300系不锈钢带低温退火力学性能和板形研究

发布时间：2017-10-27 18:32

  本文关键词：300系不锈钢带低温退火力学性能和板形研究

  更多相关文章： 奥氏体不锈钢 残余应力 BP神经网络 力学性能

【摘要】：随着世界工业的不断发展，国内外对不锈钢的需求量越来越高，各个行业对不锈钢的质量也越来越严格，因此不锈薄带钢板形和性能控制是满足工业进一步发展的前提条件。 本文针对某企业冷轧304奥氏体不锈极薄带钢生产过程中板形差、成品使用性能不达标、产品成材率低等问题，依托现场现有设备12辊650双机架可逆式冷轧机和连续低温去应力退火炉，研究出不同轧制工艺和退火工艺下不锈薄带钢内部残余应力分布情况，，显微组织变化、力学性能变化规律等。 通过不同的热处理制度研究了退火工艺对304不锈钢薄带组织和力学性能的影响。表明了不同的退火工艺对该带钢的力学性能影响较大，在退火张力和冷却速度相同的情况下，当退火温度由450℃-600℃变化时，材料的室温组织的Rp0.2、Rm和HV值先升后降；并在退火炉温550℃时室温的Rp0.2、Rm和HV值达到最大。研究退火温度对冷轧304不锈钢板形及力学性能的影响，采用盲孔法测量了冷轧304不锈钢带的表面残余应力，得出了带钢板形和残余应力的关系，采用拉伸机测试并分析了不同退火温度下不锈钢带的力学性能变化规律。表明随着退火温度的升高，屈服强度和抗拉强度先升高后下降，当退火温度在500℃，退火张力在9kgf/mm2时，304不锈钢带的屈服强度和抗拉强度值最大；同时，该不锈钢带的内部残余应力分布最均匀，说明304不锈钢在500℃退火时力学性能最佳并且板形最好。针对目前不锈钢在低温退火过程中带材屈服强度不易控制的问题，对301B不锈钢的退火工艺进行了研究，发现轧制过程压下率、退火温度、来料厚度是影响不锈钢带材低温退火屈服强度的关键因素。对人工神经网络的BP算法进行了训练，利用训练后得到的模型，对低温退火后屈服强度进行了分析和预测。通过计算可知，预测屈服强度和实际屈服强度的相对误差为-5.76%至5.59%，通过建立预测图谱分析得知，轧制过程压下率和退火温度对材料的屈服强度有较高的调节能力，来料厚度对屈服强度调节能力较小。 本文研究成果成功控制了不锈薄带钢的力学性能，达到了用户所要求的各项力学性能指标，为该企业制定合理工艺参数，并带来显著的生产效益。
【关键词】：奥氏体不锈钢 残余应力 BP神经网络 力学性能
【学位授予单位】：内蒙古科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TG161
【目录】：

• 摘要3-4
• Abstract4-8
• 引言8-9
• 1 文献综述9-23
• 1.1 不锈钢概述9-14
• 1.1.1 不锈钢的发展概述9-10
• 1.1.2 不锈钢的特点10-12
• 1.1.3 不锈钢的应用12-14
• 1.2 冷轧不锈钢带材生产14-17
• 1.2.1 冷轧不锈钢带生产工艺14-15
• 1.2.2 冷轧不锈钢带的轧制机组15-16
• 1.2.3 冷轧不锈钢带的低温退火16-17
• 1.2.4 冷轧不锈钢带的精整17
• 1.3 冷轧不锈钢板形控制17-20
• 1.3.1 不锈钢板形的影响因素17-18
• 1.3.2 冷轧不锈钢带材的缺陷18-19
• 1.3.3 冷轧不锈钢板形改善方法19-20
• 1.4 BP 神经网络及应用20-21
• 1.4.1 BP 神经网络20
• 1.4.2 BP 神经网络数学模型20-21
• 1.4.3 BP 神经网络在不锈钢冷轧的应用21
• 1.5 冷轧不锈钢残余应力分析21-22
• 1.5.1 盲孔法发展现状21
• 1.5.2 残余应力改善方法21
• 1.5.3 盲孔法测残余应力原理21-22
• 1.6 研究内容及意义22-23
• 2 退火温度对 304 不锈钢带组织和力学性能的影响23-28
• 2.1 实验材料及方法23-24
• 2.1.1 实验材料23
• 2.1.2 实验方法23-24
• 2.2 实验结果与分析24-27
• 2.2.1 力学性能24-26
• 2.2.2 显微组织分析26-27
• 2.3 本章小结27-28
• 3 退火温度对 304 不锈钢带残余应力的影响28-35
• 3.1 实验材料及方法28-29
• 3.1.1 实验材料28
• 3.1.2 实验方法28-29
• 3.2 退火温度对强度的影响29-30
• 3.3 退火温度对残余应力影响分析30-34
• 3.3.1 残余应力产生30
• 3.3.2 盲孔法测残余应力的原理30-31
• 3.3.3 退火温度对残余应力的影响31-34
• 3.4 本章小结34-35
• 4 神经网络在 301B 不锈钢带屈服强度预测中的应用35-42
• 4.1 实验材料和设备35-36
• 4.2 BP 神经网络36-37
• 4.3 建立 BP 神经网络模型37-38
• 4.4 BP 神经网络模型预测分析38-39
• 4.5 神经网络模型预测图谱39-41
• 4.6 本章小结41-42
• 结论42-43
• 参考文献43-47
• 在学研究成果47-48
• 致谢48

【参考文献】

中国期刊全文数据库 前10条

1 陈先霖;新一代高技术宽带钢轧机的板形控制[J];北京科技大学学报;1997年S1期

2 贾生晖,张杰,曹建国,何安瑞,顾云舟,黄涛;冷连轧机硅钢板形控制目标的改进[J];北京科技大学学报;2002年03期

3 张清东;戴杰涛;;带钢板形翘曲变形行为的仿真[J];北京科技大学学报;2011年08期

4 邵一涛;曾卫东;韩远飞;周建华;王晓英;周义刚;;基于BP人工神经网络的TC17钛合金显微组织-力学性能关系预测[J];稀有金属材料与工程;2011年02期

5 刘立文,张树堂,武志平;张力对冷轧板带变形的影响[J];钢铁;2000年04期

6 吕程,王国栋,刘相华,姜正义,朱洪涛,袁建光,解旗;基于神经网络的热连轧精轧机组轧制力高精度预报[J];钢铁;1998年03期

7 胡宾宾;涂道遂;;我国“十一五”不锈钢市场分析[J];钢铁技术;2008年06期

8 夏佃秀,李兴芳,李建沛;控制轧制和控制冷却技术的新发展[J];山东冶金;2003年05期

9 张雅琴;张小平;郭会光;何宗霖;;冷轧带钢残余应力及其对板形影响的研究[J];塑性工程学报;2009年05期

10 杜秀丽;肖湘;李捷;;冷轧带钢残余应力的实验研究[J];机械工程与自动化;2011年04期

本文编号：1104713