Анализ влияния настроечных параметров прошивного стана на изменение диаметра и толщины стенки гильзы
Автор: Выдрин Александр Владимирович, Нерозников Владимир Леонидович, Звонарев Дмитрий Юрьевич, Трубников Кирилл Вячеславович
Журнал: Вестник Южно-Уральского государственного университета. Серия: Металлургия @vestnik-susu-metallurgy
Рубрика: Обработка металлов давлением. Технологии и машины обработки давлением
Статья в выпуске: 1 т.22, 2022 года.
Бесплатный доступ
В производстве бесшовных труб массовым способом является применение прошивки заготовки на станах винтовой прокатки с последующей раскаткой на станах продольной прокатки. При этом к качеству и геометрическим параметрам готовых труб предъявляют повышенные требования. К геометрическим параметрам относят такие, как толщина стенки, диаметр, разнотолщинность. При этом на разнотолщинность в основном влияет качество гильзы. Известно, что одни и те же геометрические параметры гильзы (диаметр и толщина стенки) возможно получить при различном соотношении настроечных параметров, таких как расстояние между валками, расстояние между удерживающим инструментом, выдвижение оправки за пережим. Однако в этом случае разнотолщинность гильз будет различной. Кроме настроечных параметров на разнотолщинность влияет и степень износа инструмента, в частности оправка прошивного стана. Установлено, что по мере износа оправки прошивного стана диаметр гильзы монотонно увеличивается, что приводит к перераспределению толщины стенки гильзы, а соответственно и разнотолщинности гильзы. Поиску рациональных настроечных параметров с целью минимизации разнотолщинности и посвящена данная работа. Разработан план эксперимента с применением моделирования в среде QForm. Произведена обработка полученных гильз по геометрическим параметрам. На основе данных проведено вычисление коэффициента среднеквадратичной ошибки (RSME) для различных моделей регрессионных уравнений. Для выбранной модели построены номограммы распределения разнотолщинности, толщины стенки, диаметра гильзы в зависимости от настроечных параметров. Данные номограммы могут быть использованы в производственной практике для оперативного вычисления геометрических параметров гильз при изменении условий прошивки заготовок. В качестве примера были разработаны рекомендации для получения гильз с толщиной стенки 17 мм с минимальной разнотолщинностью.
Компьютерное моделирование, прошивка, настроечные параметры, точность, регрессионные уравнения
Короткий адрес: https://sciup.org/147236549
IDR: 147236549 | DOI: 10.14529/met220105
Список литературы Анализ влияния настроечных параметров прошивного стана на изменение диаметра и толщины стенки гильзы
- Выдрин А.В., Широков В.В. Теоретические основы повышения точности размеров труб при прокатке на непрерывном стане // Вестник ЮУрГУ. Серия «Металлургия». 2011. № 14 (231). С. 81–86.
- Причины разностенности гильз и труб на непрерывном трубопрокатном агрегате ТПА 30-102 и меры их устранения / В.Я. Остренко, И.А. Чекмарев, В.Л. Хмель и др. // Металлургическая и горнорудная промышленность. 1978. № 3. С. 22–24.
- Эффективность гармонического анализа для определения точности труб / В.Я. Остренко, И.М. Суконник, А.П. Марголиус и др. // Металлургическая и горнорудная промышленность. 1977. № 1. С. 71–73.
- Звонарев Д.Ю., Нерозников В.Л., Выдрин А.В. Определение настроек прошивного стана с помощью цифровых технологий // Черные металлы. 2019. № 9. С. 24–30.
- Коликов А.П., Романцев Б.А., Алещенко А.С. Обработка металлов давлением: теория процессов трубного производства. М.: Издат. Дом НИТУ «МИСиС», 2019. 502 с.
- Оценка точности формоизменения концов труб при калибровании / Д.А. Ахмеров, Д.Ю. Звонарев, А.В. Выдрин и др. // Вестник ЮУрГУ. Серия «Металлургия». 2020. Т. 20, № 4. С. 39–47. DOI: 10.14529/met200405
- Свидетельство о государственной регистрации программы для ЭВМ № 2020662611 Российская Федерация. Программа для расчета геометрических параметров труб при моделировании в среде QForm. № 2020661915; заявл. 08.10.2020; опубл. 16.10.2020 / Д.Ю. Звонарев, М.А. Павлова, Д.А. Ахмеров, М.А. Зинченко; заявитель Открытое акционерное общество «Российский научно-исследовательский институт трубной промышленности» (ОАО «РосНИТИ»).
- DuMouchel W.H., O’Brien F.L. Integrating a robust option into a multiple regression computing environment // Computer science and statistics: Proceedings of the 21st symposium on the interface. American Statistical Association, Alexandria, VA, 1989. P. 297–302.
- Holland P.W., Welsch R.E. Robust regression using iteratively reweighted least-squares // Communications in Statistics-theory and Methods. 1977. Vol. 6, no. 9. P. 813–827. https://doi.org/10.1080/03610927708827533
- Loh W.-Y. Regression tress with unbiased variable selection and interaction detection // Statistica sinica. 2002. Vol. 12, no. 2. P. 361–386.
- Waugh S.G. Extending and benchmarking Cascade-Correlation: extensions to the Cascade-Correlation architecture and benchmarking of feed-forward supervised artificial neural networks. PhD thesis. University of Tasmania, 1995.
- The population biology of abalone (Haliotis species) in Tasmania. I. Blacklip abalone (H. rubra) from the north coast and islands of bass strait / W.J. Nash, T.L. Sellers, S.R. Talbot et al. Sea Fisheries Division, Technical Report 48, 1994. https://doi.org/10.14264/uql.2016.814
- Kecman V., Huang T.-M., Vogt. M. Iterative Single Data Algorithm for Training Kernel Machines from Huge Data Sets: Theory and Performance // Support Vector Machines: Theory and Applications / Edited by Lipo Wang. Berlin: Springer-Verlag, 2005. P. 255–274. https://doi.org/10.1007/10984697_12
- Friedman J.H. The elements of statistical learning: Data mining, inference, and prediction. Springer open, 2017.
- Friedman J.H. Greedy function approximation: A gradient boosting machine // Annals of statistics. 2001. Vol. 29, iss. 5. P. 1189–1232. DOI: 10.2307/2699986
- Nocedal J., Wright S. Numerical optimization. Springer Science & Business Media, 2006.
- Convergence properties of the Nelder–Mead simplex method in low dimensions / J.C. Lagarias, J.A. Reeds, M.H. Wright, P.E. Wright // SIAM Journal on optimization. 1998. Vol. 9, no. 1. P. 112–147. https://doi.org/10.1137/s1052623496303470
- Glorot X., Bengio Y. Understanding the difficulty of training deep feedforward neural networks // Proceedings of the thirteenth international conference on artificial intelligence and statistics. JMLR Workshop and Conference Proceedings, 2010. P. 249–256.