Оптимизация параметров полирования литейной стали М300 эластичным абразивом
На этой странице и его параметры полировки оптимизированы так, чтобы можно было достичь зеркальной шероховатости. На основе уравнения Престона и контактной теории Герца получено теоретическое уравнение съема материала при полировании поверхности эластичных абразивов, а параметры полировки, подлежащие оптимизации, следующие: размер частиц S, скорость вращения Wt, глубина резания Ap и скорость подачи. Вф. Метод Тагучи применяется для планирования ортогонального эксперимента с четырьмя факторами и тремя уровнями. Методом спектрального анализа была получена степень влияния различных факторов на шероховатость полированной поверхности и совокупность оптимизируемых параметров. Алгоритм оптимизации роя частиц оптимизирует алгоритм нейронной сети BP (PSO-BP), который используется для оптимизации параметров полировки. Результаты показывают, что наибольшее влияние на шероховатость оказывает скорость вращения, степень влияния размера абразивных частиц больше, чем скорость подачи, а влияние глубины резания наименьшее.
Оптимальные параметры следующие: размер частиц S 1200#, скорость вращения Wt 4500 об/мин, глубина резания Ap 0,25 мм и скорость подачи Vf 0,8 мм/мин. Шероховатость поверхности при полировке с оптимальными параметрами снижается до 0,021·9.0007 мк м.
1. Введение
Благодаря высокому содержанию Cr (16%) литейная сталь M300 обладает хорошей коррозионной стойкостью и износостойкостью, а также высокой стойкостью к эрозии под действием обычных химикатов, таких как техническая соляная кислота [1]. Он часто используется в пресс-формах для различных видов пластмасс, таких как прозрачные пластмассы и объективы фотоаппаратов. Являясь одним из наиболее важных процессов утилизации поверхности формы, полировка формы напрямую определяет качество поверхности формы и ее производительность. В настоящее время для полировки формы в основном используется традиционная ручная полировка, которая требует много времени и труда, а качество полировки трудно гарантировать [1, 2].
В современном производстве пресс-форм пропорции поверхностей произвольной формы увеличиваются, и требуются более высокие требования к методам обработки пресс-форм [3].
Эластичный абразив может иметь хороший профилирующий контакт с криволинейной поверхностью заготовки за счет своей полимерной эластичной абразивной связующей структуры с большей гибкостью, которая отличается от жесткого фиксированного абразивного шлифовального круга, в котором может происходить истирание соседних абразивов на частичной поверхности. 4]. Поэтому целесообразно улучшить качество полировки криволинейных поверхностей эластичным абразивом.
Механизм полировки поверхности и оптимизация параметров тщательно изучены. Jf. Чжан изучал оптимизацию параметров пятиосевой полировки с использованием лепесткового круга с абразивным ремнем для блискового лезвия, в котором RSM используется для анализа взаимодействия факторов полировки на SR и создания прогностической модели между SR и различными параметрами [5]. Алгоритм многокритериальной оптимизации роя частиц (MOPSOA) применяется для оптимизации шероховатости поверхности заготовки после круговой магнитно-абразивной полировки Нхат Тан Нгуен [6].
Представлен метод оптимизации статистических параметров, основанный на атласах индексов, для нового станка для полировки газовых баллонов с 5 степенями свободы от YB. Ли [7]. Однако для упруго-абразивного полирования литейной стали М300 до сих пор нет полного исследования по оптимизации параметров.
С целью реализации качественной полировки криволинейной поверхности литейной стали М300 на основе уравнения Престона и контактной теории Герца в данной работе исследуется механизм полирования упругим абразивом [8]. Эксперимент по автоматической полировке стали М300 проводился с использованием эластичных абразивных инструментов с различным размером частиц. Проанализировано влияние размера абразивных частиц, скорости вращения абразива, глубины резания и скорости подачи на шероховатость поверхности.
Нейронная сеть обратного распространения (BP) обладает сильными адаптивными и самоорганизующимися способностями и широко используется в прогнозировании данных и численном анализе. Традиционная нейронная сеть BP использует обратное распространение ошибки для настройки веса соединения в сети.
