1 热连轧生产工艺及计算机控制
  1.1 板带轧制综述
  1.2 带钢热轧生产工艺的发展
    1.2.1 传统带钢热连轧
    1.2.2 连铸连轧生产工艺
    1.2.3 新型炉卷轧机
    1.2.4 自由程序轧制技术
    1.2.5 热带生产工艺的新动向
  1.3 带钢热轧机电设备的发展
    1.3.1 侧压压力机及除鳞装置
    1.3.2 压下系统
    1.3.3 主传动系统
    1.3.4 检测仪表
    1.3.5 板形控制系统
  1.4 热带轧机计算机控制
    1.4.1 生产控制级功能
    1.4.2 过程控制级功能
    1.4.3 基础自动化级功能
    1.4.4 热轧轧件的跟踪及运送
    1.4.5 控制模式
    1.4.6 操作模式
    1.4.7 模式组合图
    1.4.8 自动控制功能简述
    1.4.9 模拟轧钢
    1.4.10 质量分类
    1.4.11 过程数据采集
    1.4.12 虚拟对象实时仿真
    1.4.13 故障诊断
2 热连轧塑性变形理论与轧机方程
  2.1 轧制变形区参数
    2.1.1 绝对压下量和相对压下量
    2.1.2 咬入角和接触弧长
    2.1.3 变形速度
    2.1.4 轧制时的前滑和后滑
  2.2 轧制力
  2.3 板带轧机基本方程概述
  2.4 弹跳方程
  2.5 辊缝形状方程
  2.6 平坦度方程
  2.7 流量方程
  2.8 套量方程
  2.9 张力方程
3 增量模型与模型自学习
  3.1 带钢热连轧的综合分析
  3.2 热轧增量方程
    3.2.1 增量厚度方程
    3.2.2 增量轧制力方程
    3.2.3 增量凸度方程
    3.2.4 增量前滑方程
    3.2.5 增量入口速度及增量出口速度方程
    3.2.6 增量套量方程及增量张力方程
  3.3 模型自学习
    3.3.1 增长记忆式递推最小二乘法
    3.3.2 指数平滑法
    3.3.3 轧制力的自学习
    3.3.4 辊缝零位常数
    3.3.5 变形阻力及应力状态系数的自学习
  3.4 热连轧耦合系统建模
    3.4.1 热连轧液压活套系统建模
    3.4.2 热连轧板形板厚系统建模
4 厚度模型与厚度控制
  4.1 影响厚差的因素
  4.2 轧机AGC系统的研究和发展
    4.2.1 BISRA AGC
    4.2.2 GM AGC
    4.2.3 动态设定AGC
    4.2.4 绝对与相对AGC
    4.2.5 AEG AGC与RAL AGC
    4.2.6 KFF-AGC
    4.2.7 监控AGC
    4.2.8 AGC各种补偿
    4.2.9 AGC功能构成图
  4.3 厚度设定模型
    4.3.1 精轧机组厚度分配
    4.3.2 精轧设定涉及的模型
    4.3.3 设定时序
  4.4 设定模型自学习
  4.5 先进AGC控制策略在热连轧上的应用
    4.5.1 硬度前馈自动厚度控制系统应用研究
    4.5.2 监控AGC的单神经元自适应PID控制
    4.5.3 监控AGC的非线性PID控制
    4.5.4 基于RBF神经网络整定的PID控制
    4.5.5 Smith预估控制在厚规格带钢轧制中的应用
    4.5.6 热带头部拯救功能的研究与实现
    4.5.7 轧辊偏心控制
5 板形模型与板形控制
  5.1 板形理论的基本概念
    5.1.1 凸度和楔形
    5.1.2 边部减薄和局部高点
    5.1.3 平直度
    5.1.4 断面形状表达式
    5.1.5 平直度和凸度的关系
  5.2 板形理论研究
    5.2.1 轧辊弹性变形理论
    5.2.2 轧件变形动态遗传学理论
    5.2.3 轧件轧辊统一理论
  5.3 板形控制技术
    5.3.1 CVC控制技术
    5.3.2 PC控制技术
    5.3.3 HC控制技术
    5.3.4 UC轧机控制
    5.3.5 VCR轧机系统
    5.3.6 HVC技术
  5.4 板形控制技术与设定模型参数优化
    5.4.1 鞍钢1780 mm热连轧机板形控制技术
    5.4.2 鞍钢1780 mm机组板形设定数学模型
