- 1、本文档被系统程序自动判定探测到侵权嫌疑,本站暂时做下架处理。
- 2、如果您确认为侵权,可联系本站左侧在线QQ客服请求删除。我们会保证在24小时内做出处理,应急电话:400-050-0827。
- 3、此文档由网友上传,因疑似侵权的原因,本站不提供该文档下载,只提供部分内容试读。如果您是出版社/作者,看到后可认领文档,您也可以联系本站进行批量认领。
查看更多
DC53优于SKD11的模具钢.pdf
特種冷加工用模具鋼
大同“DC53
相當規格:
大同 AISI JIS DIN
DC53 D2 改良型 SKD11 改良型 1.2379改良型
化學成份:
%
C Si Mn P S Cr Mo V
0.90 0.030 0.030 7.00 0.80
適 量 適 量 適 量
1.00 以下 以下 9.00 2.20
特 性 :
1.DC53 之三個優良特性
(1)熱處理硬度比 SKD11 高。
․保證在高溫回火(520~530℃)可得 HRC62~63 之硬度。
․因此,強度及耐磨耗性比SKD11 更能發揮其性能。
(2)韌性比 SKD11 高二倍。
․在冷加工用工具鋼中其韌性最高。
․因此可防止工具、模具之龜裂與崩缺,提高模具壽命。
(3)可改善 SKD11 之巨大碳化物。
․巨大碳化物之大小,改善為SKD11 的 1/3以下。
․因此可防止造成模具損傷原因之刀口碎裂(Chipping )等。
2.DC53 具有五種優秀的實用特性
(1)被切削性,被研磨性良好。
․被切削性,被研磨性皆比 SKD11 優秀,所以加工工具壽命較長,加工工時數
較省。
(2)在熱處理上之優點
․淬火硬化能比SKD11 高,所以可改善真空熱處理時硬度不足之缺陷。
(3)在線切割加工上之優點
․藉高溫回火可減輕殘留應力及消除殘留沃斯田鐵,能防止線切割加工產生龜
裂、變形之困擾。
(4)在表面硬化處理上之優點
․表面硬化處理後表面硬度比SKD11 高,因此可提高模具性能。
(5)在修補焊接作業上之優點
․由於預熱及後熱溫度均比SKD11 低,所以修補焊接作業較簡便。
-92 -
用 途 :․精密衝壓模
精打坯衝合加工用模,其他藉線切割放電加工之衝模。
․難加工材之塑性加工用工具
冷鍛造模,深衝加工用模,螺絲滾齒模。
․其他高速打坯衝頭,不銹鋼鋼板打坯衝頭。
熱處理條件:
熱 處 理 溫 度 ℃ 硬 度
鍛造溫度℃
退火 淬火 回 火 退 火 淬火回火
低溫 高溫
1100 830 1000 180 520 HB225 Rc60~62
您可能关注的文档
最近下载
知传链电子书
- 在梯度提升回归方法中引入鲍鱼性别属性-[共3页]-294-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf
- 对鲍鱼性别属性编码引入Python随机森林回归方法-[共3页]-289-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf
- 用Bagging来预测红酒口感-[共5页]-284-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf
- 用梯度提升预测红酒品质-[共8页]-276-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf
- 构建随机森林模型来预测红酒口感-[共7页]-269-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf
- 参考文献-[共3页]-266-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf
- 随机森林-[共5页]-259-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf
- 针对多变量问题的梯度提升法-[共4页]-255-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf
- 梯度提升法的基本原理-[共4页]-248-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf
- 获取梯度提升法的最佳性能-[共3页]-252-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf
文档评论(0)