Нейронная сеть BP может легко попасть в локальное оптимальное решение, скорость сходимости низкая, а обучение сети нестабильное. Поэтому алгоритм оптимизации роя частиц (PSO) используется для оптимизации веса и порога сети, чтобы повысить точность сети и скорость сходимости.
Затем алгоритм нейронной сети BP, оптимизированный алгоритмом оптимизации роя частиц (PSO-BP), используется для достижения оптимальной комбинации параметров. Наконец, качество поверхности, которая полируется в условиях оптимального сочетания параметров, проверяется экспериментально.
2. Механизм полирования эластичным абразивом
Механизм полирования эластичным абразивным инструментом настолько сложен, что упругопластическая деформация абразивной поверхности и постоянный износ контактной площадки приводят к снижению и колебанию контактное поверхностное давление [9]. Модель съема материала для процесса полирования может быть построена в соответствии с уравнением Престона для полирования поверхности абразивом с осевой подачей на самовращающейся заготовке.
Уравнение Престона — это широко используемая эмпирическая формула для скорости удаления материала, которая показывает, что глубина удаления материала одним абразивным зерном пропорциональна относительному давлению и линейной скорости абразива. МСС зерна на единицу длины пути можно выразить следующей формулой [10]:
Kp — поправочный коэффициент, связанный с твердостью заготовки и абразивных зерен, а также с размером абразивных зерен; Vs (м/с) – тангенциальная линейная скорость абразива; (мм/мин) – скорость осевой подачи вдоль заготовки; P (Па) – давление в зоне контакта.
В соответствии с контактной теорией Герца процесс полирования можно упростить как ситуацию контакта между твердым телом (заготовкой) и упругим телом (абразивом). Контактная поверхность между заготовкой и абразивным инструментом представляет собой эллипс, как показано на рисунке 1. Контактное давление подчиняется эллиптическому распределению Герца [11]:
— центральное давление в зоне контакта; Fn (Н) представляет собой контактное усилие при полировании, как показано на рисунке 2.
Величина съема материала бесконечно малой M вдоль направления Y в контактной области AB определяется по формуле .
Теоретическое уравнение MRR на поверхности заготовки можно взять из формулы (2) и формулы (3):
Формула (4) показывает, что MRR можно контролировать с помощью Vs, Vf и Fn. Упругий абразив можно отнести к сверхэластичным, а контактное давление Fn поверхности заготовки примерно пропорционально глубине резания абразивного инструмента [12]. Во время эксперимента по полировке поверхности Vs отражает скорость шлифовального инструмента Wt, Vf отражает скорость подачи вдоль оси, а Ap обозначает заданную глубину резания абразивного инструмента. Поэтому эксперименты предназначены для оптимизации параметров полировки S, Wt, Ap и Vf.
3. Эксперимент
3.1. Экспериментальное оборудование
Эксперименты по полировке проводились на Mikoni 430P, прецизионном четырехосевом станке с ЧПУ. Как показано на рисунке 3(а), устройство состоит из трех подвижных осей X, Y и Z и оси вращения A.
Повторяемость позиционирования составляет 1 μ м, а максимальная скорость вращения шпинделя составляет 20000 об/мин. Шероховатость поверхности (Ra), которая представляет собой меньший шаг и неровность крошечных пиков и впадин обработанной поверхности, была измерена с помощью прибора для трехмерной топографии Alicona InfiniteFocus, как показано на рисунке 3(b).
3.2. Условия эксперимента
Образец изготовлен из литейной стали М300 (Ф18×55 мм), химический состав показан в таблице 1. Образец закреплен на оси А рабочего стола, а скорость вращения рабочего стола постоянна и составляет 300 об/мин. Конкретные условия полировки приведены в таблице 2.
3.3. План эксперимента и результаты
Принимая во внимание взаимодействие между факторами, был разработан ортогональный эксперимент с четырьмя факторами и тремя уровнями [10] на основе метода Тагучи [13], который показан в таблице 3. Время обработки каждого группа опытов 180с. Для уменьшения погрешности обработки каждая группа экспериментов обрабатывается трижды.
