TWI810000B - 用於鋼帶連續退火製程之自動溫控方法及電腦程式產品 - Google Patents
用於鋼帶連續退火製程之自動溫控方法及電腦程式產品 Download PDFInfo
- Publication number
- TWI810000B TWI810000B TW111128651A TW111128651A TWI810000B TW I810000 B TWI810000 B TW I810000B TW 111128651 A TW111128651 A TW 111128651A TW 111128651 A TW111128651 A TW 111128651A TW I810000 B TWI810000 B TW I810000B
- Authority
- TW
- Taiwan
- Prior art keywords
- furnace
- steel strip
- temperature
- zone
- control method
- Prior art date
Links
Images
Landscapes
- Heat Treatment Of Strip Materials And Filament Materials (AREA)
- Control Of Heat Treatment Processes (AREA)
Abstract
一種用於鋼帶連續退火線之自動溫控方法，其由電腦設備進行且包含：計算鋼帶連續退火線中各爐區的鋼帶溫度；計算鋼帶連續退火線中各爐區的爐溫及風壓；以及由此些鋼帶溫度、此些爐溫、此些風壓、上游製程參數及鋼帶特徵計算出退火目標溫度的修正值，並依據此些修正值調整各爐區的退火目標溫度。
Description
本發明是有關於鋼帶連續退火製程之溫控，且特別是指一種鋼帶連續退火製程之自動溫控方法及電腦程式產品。
連續退火製程為依據鋼種別以適當的溫度對鋼帶加熱，使鋼帶可被賦予應有之鐵損及機性。現行控制連續退火製程的方法為依據生產同鋼種、同尺寸鋼帶的經驗，調整各爐區的爐溫和/或風壓等製程參數，接著再利用鐵損儀等相關品質量測儀器對鋼帶進行量測，並依據量測結果微調各爐區的相關製程參數。然而，由於冶金成份、上游製程參數、鋼帶退火升降溫歷程、線速等因素均會影響退火後的鐵損和機性等鋼帶品質，且連續退火線各爐區的爐溫反應緩慢，故透過線上鐵損儀量測鋼帶鐵損或是透過鋼帶切片取樣方式量測機性等方式發現鐵損和機性未達標準不符需求時，代表已生產相當長度的鋼帶未達規格需求。
本發明的目的在於提供一種鋼帶連續退火製程的自動溫控機制，其可即時依據爐況、上游製程參數及鋼帶特徵（例如尺寸、冶金成份）決定退火目標溫度的修正值，並依據得到的修正值調整各爐區的爐溫和風壓等製程參數，從而實現各爐區的退火目標溫度控制，進而確保經過退火處理後的鋼帶品質。
根據上述目的，本發明提出一種用於鋼帶連續退火製程之自動溫控方法，其由電腦設備進行且包含：建立鋼帶加熱和冷卻溫度計算模型；利用鋼帶加熱和冷卻溫度計算模型計算出鋼帶連續退火線中各爐區的鋼帶溫度；由目標函數計算出鋼帶連續退火線中各爐區的爐溫及風壓；以及由鋼帶溫度、實際爐溫及實際風壓、上游製程參數及鋼帶特徵計算出退火目標溫度修正值，並依據此退火目標溫度修正值調整各爐區的爐溫及風壓。
依據本發明一實施例，計算鋼帶連續退火線中各爐區的鋼帶溫度包含：設定鋼帶連續退火線之各爐區的初始溫度；以及使用最佳化方法找出此些爐區中使目標函數具有最小值的特定爐區爐溫。
依據本發明又一實施例，上述最佳化方法為基因演算法（Genetic Algorithm；GA）、序列二次規劃法（Sequential Quadratic Programming；SQP）或模式搜尋法（Hooke-Jeeves Algorithm）。
依據本發明又一實施例，上述特定爐區為鋼帶連續退火線的加熱爐區或均溫爐區。
依據本發明又一實施例，若有部分爐區的爐溫變化小於容差值，則重複進行各爐區之鋼帶溫度計算和爐溫計算，直到此些爐區的爐溫變化均小於該容差值。
依據本發明又一實施例，計算該鋼帶連續退火線中各爐區的爐溫及風壓包含：設定各爐區的鋼帶冷卻速率；計算出各爐區之算得鋼帶溫度；以及由此些爐區的鋼帶冷卻速率和算得鋼帶溫度計算出此些爐區的鋼帶溫度差值和風壓。
