，进行测试以检验在线模型的预测精度。其中，成品厚度12～70mm，精轧开轧温度800～1075℃，终轧温度708～904℃，C-Mn钢的预测值与实测值对比分别如图7所示。

由图可以看出，预报精度较高，预报结果的相对误差很小，预报结果中，抗拉强度的相对误差最小，98％的预报相对误差落在±30MPa以内，屈服强度预报误差稍大一些，93％的预报相对误差落在±30MPa以内。

(3)从过程机中随机抽取50组Nb-V钢(Q460)数据作为测试样本，进行验证。其中，成品厚度13～60mm，精轧开轧温度837～990℃，终轧温度736～903℃，钢的预测值与实测值对比分别如图8所示。由图可以看出，预报精度较高，预报结果的相对误差很小，预报结果中，抗拉强度的相对误差最小，100％的预报相对误差落在±8％以内，98％的屈服强度预报相对误差落在±8％以内。延伸率的预报与屈服强度和抗拉强度的预报相比，误差相对较大，有60％落在±10％以内。

Claims (7)

1、一种轧制过程在线检测钢板力学性能的方法，其特征在于本发明方法包括以下步骤：

(1)选择、确定模型参数；

(2)建立与过程机的实时通讯，从过程机数据库中在线调用工艺参数及合金成分动态数据；

(3)预测铁素体晶粒尺寸和室温相组成，包括：

①计算单位体积奥氏体等效晶界表面积S_γ，

②计算α相转变体积分数X_F，

③计算γ→α相变连续冷却过程中相变机制转变温度T_NG，

④计算γ→α相变后α晶粒平均直径d_F，

⑤计算珠光体体积分数X_P，

⑥计算贝氏体体积分数X_B；

(4)预测成品板材的力学性能，包括：

①计算钢材屈服强度，

②计算钢材抗拉强度，

③计算钢材延伸率。

2、根据权利要求1所述的轧制过程在线检测钢板力学性能的方法，其特征在于从过程机数据库中调用动态数据包括钢种合金成分、坯料尺寸、控轧控冷工艺参数作为初始参数输入。

3、根据权利要求1所述的轧制过程在线检测钢板力学性能的方法，其特征在于步骤(1)中所述选择、确定模型参数是采用热模拟和热轧实验，找出不同变形及冷却条件下的相变动力学及组织性能演变规律，选择合适的对比组，将数据带入各公式中，回归或拟合出待定系数的数值。

4、根据权利要求1所述的轧制过程在线检测钢板力学性能的方法，其特征在于步骤(3)中所述单位体积奥氏体等效晶界表面积S_γ由公式(1)计算得出：所述α相转变体积分数X_F由公式(2)～(7)计算得出；所述γ→α相变连续冷却过程中相变机制转变温度T_NG由公式(8)～(10)计算得出；所述γ→α相变后α晶粒平均直径d_F由公式(11)计算得出；所述珠光体体积分数X_P由公式(12)、(12a)～(12e)、(13)计算得出；所述贝氏体体积分数X_B ^c由公式(14)、(14a)～(14f)、(15)计算得出。

5、根据权利要求1所述的轧制过程在线检测钢板力学性能的方法，其特征在于步骤(4)中所述钢材屈服强度由公式(16)计算得出：

${\mathrm{\σ}}_s={\mathrm{\σ}}_0+s\·d_F^{-1/2}+t----\left(16\right)$

其中

表示细化晶粒对屈服强度的贡献，d_F为铁素体晶粒尺寸，s、t为常数，第一项σ₀主要表示包括位错强化、固溶强化、析出强化和相变强化等方式的复合强化效果，

       σ₀＝σ_const+σ_disl+σ_int+σ_sub+σ_ppt+Δσ_Y                (16a)

其中σ_const为常数，由实验数据回归分析可得到；Δσ_Y为与成品板厚h_FR有关的修正项，可由下式计算：Δσ_Y＝Y₁·exp[-(h_FR-Y₂)/Y₃]                (16b)

其中，Y_i(i＝1～3)为常数，可由现场热轧实验和计算结果拟合确定。

6、根据权利要求1所述的轧制过程在线检测钢板力学性能的方法，其特征在于步骤(4)中所述钢材抗拉强度由公式(17)计算得出：

${\mathrm{\σ}}_b=p\{X_F(H_F+{\mathrm{qd}}_F^{-1/2})+X_P{H}_P+X_B{H}_B\}+{\mathrm{\Δ\σ}}_T+r----\left(17\right)$

其中p、q和r为常数；X_F、X_P和X_B分别为铁素体、珠光体和贝氏体的体积分数；H_F，H_P和H_B分别为铁素体、珠光体和贝氏体的显微硬度，Δσ_T为与成品板厚h_FR有关的修正项，可由公式(17c)计算：

        Δσ_T＝T₁·exp[-(h_FR-T₂)/T₃]                     (17c)

其中T_i(i＝1～3)为常数，可由现场热轧实验和计算结果拟合确定。

7、根据权利要求1所述的轧制过程在线检测钢板力学性能的方法，其特征在于步骤(4)中所述钢材延伸率由公式(18)计算得出：

$\mathrm{\δ}=u+v{H}_F{X}_F+w{H}_P{X}_P+z{H}_B{X}_B+{\mathrm{md}}_F^{-1/2}+{\mathrm{\Δ\δ}}_E----\left(18\right)$

其中u、v、w、z、m均为常数；Δδ_E为与成品板厚h_FR有关的修正项，可由下式计算：

         Δδ_E＝E₁+E₂·h_FR+E₃·(h_FR)²             (18a)

其中，E_i(i＝1～3)为常数，可由现场热轧实验和计算结果拟合确定。

Images