Результат принимается за его среднее значение, как показано в таблице 4.
В таблице 4 среднее значение 1 представляет собой среднее значение нормальной дисперсии шероховатости поверхности влияющего фактора в комбинации уровня 1.
Среднее значение 2 является средним значением нормальной дисперсии шероховатости поверхности влияющего фактора в комбинации уровня 2.
Среднее значение 3 представляет собой среднее значение нормальной дисперсии шероховатости поверхности влияющего фактора в комбинации уровня 3.
Комбинация параметров шлифования для одной оптимизированной цели может быть достигнута путем анализа отношения сигнал-шум (SNR) экспериментальных данных. Поскольку целью оптимизации является шероховатость поверхности (Ra), принимаются параметры дизайна мелких символов, такие как
В таблице 5 представлена средняя реакция SNR на Ra для каждого уровня параметра. Чем больше SNR, тем сильнее будет влияние параметра на Ra. Видно, что размер абразивного зерна и скорость абразива оказывают большое влияние на Ra.
Чтобы более наглядно выразить тенденцию влияния каждого уровня фактора на шероховатость поверхности, получена диаграмма основного влияния полированной шероховатости.
Когда размер частиц слишком мал, остаточный пик на поверхности заготовки срезается недостаточно, поэтому при увеличении размера частиц шероховатость уменьшается. Когда скорость шлифования слишком высока, это приводит к неполной резке. Однако слишком низкая скорость приведет к уменьшению количества абразивных зерен, участвующих в резке в единицу времени. При увеличении глубины резания шероховатость уменьшается за счет перерезки абразивных зерен. По мере дальнейшего увеличения глубины резания увеличивается деформация абразива и увеличивается площадь контакта с заготовкой. Наконец, время резания абразива увеличивается, а шероховатость уменьшается. Чрезмерная скорость подачи и низкая скорость подачи приведут к недорезу и перерезу соответственно.
Как показано на рисунке 4, размер частиц S, скорость шлифования Wt, глубина резания AP и скорость подачи Vf являются минимальной шероховатостью на уровнях 3, 1, 3 и 2 соответственно.
Поскольку шероховатость является небольшой характеристикой, комбинации параметров minRa A3 B1 C3 D2 всех уровней могут быть получены в качестве комбинаций параметров, подлежащих оптимизации.
4. Оптимизация параметров
4.1. Модель нейронной сети PSO-BP
На шероховатость поверхности, отполированной эластичным абразивом, влияет множество факторов, и сложную нелинейную зависимость между шероховатостью и влияющими факторами трудно описать с помощью линейной модели или обычной нелинейной модели. Нейронная сеть BP обладает высокой способностью отображения и может реализовать любое нелинейное отображение от входа к выходу. Используя высокую способность отображения и способность к обобщению нейронной сети BP, можно создать модель отображения между размером частиц S, скоростью вращения Wt, глубиной резания Ap, скоростью подачи Vf и шероховатостью полированной поверхности для решения проблемы оптимизации параметров. Однако нейронная сеть BP может легко попасть в локальный экстремум [14].
Оптимизация роя частиц (PSO) — алгоритм оптимизации роя, который находит оптимальную область в сложном пространстве поиска путем взаимодействия между частицами [15]. Обучение нейронной сети BP в основном отражается в процессе настройки значения веса и порога. Операция оптимизации оптимизации роя частиц соответствует значению веса и порогу алгоритма нейронной сети BP, а затем устанавливается модель нейронной сети PSO-BP.
Размер частиц S, скорость вращения Wt, глубина резания Ap и скорость подачи Vf являются входными факторами. В качестве выходного фактора используется шероховатость полируемой поверхности. Устанавливается модель нейронной сети BP с 1 скрытым слоем, как показано на рисунке 5. Количество нейронов в скрытом слое равно 11. Передаточная функция скрытого слоя имеет вид tansig. Передаточная функция выходного слоя является чистой. Тренировочная функция — trainlm. Точность обучения, скорость обучения и время цикла составляют 0,0001, 0,05 и 3000 соответственно.