依據本發明又一實施例，上述由此些鋼帶溫度、此些爐溫、此些風壓、此些上游製程參數及此些鋼帶特徵計算出退火目標溫度的修正值為在確認退火目標後將此些鋼帶溫度、此些爐溫及此些風壓等數值代入到退火品質預測模型以計算出預估鐵損值，並由預估鐵損值與此些退火目標溫度的關係式計算出預估鐵損值對應的梯度，從而得到此些退火目標溫度修正值。
依據本發明又一實施例，上述退火品質預測模型透過機器學習方式建立，且所使用的機器學習演算法為人工神經網路（Artificial Neural Network）、卷積神經網路（Convolutional Neural Network）、深度神經網路（Deep Neural Network）或支持向量機（Support Vector Machine）。
依據本發明又一實施例，上述鋼帶連續退火線包含預熱爐區、加熱爐區、均溫爐區和冷卻爐區。
根據上述目的，本發明另提出電腦程式產品，當電腦載入此電腦程式產品並執行後，可完成前述任一項自動溫控方法。
以下仔細討論本發明的實施例。然而，可以理解的是，實施例提供許多可應用的概念，其可實施於各式各樣的特定內容中。所討論、揭示之實施例僅供說明，並非用以限定本發明之範圍。
圖1為依據一示例之鋼帶連續退火線100的示意圖。鋼帶連續退火線100用於對鋼帶進行連續退火製程，其包含預熱爐區110、加熱爐區120、均溫爐區130和冷卻爐區140等爐區，其中預熱爐區110的作用為逐步提高鋼帶溫度，加熱爐區120的作用為迅速提高鋼帶溫度，均溫爐區130的作用為均勻化鋼帶的整個橫截面溫度，而冷卻爐區140的作用為降低鋼帶溫度。上述鋼帶連續退火線100的爐區配置僅為示例，其他連續退火線可以有不同的配置，例如冷卻爐區可再細分為管冷、緩冷冷爐區、快冷爐區等，以用於不同種類鋼帶的生產。
圖2為依據本發明實施例之用於鋼帶連續退火製程之自動溫控方法200的流程圖。自動溫控方法200可由電腦設備或其他具資料處理運算功能的裝置進行。首先進行步驟S210，計算鋼帶連續退火線中各爐區的鋼帶溫度；接著進行步驟S220，由目標函數計算鋼帶連續退火線中各爐區的爐溫及風壓；之後進行步驟S230，由鋼帶連續退火線中各爐區的鋼帶溫度、實際爐溫及實際風壓計算出退火目標溫度的修正值，並依據此修正值回授調整各爐區的爐溫及風壓，以達成各爐區的退火目標溫度控制。步驟S210至S230將於後續段落詳細說明。
步驟S210係利用預先建立的鋼帶加熱和冷卻溫度計算模型進行。鋼帶於爐內加熱與冷卻過程可簡單視為鋼帶能量的增減過程，且鋼帶所累積的能量可利用焓值表直接求得鋼帶溫度。若將爐區依其長度方向切分為N個區段，則位於第
區段之鋼帶進出之能量變化
以式(1)表示如下：
， (1)
其中
和
分別為鋼帶出口焓值和鋼帶入口焓值（單位皆為千卡/公斤）、
為鋼帶密度（單位為公斤/立方公尺）、
為鋼帶寬度（單位為公尺）、
為產線速度（單位為公尺/秒）、
為鋼帶厚度（單位為公尺）、而
為進出之時間（單位為秒）。在鋼帶入口溫度已知的條件下，可藉由查找焓值表而求得在此溫度下的鋼帶入口焓值
；若能量差異
為已知，則可利用式(1)求得鋼帶出口焓值
，接著再查找焓值表以求得對應鋼帶出口焓值
的鋼帶溫度。
爐氛係透過熱輻射與熱對流等方式加熱或冷卻鋼帶，且對位於第
區段之鋼帶的加熱能量
會等於式(1)之鋼帶能量變化
。加熱能量
以式(2)表示如下：
， (2)
其中
和
分別為鋼帶出口焓值和鋼帶入口焓值（單位皆為千卡/公斤），且分別以式(3)和式(4)表示如下：
；及 (3)
， (4)
其中
和
分別第
區段之爐溫和鋼帶平均溫度（單位皆為°C）、
為第
區段之爐長（單位為公尺）、
、
為爐體放射率、
為鋼帶放射率、而
為對流熱傳係數。
此外，若是利用氣體噴流（gas jet）技術並採用氫氣為介質，以熱對流方式加熱或冷卻鋼帶，則對位於第
區段之鋼帶的加熱能量
會等於式(1)所述之能量變化
，且以式(5)表示如下：
， (5)
其中
，而
為對數平均溫差。對流熱傳係數
和對數平均溫差
分別以式(6)和式(7)表示如下：
；及 (6)
， (7)
其中
為氫氣影響係數、
為形狀係數、
和
分別為各子區爐寬的爐長（單位皆為公尺）、
為風速（單位為公尺/秒）、
為風溫（單位為°C）、
和
分別為第
區段之鋼帶出口溫度和之鋼帶入口溫度（單位皆為°C）、而
和
均為常數。
