斜连轧(Tandem Skew Rolling,TSR)工艺是一种生产无缝钢管的短流程新工艺,将穿孔和轧制集成为一道工序,坯料经过加热后首先进入穿孔轧辊进行穿孔得到毛管,然后紧接着进入轧管轧辊进行轧制得到荒管。金属在两组轧辊之间形成连轧关系。斜连轧装备结构简单,调整方便,生产流程短,具有生产成本低,生产效率高等优点。由于轧件在穿轧过程中温降很小,该工艺可以轧制温度区小或者难变形金属。实现斜连轧新工艺的关键问题:(1)如何加工可轧温度范围窄或难变形金属,实现管材加工的穿孔与轧制的连续成形;(2)如何提高钢管质量、降低成本,满足钢管尺寸精度和内部组织等目标。建立斜连轧工艺模型,研究系统的控制方法是解决该关键问题的有效手段和途径。本文针对斜连轧过程具有复杂非线性、动态多变量、连续轧制、强耦合等特点,采用斜轧理论、连轧理论和智能控制、预测控制方法,对斜连轧加工过程中的速度设定模型、轧制力设定模型、连轧张力模型、钢管壁厚预测模型等进行了深入研究。其主要研究成果为:(1)针对斜连轧速度控制系统中,速度调节要求响应快、动态速降小、同步性高等特点,提出了一种基于记忆神经元PID的斜连轧速度同步控制方法。该方法在单神经元PID控制算法基础上,引入忆阻的阻值变化特点,建立了记忆神经元PID控制器,使得学习算法更接近生物神经元学习特点,且结构简单;采用偏差耦合的同步控制策略,提出了基于记忆神经元PID的斜连轧速度偏差耦合同步控制方法。试验表明:该控制方法具有实时性强、同步控制精度高和响应速度快等特点。(2)针对斜连轧张力控制系统存在复杂非线性、不确定干扰的影响较强等特点,提出了张力速度系统的动态矩阵预测算法。首先根据斜轧和连轧理论以及电机的动态特性,建立了斜连轧工艺中张力速度系统的数学模型;由于模型具有非线性、强耦合的特点,传统的PID控制无法获得较好的控制效果,动态矩阵预测算法对模型精度要求不高,对环境干扰等不确定性因素具有较强的鲁棒性,因此提出了张力速度系统的动态矩阵预测控制方法;在相应轧制状态约束条件下,利用粒子群算法对目标函数实施滚动优化确定最优控制量,解决了在约束条件下的非线性优化问题;仿真实验表明:该方法有效的抑制了模型参数变化的灵敏性、不确定干扰的影响,实现了微张力控制。(3)建立了基于STDP-Spiking神经网络的斜连轧钢管壁厚预测模型。在分析Spiking神经网络(Spiking Neural Networks,SNN)原理的基础上,结合生物学中的脉冲时间依赖的可塑性(Spike Timing Dependent Plasticity,STDP)学习机制,提出了STDP-Spiking神经网络算法。该网络的神经元之间采用单突触连接方式,权值学习在误差反馈算法的基础上考虑突触前后神经元脉冲发放时间差的影响,使得网络结构简化,克服了传统Spike Prop算法中权值只能取正的问题。分析了影响斜连轧无缝钢管壁厚变化的主要因素,建立了STDP-Spiking神经网络的斜连轧钢管壁厚预测模型。试验采用现场数据作为样本对钢管壁厚预测模型进行训练,最后将预测值与实验值进行比较。结果表明:STDP-Spiking神经网络学习的预测精度高,能够达到对钢管壁厚的预测要求。(4)根据金属变形过程微观组织理论,在总结前人研究的理论基础上,建立了斜连轧轧制过程中的微观组织预测模型。由于斜连轧穿轧过程属于再结晶温度以上变形,因此穿轧过程以动态再结晶为主,对奥氏体、铁素体晶粒尺寸做了预测。通过金相实验对计算值与实验值进行了比较,表明了该模型可以用来预测斜连轧微观组织。