Когда вес оптимизируется с помощью оптимизации роя частиц, веса соединения каждого слоя нейронной сети кодируются в частицу, а пригодность представляет собой среднеквадратичную ошибку выходных данных сети.
Найдите оптимальные веса сети в пределах количества итераций по умолчанию.
Алгоритм PSO заключается в поиске оптимального решения в группе частиц путем повторения. Частица обновляется значениями и значениями. это лучшее место, которое ищут частицы. это лучшее место, которое ищет весь рой частиц.
Предположим, что это D-мерный вектор положения частицы № i, положение частицы может быть измерено с помощью фитнес-функции. — скорость полета частицы i. оптимальное положение частицы i на данный момент. является оптимальным положением, найденным до сих пор роем частиц. Скорость полета и положение обновляются в соответствии с
K: текущее количество итераций
r 1 , r 2 : случайное число0091 2 : постоянная ускорения
W: вес инерции
Чтобы поддерживать равновесие скорости сходимости роя частиц и эффективности сходимости, исходный алгоритм должен иметь большие возможности глобального поиска, а последний алгоритм должен иметь сильные возможности локального поиска .
Следовательно, линейная вариация (7), (8) и (9) используется для улучшения способности группы частиц к глобальной оптимизации на начальном этапе и улучшения способности группы частиц к локальной оптимизации на более позднем этапе.
В общем случае, когда оптимизирующая способность группы примера наилучшая [15], поэтому и равны 0,5 и 2,5 соответственно; и равны 2,5 и 0,5 соответственно. и составляют 0,9 и 0,4 соответственно.
Установите максимальную скорость 0,8, количество частиц 40 и минимальную ошибку 0,001. Создайте сетевую модель PSO-BP (рис. 6) для обучения данных для строк 1–25 в таблице 4. Данные строк 26–30 используются для изучения обученной сетевой модели. Сравнение нейронной сети PSO-BP и нейронной сети BP показано на рисунке 7.9.0003
По сравнению с рисунком (а) и рисунком (б) видно, что нейронная сеть ПСО-ВР сходится к заданной точности всего за 6 шагов, а эффективность нейронной сети ПСО-ВР явно улучшается по сравнению с базовая нейронная сеть BP. Сравнивая рисунок (c) с рисунком (d), прогнозируемое значение первого очень близко к экспериментальному значению, но последнее имеет большое отклонение.
Как показано в Таблице 6, ошибка предсказания сетевой модели PSO-BP находится в пределах 0,3%. Таким образом, сетевая модель PSO-BP имеет высокую точность, что позволяет использовать ее в качестве модели прогнозирования.
4.2. Результаты оптимизации
В этой статье большое количество экспериментальных данных используется для обучения нейронной сети и создается модель прогнозирования. Поэтому в модель можно внести только заданные в проекте параметры для получения оптимального сочетания параметров полировки.
Чтобы проиллюстрировать возможность применения алгоритма в инженерных приложениях, на основе комбинации параметров minRa каждого фактора каждый фактор устанавливается равным 5 уровням, а распределение показано в таблице 7. Ортогональный тест разработан с использованием метод Тагучи, и данные вводятся в обученную модель нейронной сети PSO-BP для прогнозирования. Результаты представлены в таблице 8.
4.3. Экспериментальная проверка
В Таблице 8 оптимизированная комбинация параметров полировки получена следующим образом: A5 B3 C2 D1 (S: 1200#, Wt: 4500 об/мин, Ap: 0,25 мм и Vf: 0,8 мм/мин).
Проведены подтверждающие эксперименты с комбинацией параметров minRa A3 B1 C3 D2 и оптимизированной комбинацией параметров A5 B3 C2 D1 соответственно.
Сравнение морфологии поверхности заготовки М300 до и после полировки в условиях оптимизированного сочетания параметров A5 B3 C2 D1 показано на рис. 9(б). Видно, что рисунок полировки явно уменьшился, а повреждение поверхности значительно улучшилось. Шероховатость поверхности Ra снижается до 0,021 мкм мкм после механической обработки. По сравнению с комбинацией параметров minRa (как показано на рисунке 8) шероховатость значительно снижается, а качество поверхности явно улучшается, что означает, что используемый метод оптимизации параметров осуществим.