在爐溫或是風壓、風溫已知的條件下，將加熱能量
或
轉換成鋼帶的能量變化
，即可求得焓差
，且接著再經由查找表可得到對應的變化量
用，接著再將此變化量
與第
區段鋼帶的平均溫度
相加，即可得到第
區段鋼帶的平均溫度
（即
）。得到第
區段鋼帶的平均溫度
後，再利用上述公式更新加熱能量
和
，接著再利用更新後的加熱能量
和
更新第
區段鋼帶的平均溫度
，以此方式進行迭代運算，直至第
區段鋼帶的平均溫度
收斂為止。藉由進行上述計算方式，可完成各區段的鋼帶溫度計算，進而得到各爐區的平均鋼帶溫度。
接著說明步驟S220。由於有無限多組爐溫配置（升溫曲線）可滿足同一鋼帶出爐目標溫度，故需加入限制條件，使特定的退火目標溫度僅對應有唯一一組各爐區的爐溫配置，以確保各爐溫的穩定控制。圖3為依據本發明實施例之爐溫計算方法300的流程圖。首先，進行步驟S302，設定鋼帶連續退火線之各爐區的初始溫度。接著，進行步驟S304，使用最佳化方法找出使目標函數具有最小值之特定爐區的爐溫。目標函數
如下：
， (8)
其中
，
，
，
，
、
、
、
分別為函數
、
、
、
的權重係數，
為加熱爐區的目標鋼帶溫度，
、
分別為爐區序號和爐區個數，
和
分別為所計算出之爐區
和爐區
的爐溫，
為爐區
的量測溫度，
為所計算出加熱爐區的鋼帶溫度，
為爐區
的爐溫差，
為鋼帶連續退火線的爐長，
為位於鋼帶連續退火線的鋼帶在長度為
處的溫度。目標函數
涵蓋滿足退火目標溫度（對應函數
）、爐溫升溫最小化（對應函數
）、子區間爐溫差距設定（對應函數
）與升溫曲線面積最小化（對應函數
）。權重係數
、
、
、
可因應實際需求調整，例如節能需求、特殊產品規格需求等。
對目標函數
進行最小化的處理可使用最佳化方法進行，例如基因演算法（Genetic Algorithm；GA）、序列二次規劃法（Sequential Quadratic Programming；SQP）或模式搜尋法（Hooke-Jeeves Algorithm）等最佳化方法，以求出使目標函數
具有最小值的各爐區的爐溫，並以此求得的爐溫取代原爐溫而完成更新。之後，進行步驟S306，判斷各爐區的爐溫變化是否小於容差值。爐溫變化為進行最佳化方法之前的爐溫和進行最佳化方法後所更新的爐溫之間的差距，且容差值可設為1度或因應實際需求調整為其他值，例如所使用的最佳化方法和精度標準等。若各爐區的爐溫變化均小於容差值，則代表命中加熱爐區的目標鋼帶溫度。反之，若有部分爐區的爐溫變化小於容差值，則重複進行上述各爐區之鋼帶溫度計算和爐溫計算，直到各爐區的爐溫變化均小於容差值。
而在風壓的計算上，請參照圖4所示依據本發明實施例之風壓計算方法400的流程圖。首先，進行步驟S402，設定各爐區的鋼帶冷卻速率
。接著，進行步驟S404，利用式(9)計算出各爐區之算得鋼帶溫度
：
， (9)
其中
（
為均溫爐區之目標鋼帶溫度），
為爐區
的爐長，且
為鋼帶體積；接著再利用式(10)計算出爐區
的鋼帶溫度差值
：
， (10)
且再利用式(11)計算爐區
的風壓
：
， (11)
其中
為對應爐區
的風壓步進值。應注意的是，在第一次進行風壓計算前，需先初始化各爐區的風壓
為預設值。各爐區的初始風壓和風壓步進值可依據各爐區的環境和特性等因素設定。之後，進行步驟S406，判斷鋼帶溫度差值是否達到收斂。若是，則可結束風壓計算方法400的流程；反之，則再重複進行風壓計算方法400。若進行步驟S406前後的鋼帶溫度差值分別為大於0和小於0，則可判斷鋼帶溫度差值達到收斂。
步驟S230係利用先前步驟所計算出鋼帶連續退火線中各爐區的目標鋼帶溫度、爐溫、風壓、上游製程參數及鋼帶特徵等數值計算出退火目標溫度修正值，並依據計算出的修正值調整各爐區的退火目標溫度。詳細而言，在確認退火目標後，將鋼帶連續退火線中各爐區的目標鋼帶溫度、爐溫及風壓等數值代入到退火品質預測模型以計算出預估鐵損值，並由預估鐵損值與退火目標溫度的關係式得到退火目標溫度修正值。
