非对称轧制时轧辊轴向力的有限元模型──四辊轧机轴向力学行为的研究（Ⅱ）

非对称轧制（包括轧件跑偏、轧制力偏差等）是四辊板带轧机轴向力产生的主要原因之一．文章在弹性基础梁法的基础上，提出了研究辊系特性的变刚度弹基梁三维有限元计算模型，利用这种模型可对辊系垂向（即轧制力方向）和轧辊轴向、对称轧制（正常轧制）和非对称轧制、轧辊轴线平行及交叉诸工况进行分析．     

高速线材精轧机工作辊油膜轴承负荷特性的理论计算与实验研究

高速线材精轧机工作辊油膜轴承由于使用工况恶劣 ,更换最为频繁。本文采用有限差分法对高速线材精轧机工作辊油膜轴承的载荷特性进行了理论计算 ,并通过间接测试轴承载荷特性的方法进行了多次在线测试实验 ,分析了载荷特性对轴承出现过早疲劳磨损及突发烧损等失效形式的影响。本文对于研究高速线材轧机油膜轴承延寿问题提供了重要的理论和实践依据     

液压支架用无缝钢管轧制开裂原因分析

在轧制27SiMn液压支架用无缝钢管的过程中,管体出现局部开裂,对管体的化学成分进行了检验,利用金相显微镜和扫描电镜对其进行微观分析.分析结果表明,连铸坯中存在较多的非金属夹杂物,破坏了钢基体组织的连续性,在轧制过程中,该部位的金属受力不均产生显微裂纹.再加热过程的快速升温,增大钢管沿壁厚方向的温度梯度,外表面由于相变收缩而产生切向拉应力,显微裂纹进一步扩展从而导致局部开裂.对夹杂物做定性分析,找出其来源,并提出相应的技术改进措施.     

楔横轧成型电机轴的组织与性能

本文研究了35MnVN钢经不同温度加热,进行楔横轧成型电机轴空冷后的组织与性能。这种成型电机轴具有非常细小的铁素体—珠光体组织,其σ_b为870～900MPa,σ_s即(σ_(0.2))为759～796MPa,σ_k为69～134J/cm~2。     

冷连轧机轧制力在线计算模型

通过将轧制变形区离散化的方法,在考虑变形区内横截面上张应力、摩擦应力等影响因素沿带钢轧制方向分布规律及其与带钢厚度及压下量的关系的基础上,采用数学模型和神经网络相结合的方法计算了金属变形抗力,建立了冷连轧机轧制力在线计算数学模型. 经大型工业轧机生产实践数据检验,该冷连轧机在线轧制力计算模型预报误差控制在6.1%以内,满足模型在线控制要求,可提高在线控制轧制力模型的计算精度.     

等离子喷涂Ni60A/MoS_2复合润滑涂层摩擦学特性研究

在UMT-2微观磨损试验机上研究了等离子喷涂Ni60A/MoS2复合润滑涂层的摩擦学特性,且对摩擦表面进行了SEM观察和分析.研究结果表明:随着MoS2含量的增加,摩擦因数显现先减小后增大的趋势,并在MoS2的质量分数为40%时达到最小值.随着载荷的增加磨损量明显增大,当载荷由80 N变化到120 N时,载荷对磨损的影响较为显著,120 N时的磨损量大约为80 N时的1.7倍左右,载荷对摩擦因数也有较大的影响,等离子喷涂涂层的主要磨损失效形式为磨粒磨损和粘着磨损.     

高速线材轧机油膜轴承损伤机理与实验研究

高速线材轧机工作辊油膜轴承频繁发生短寿烧损事故 ,严重困扰企业生产。本文从机构学观点出发 ,采用弹性问题边界元法对轧机工作辊辊系进行理论分析 ,并通过间接测试轴承动态载荷特性的方法进行了多次在线测试。指出其损伤机理在于轧机结构不合理 ,轴承严重偏载和超载。本文为改造轧机结构 ,解决线材轧机油膜轴承短寿烧损问题提供了重要的理论和实践依据     

中厚板轧后快速冷却系统控制策略与控制模型

针对轧板厂原有冷却系统冷却能力弱的实际情况,为了提高产品质量和生产效率,专门为轧板厂生产线设计了一套全新的轧后快速冷却系统.系统集成了多种先进的控制策略和控制模型,同时采用了西门子高性能控制器,实现了整个系统的全自动控制.现场应用结果表明,冷却系统功能完善,控制精度高,钢板性能得到了很大改善.     

考虑表面粗糙度的叶片密封面润滑及摩擦的数值研究

为更准确地分析叶片式液压摆动油缸叶片密封面的润滑性能,利用弹性力学平面问题的基本理论建立叶片密封面接触压力数学模型并求得压力在接触面上的分布情况,然后基于瞬态平均Reynolds方程与G-W微凸体接触模型,建立叶片密封面流体动压润滑模型,分析叶片粗糙度对密封面接触压力、油膜厚度分布和摩擦力的影响。结果表明,叶片表面粗糙度增大时,密封面油膜厚度没有明显变化,但摩擦力明显增大。     

基于数据库的神经网络轧制力建模

冷连轧过程控制的轧制力模型对于提高轧制精度和降低生产成本具有重要的意义，而传统的轧制力模型结构简单，精度较低，即使在实际生产中采用自适应技术，也无法满足高精度轧制的需要。为此针对5机架冷连轧机，提出并联结构的BP神经网络模型；采用Levenberg-Marquardt算法进行训练，确定网络的结构和参数；在数据库中建立钢种与神经网络的结构和参数一一对应的关系表，保存网络训练结果。对神经网络模型的仿真测试表明该神经网络轧制力模型有较强的泛化能力，收敛速度快，不易陷入局部最优，精度明显高于传统的轧制力模型。