5. Заключение
По сравнению с полированием свободным и консолидированным абразивом твердыми шлифовальными кругами, абразив на основе карбида кремния, а также эластичный абразив на основе силиконового каучука дешевле и имеет лучший профиль при полировании криволинейной поверхности литейной стали М300 .
С его помощью можно легко получить высокое качество поверхности, и он обеспечивает эффективный метод высокоэффективной и высококачественной полировки литейной стали M300.
(1) На основе комбинации параметров размера частиц, скорости шлифования, глубины резания и скорости подачи проводится ортогональный эксперимент, и проводится диапазонный анализ экспериментальных результатов. Результат показывает, что наибольшее влияние на шероховатость оказывает скорость шлифовального инструмента, а влияние размера частиц и скорости подачи на шероховатость близко. Степень влияния глубины резания наименьшая. Параметры minRa каждого уровня следующие: S 1000#, Wt 4500 об/мин, Ap 0,3 мм и Vf 1 мм/мин
(2) Экспериментальные параметры обучаются и проверяются алгоритмом нейронной сети PSO-BP. Результаты показывают, что ошибка прогнозирования шероховатости составляет менее 0,3%, что означает, что структура сети имеет высокую точность
(3) Шероховатость поверхности принимается в качестве индексов оптимизации.
На основе комбинации параметров minRa параметры полировки оптимизируются с помощью обученной структуры нейронной сети PSO-BP. Результаты оптимизации показывают, что оптимальной комбинацией параметров является S 1200#, Wt 4500 об/мин, Ap 0,25 мм и Vf 0,8 мм/мин. Проверенный эксперимент показывает, что шероховатость полированной поверхности снижается до 0,021·9.0007 μ м при условии оптимального сочетания параметров, что согласуется с предсказанными результатами оптимизации. Метод оптимизации параметров, основанный на алгоритме нейронной сети PSO-BP, позволяет оптимизировать параметры полировки.
Конфликт интересов
Авторы заявляют об отсутствии конфликта интересов.
Благодарности
Этот проект финансируется Национальным фондом естественных наук Китая (грант № 51375361 и № 51475353). Авторы также благодарны за промышленные исследовательские проекты провинции Шэньси (2012K09-15).
Ссылки
Т. Чжан, П. Ли, З. Лю и Н. Лю, «Анализ разрушения стали M300 для сопел для литья под давлением из цинкового сплава», Special Casting & Nonferrous Alloys , vol.
26, нет. 4, стр. 226–228, 2006.Посмотреть по адресу:
Google Scholar
P.-Y. Бейл Л., Депинс А., Шене Н., Маэ С., Мессе Г., Лаббе К., «Оптимизация параметров предварительной полировки на 5-осевом фрезерном станке», BMC Developmental Biology , vol. 10, арт. 64, 2010.
Посмотреть по адресу:
Сайт издателя | Google Scholar
М. Дж. Цай и Дж. Ф. Хуанг, «Эффективный процесс автоматической полировки с помощью нового совместимого абразивного инструмента», Международный журнал передовых производственных технологий , том. 30, нет. 9, стр. 817–827, 2006.
Посмотреть по адресу:
Сайт издателя | Google Scholar
W. Wei, Research on Progressive Soft-bonded Abrasive Grain Pneumatic Wheel Finishing , Zhejiang University of Technology, Hangzhou, China, 2016.
J. Zhang, Y. Shi, X. Lin и З. Ли, «Оптимизация параметров пятиосевой полировки с использованием шлифовального круга с абразивным ремнем для блискового лезвия», Journal of Mechanical Science and Technology , том. 31, нет. 10, стр. 4805–4812, 2017.