退火品質預測模型可透過機器學習方式建立，且所使用的機器學習演算法可以是例如人工神經網路（Artificial Neural Network）、卷積神經網路（Convolutional Neural Network）、深度神經網路（Deep Neural Network）、支持向量機（Support Vector Machine）或其他適用的演算法。在模型訓練階段，首先對歷史鋼捲生產資訊（包含產線量測數據歷史資料）和鋼捲資訊（包含母材物化歷史資料）進行資料清洗、正規化、特徵擷取及選擇等處理，接著再將經過上述處理而篩選出的資料送至選定的深度學習模型，以訓練出退火品質預測模型。而在對退火目標溫度的修正，可先將在先前步驟完成後所得之各爐區的目標鋼帶溫度、爐溫及風壓等數值代入到退火品質預測模型，即可計算出預估鐵損值，接著再將預估鐵損值代入到由預估鐵損值與退火目標溫度的關係式計算出預估鐵損值對應的梯度，從而得到退火目標溫度修正值，並依據此修正值回授調整各爐區的爐溫及風壓，達成退火目標溫度的控制。
上述方法可經編程而成為電腦程式產品，其可由處理器執行，且可儲存於處理器可存取的非暫態電腦可讀取媒體中。非暫態電腦可讀取媒體可以是唯讀記憶體、快閃記憶體、軟碟、硬碟、光碟、通用序列匯流排（USB）隨身碟、磁帶、可在網際網路上存取的資料庫、或其他對所述技術領域中具有通常知識者為顯而易見的電腦可讀取媒體。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
100:鋼帶連續退火線
110:預熱爐區
120:加熱爐區
130:均溫爐區
140:冷卻爐區
200,300,400:方法
S210,S220,S230,S302,S304,S306,
S402,S404,S406:步驟
為了更完整了解實施例及其優點，現參照結合所附圖式所做之下列描述，其中：
[圖1]為依據一示例之鋼帶連續退火線的示意圖；
[圖2]為依據本發明實施例之用於鋼帶連續退火製程之自動溫控方法的流程圖；
[圖3]為依據本發明實施例之爐溫計算方法的流程圖；以及
[圖4]為依據本發明實施例之風壓計算方法的流程圖。
國內寄存資訊(請依寄存機構、日期、號碼順序註記)
無
國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記)
無
200:方法
S210,S220,S230:步驟
Claims (10)
- 一種用於鋼帶連續退火製程之自動溫控方法，由一電腦設備進行且包含： 建立一鋼帶加熱和冷卻溫度計算模型； 利用該鋼帶加熱和冷卻溫度計算模型計算出一鋼帶連續退火線中各爐區的鋼帶溫度； 由一目標函數計算出該鋼帶連續退火線中各該爐區的爐溫及風壓；以及 由該些鋼帶溫度、該些爐溫、該些風壓、上游製程參數及鋼帶特徵計算出退火目標溫度修正值，並依據該些退火目標溫度修正值回授調整各該爐區之爐溫及風壓。
- 如請求項1所述之自動溫控方法，其中計算該鋼帶連續退火線中各該爐區的鋼帶溫度包含： 設定該鋼帶連續退火線之各該爐區的初始溫度；以及 使用一最佳化方法找出該些爐區中使該目標函數具有最小值之特定爐區的爐溫。
- 如請求項2所述之自動溫控方法，其中該最佳化方法為基因演算法（Genetic Algorithm；GA）、序列二次規劃法（Sequential Quadratic Programming；SQP）或模式搜尋法（Hooke-Jeeves Algorithm）。
- 如請求項2所述之自動溫控方法，其中該特定爐區為該鋼帶連續退火線之一加熱爐區或一均溫爐區。
- 如請求項2所述之自動溫控方法，其中若該些爐區中有部分爐區的爐溫變化小於一容差值，則重複進行各該爐區之鋼帶溫度計算和爐溫計算，直到該些爐區的爐溫變化均小於該容差值。
- 如請求項1所述之自動溫控方法，其中計算該鋼帶連續退火線中各該爐區的爐溫及風壓包含： 設定各爐區的鋼帶冷卻速率； 計算出各爐區之算得鋼帶溫度；以及 由該些爐區的鋼帶冷卻速率和算得鋼帶溫度計算出該些爐區的鋼帶溫度差值和風壓。
- 如請求項1所述之自動溫控方法，其中由該些鋼帶溫度、該些爐溫及該些風壓計算出退火目標溫度的修正值為在確認退火目標後將該些鋼帶溫度、該些爐溫、該些風壓、該些上游製程參數及該些鋼帶特徵等數值代入到一退火品質預測模型以計算出一預估鐵損值，並由該預估鐵損值與該些退火目標溫度的關係式計算出該預估鐵損值對應的梯度，從而得到該些退火目標溫度修正值。