Посмотреть по адресу:
Сайт издателя | Google Scholar
Н. Нгуен, С. Инь, Ф. Чен, Х. Инь, В. Фам и Т. Тран, «Многоцелевая оптимизация круговой магнитно-абразивной полировки материалов SUS304 и Cu», Journal механики и техники , том. 30, нет. 6, стр. 2643–2650, 2016.
Посмотреть по адресу:
Сайт издателя | Google Scholar
Y. Li, D. Tan, D. Wen, S. Ji и D. Cai, «Оптимизация параметров нового станка для полировки газовых баллонов с 5 степенями свободы», Китайский журнал машиностроения , том. 26, нет. 4, стр. 680–688, 2013 г.
Посмотреть по адресу:
Сайт издателя | Google Scholar
Джи С. М., Ли В., Тан Д. П. и др., «Характеристики обработки мягкого абразивного потока на основе уравнения Престона», Китайский журнал машиностроения , том. 47, нет. 17, pp. 156–163, 2011.
Посмотреть по адресу:
Google Scholar
Ю. Хуанг, К. Ян и З. Хуанг, «Экспериментальное исследование шлифования абразивной лентой для нержавеющей стали 304», стр. Китайское машиностроение , том. 22, нет. 3, стр. 291–295, 2011.
Просмотр по адресу:
Google Scholar
Л. Чжан и К. М. Юань, «Моделирование и экспериментальное исследование удаления поверхности штампа с полировкой поверхности», Китайский журнал машиностроения , том. 38, нет. 12, pp.
98–102, 2002.Посмотреть по адресу:
Google Scholar
Л. Валентайн, Принципы контактной механики и трибологии и их приложения , издательство Университета Цинхуа, Пекин, Китай, 2011.
ZK Xu, Тонкостенные детали из нержавеющей стали, исследования технологии автоматического механического полирования и оптимизация процессов , Huazhong University of Science and Technology Press, Ухань, Китай, 2012.
Сюй С. Б. и Шао Х., «Многоцелевая оптимизация параметров токарной обработки на основе алгоритма Тагучи и реляционной теории Грея», Tool Technology , vol. 49, нет. 2015. Т. 8. С. 15–18.
Просмотр по адресу:
Google Scholar
М. Ли, Исследование технологии мониторинга износа инструмента на основе нейронной сети оптимизации роя частиц , Юго-Западный университет Цзяотун, Чэнду, Китай, 2012.
Дж. Кеннеди, «Новый оптимизатор, использующий теорию роя частиц», в Proceedings of the 6th International Symposium on Micromachine and Human Science , стр. 39–43, IEEE, Нагоя, Япония, октябрь 1995 г.
26, нет. 4, стр. 226–228, 2006.
98–102, 2002.
Посмотреть по адресу:
Google Scholar
Copyright
Copyright © 2018 Xiao-Jun Wu et al. Это статья с открытым доступом, распространяемая в соответствии с лицензией Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии надлежащего цитирования оригинальной работы.
Документ под названием
• Дозаторы для дозирования дезинфицирующих средств
• для мобильного и стационарного использования
• простота установки и эксплуатации
• питание только от потока воды
• самовсасывание и бесшумная работа
• возможно одновременное дозирование двух жидкостей
• химически стойкие материалы, используемые во всем
• диапазон дозирования 0,0025 — 10% пропорциональный потоку и
с плавной регулировкой
• внешнее впрыскивание снижает проблемы с осадками и агрессивными химическими веществами
Экономичная и точная дозировка дезинфицирующих средств
Загрязнение окружающей среды все больше и больше влияет на качество и чистоту нашей воды.
Установка и запуск в течение нескольких минут
Дозировочные дозаторы MSR представляют собой закрытые дозирующие системы, которые просты в установке и использовании. Дозатор нужно просто подключить к водопроводу. Соотношение смешивания между дозируемой жидкостью и водой можно непрерывно регулировать вручную. Кроме повторного наполнения контейнера для химикатов и периодической очистки дозатора, никакого дополнительного обслуживания не требуется. Идеальное решение для мобильных или стационарных систем дозирования, где отсутствует электроэнергия.