- 如請求項7所述之自動溫控方法，其中該退火品質預測模型透過機器學習方式建立，且所使用的機器學習演算法為人工神經網路（Artificial Neural Network）、卷積神經網路（Convolutional Neural Network）、深度神經網路（Deep Neural Network）或支持向量機（Support Vector Machine）。
- 如請求項1所述之自動溫控方法，其中該鋼帶連續退火線包含一預熱爐區、一加熱爐區、一均溫爐區和一冷卻爐區。
- 一種電腦程式產品，當電腦載入該電腦程式產品並執行後，可完成如請求項1至9中任一項所述之自動溫控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111128651A TWI810000B (zh) | 2022-07-29 | 2022-07-29 | 用於鋼帶連續退火製程之自動溫控方法及電腦程式產品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111128651A TWI810000B (zh) | 2022-07-29 | 2022-07-29 | 用於鋼帶連續退火製程之自動溫控方法及電腦程式產品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI810000B true TWI810000B (zh) | 2023-07-21 |
| TW202404716A TW202404716A (zh) | 2024-02-01 |
Family
ID=88149460
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111128651A TWI810000B (zh) | 2022-07-29 | 2022-07-29 | 用於鋼帶連續退火製程之自動溫控方法及電腦程式產品 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI810000B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002294350A (ja) * | 2001-03-29 | 2002-10-09 | Kobe Steel Ltd | フロータ式連続焼鈍炉の板温制御方法 |
| CN112430727A (zh) * | 2020-10-15 | 2021-03-02 | 宝钢日铁汽车板有限公司 | 一种连续退火炉炉温预警方法及系统 |
| CN113930600A (zh) * | 2021-10-12 | 2022-01-14 | 大连理工大学 | 一种基于数字孪生技术的罩式炉退火过程监测及控制方法 |
| WO2022036381A1 (de) * | 2020-08-20 | 2022-02-24 | Nntech Gmbh | Verfahren zur bearbeitung eines stahlblechs |
| WO2022054500A1 (ja) * | 2020-09-14 | 2022-03-17 | Ｊｆｅスチール株式会社 | 材料特性値予測システム及び金属板の製造方法 |
-
2022
- 2022-07-29 TW TW111128651A patent/TWI810000B/zh active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002294350A (ja) * | 2001-03-29 | 2002-10-09 | Kobe Steel Ltd | フロータ式連続焼鈍炉の板温制御方法 |
| WO2022036381A1 (de) * | 2020-08-20 | 2022-02-24 | Nntech Gmbh | Verfahren zur bearbeitung eines stahlblechs |
| WO2022054500A1 (ja) * | 2020-09-14 | 2022-03-17 | Ｊｆｅスチール株式会社 | 材料特性値予測システム及び金属板の製造方法 |
| CN112430727A (zh) * | 2020-10-15 | 2021-03-02 | 宝钢日铁汽车板有限公司 | 一种连续退火炉炉温预警方法及系统 |
| CN113930600A (zh) * | 2021-10-12 | 2022-01-14 | 大连理工大学 | 一种基于数字孪生技术的罩式炉退火过程监测及控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202404716A (zh) | 2024-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107220485B (zh) | 一种适用于多道次压缩的本构模型的建立方法 | |
| US8437991B2 (en) | Systems and methods for predicting heat transfer coefficients during quenching | |
| KR101956365B1 (ko) | 연속 소둔라인의 강판 온도 패턴 제어 시스템 및 방법 | |
| TWI810000B (zh) | 用於鋼帶連續退火製程之自動溫控方法及電腦程式產品 | |
| CN104668295B (zh) | 一种棒线材生产线控温轧制工艺的控制方法和装置 | |
| JP2005516297A (ja) | 工業的プロセスの調節方法 | |
| CN101139652A (zh) | 罩式炉钢卷退火工艺中的离线预测方法 | |
| CN107030121B (zh) | 一种连铸坯感应加热快速自适应温控方法 | |
| Ding et al. | Multi‐Objective Optimization of Slab Heating Process in Walking Beam Reheating Furnace Based on Particle Swarm Optimization Algorithm | |
| CN113566557A (zh) | 一种基于深度神经网络的粮食干燥机智能控制方法 | |
| JP5599536B2 (ja) | 温度制御シーケンス決定装置、成形装置、プログラム、記録媒体および温度制御シーケンス決定方法 | |
| CN106191411B (zh) | 一种用于厚钢板热处理的在炉时间控制方法 | |
| JP2012011448A (ja) | 圧延材の冷却制御方法、及びこの冷却制御方法が適用された連続圧延機 | |
| KR102075245B1 (ko) | 전기 강판의 철손 저감 예측 장치 | |
| WO2021080470A1 (ru) | Способ производства проката из стали | |
| Chen et al. | Heat transfer modeling of an annular on-line spray water cooling process for electric-resistance-welded steel pipe | |
| CN108467938B (zh) | 一种退火炉加热段辐射管温度设定方法 | |
| CN113642212B (zh) | 针对大型超高强钢壳体精细化热处理工艺设计方法及系统 | |
| KR102045651B1 (ko) | 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치 | |
| Xia et al. | Simulation of temperature distribution in the oriented silicon steel coil in the heating stage of annealing process | |
| WO2024203155A1 (ja) | 鋼帯の板温予測方法、鋼帯の板温制御方法、鋼帯の製造方法及び鋼帯の板温予測モデルの生成方法 | |
| CN110343821A (zh) | 一种防止带钢在过时效段瓢曲的控制方法 | |
| JP2004244721A (ja) | 鋼板の水冷プロセスにおける熱伝達係数推定方法および冷却制御方法 | |
| CN101131572A (zh) | 一种快速冷却温度控制方法及系统 | |
| KR101223808B1 (ko) | 열연강판 냉각공정의 냉각수 유량설정방법 |