Вода как источник энергии
В отличие от обычных дозирующих систем, наши дозирующие насосы не требуют дополнительных внешних источников энергии. Вода, в которую должны вводиться дезинфицирующие средства, также питает дозатор. Гидравлический двигатель приводит в действие дозирующий поршень, который всасывает нужное количество химиката из контейнера.
Точное и надежное дозирование
Наши питатели-дозаторы работают очень точно, в отличие от систем Вентури, наши дозаторы дозируют объемно. Это гарантирует соотношение дозирования, которое также остается заданным пропорционально расходу, даже если давление воды и расход воды меняются. Это обеспечивает надежное дозирование и сводит к минимуму риск для окружающей среды.
Два разных химиката, один дозатор
Во многих случаях требуется одновременная подача более одного типа химикатов. Для этих целей мы разработали питатели-дозаторы, которые могут впрыскивать две разные жидкости одновременно. Соотношение дозирования каждого продукта можно регулировать независимо вручную.
От одного дозатора до комплексной системы водоподготовки
Мы можем изготовить, спроектировать и изготовить комплексные дозирующие системы для особых нужд наших клиентов.
Сюда также входят комплексные системы, в которых питьевая вода может быть получена из различных поверхностных вод, скважин и источников без использования внешней энергии.
Для наполнения хозяйственных резервуаров или других накопительных резервуаров обычно используются насосы, обеспечивающие постоянный расход. В таких случаях впрыск дезинфицирующего средства может производиться дозирующим устройством гораздо меньшего размера, чем обычно требуется для расхода. Этот дозатор должен быть установлен в «байпасе», через который направляется небольшая часть потока.
| х401Г | х402Г | х405Г | х408Г | h425G | РотаДос | ||||
| 50 | 150 | 300 | |||||||
Поток диапазон | 30/750 л/ч | 50-2000 л/ч | 100-5000 л/ч | 500-8000 л/ч | 700-12000 л/ч | 1-25 м3/ч | 4-50 м3/ч | 8-120 м3/ч | 10-200 м3/ч |
Минимальный диапазон расхода в зависимости от диапазона дозирования | |||||||||
Диапазон давления | 10 бар | 10 бар | 10 бар | 10 бар | 10 бар | 10 бар | 10 бар | 10 бар | 10 бар |
Максимальная высота всасывания | 6 м | 6 м | 3 м | 6 м | 6 м | 6 м | 4 м | 4 м | 4 м |
Соединения | R 1/2″ | Р 1″ | Р 1″ | R 1 1/4″ | Р 1 1/2″ | Р 2 дюйма | R 2 1/2 дюйма | R 4 дюйма | FLDN 125 PIN 13 |
Вес | 2 кг | 3 кг | 2 кг | 15 кг | 18 кг | 39 кг | 20 кг | 35 кг | 45 кг |
| ДИАПАЗОН ДОЗИРОВКИ | |
| х401Г | 0,02 — 0,25 % 0,1 — 1 % 0,3 — 3 % 1 — 5 % 1 — 10 % |
| х402Г | 0,01 — 0,12% 0,1 — 1 % 0,3 — 2 % 0,3 — 3 % 1 — 5 % 1 — 10 % |
| х405Г | 0,0025 — 0,04 % 0,1 — 0,5 % 0,3 — 1 % |
| х408Г | 0,01 — 0,1 % |
| h412G | 0,01 — 0,1 % 0,1 — 1 % 0,2 — 2 % 0,3 — 3 % 0,5 — 5 % 1 — 10 % |
| х425Г | 0,01 — 0,1 % 0,1 — 1 % 0,2 — 2 % 0,3 — 3 % 0,5 — 5 % 1 — 10 % |
| 50 | 0,001 — 0,01 % 0,01 — 0,1 % 0,1 — 1 % |
| 150 | 0,001 — 0,01% 0,01 — 0,1% 0,1 — 1% |
| 300 | 0,001 — 0,01 % 0,01 — 0,1 % 0,1 — 1 % |
Все упомянутые дозаторы и системы также доступны с двумя дозирующими головками (кроме h405G) |
Другие дозаторы и системы по запросу.