    5.4.3 板形缺陷及板形精度提高研究
6 终轧与卷取运输链区控制
  6.1 终轧温度控制
  6.2 精轧机换辊
  6.3 精轧侧导板位置控制
  6.4 卷取运输链区控制功能
    6.4.1 输出辊道控制
    6.4.2 卷取温度控制
    6.4.3 卷取机顺序控制
    6.4.4 卷取机主令控制
    6.4.5 卷取张力控制
  6.5 卷取机入口侧导板开口度
    6.5.1 总体描述
    6.5.2 侧导板开口度液压传动系统控制模式
    6.5.3 卷取机入口侧导板控制系统
    6.5.4 卷取机侧导板标定
  6.6 卷筒胀缩控制
  6.7 夹送辊辊缝控制
    6.7.1 总体描述
    6.7.2 夹送辊辊缝液压传动系统控制模式
    6.7.3 夹送辊辊缝控制系统
    6.7.4 夹送辊辊缝标定
  6.8 自动跳步控制
    6.8.1 总体描述
    6.8.2 助卷辊辊缝液压传动系统控制模式
    6.8.3 跳步控制
    6.8.4 助卷辊辊缝标定
  6.9 尾部自动停车控制
  6.10 卸卷控制
7 板带热连轧轧制规程优化
  7.1 多目标优化
    7.1.1 问题描述
    7.1.2 多目标进化个体之间的关系
    7.1.3 多目标优化问题的解
    7.1.4 求解多目标优化问题的方法
    7.1.5 多目标测试函数
    7.1.6 评价指标
  7.2 鲸鱼及其改进算法
    7.2.1 鲸鱼优化算法
    7.2.2 包围猎物阶段
    7.2.3 气泡网捕食法
    7.2.4 搜索猎物
    7.2.5 算法基本流程
  7.3 多目标鲸鱼优化算法（MOWOA）
    7.3.1 Pareto等级
    7.3.2 拥挤度
    7.3.3 精英保留策略
    7.3.4 改进混沌映射初始化鲸鱼种群
    7.3.5 基于K-medoids的辅助进化算法
    7.3.6 自适应权重策略与基于记忆指导改进收缩包围策略
    7.3.7 趋优反向学习及耦合修正策略
    7.3.8 改进多目标鲸鱼算法流程图
    7.3.9 性能测试分析
    7.3.10 优化算法的参数设置
  7.4 精轧机组数学模型
    7.4.1 轧制力模型
    7.4.2 接触弧的水平投影长度
    7.4.3 变形区应力状态的影响系数
    7.4.4 金属变形阻力
    7.4.5 前后张应力对轧制力的影响系数
    7.4.6 轧制力矩与功率模型
    7.4.7 滑动模型
    7.4.8 凸度模型
    7.4.9 温度模型
    7.4.10 负荷分配模型
    7.4.11 传统热连轧负荷分配模型
    7.4.12 多目标函数建立
  7.5 负荷分配仿真分析
    7.5.1 设备参数设置
    7.5.2 仿真分析
8 板带冷连轧轧制规程优化
  8.1 轧制规程优化发展现状
  8.2 粒子群优化算法
    8.2.1 粒子群算法介绍
    8.2.2 多目标粒子群算法原理
    8.2.3 多目标粒子群算法流程
    8.2.4 多目标粒子群算法存在的问题分析
  8.3 改进多目标粒子群优化算法
    8.3.1 pbest和leader粒子的选择
    8.3.2 自适应参数
    8.3.3 自适应扰动更新策略
    8.3.4 基于相邻距离策略的外部档案维护
    8.3.5 改进多目标粒子群算法流程
  8.4 性能测试
    8.4.1 测试函数
    8.4.2 多目标算法性能度量指标
    8.4.3 仿真实验与性能分析
  8.5 基于改进粒子群算法的冷连轧轧制规程优化
    8.5.1 冷连轧生产工艺流程及设备组成
    8.5.2 冷连轧轧制规程的数学模型
    8.5.3 冷连轧轧制规程的多目标函数构建
    8.5.4 基于ACRMOPSO算法的冷连轧轧制规程优化
9 基于YOLOv8的钢板缺陷检测
  9.1 钢板缺陷检测的重要性
    9.1.1 细微裂纹
    9.1.2 夹杂物
    9.1.3 斑块
    9.1.4 凹坑表面
    9.1.5 卷入氧化铁皮
    9.1.6 划痕
    9.1.7 钢板缺陷的影响
  9.2 传统的钢板缺陷检测方法
    9.2.1 视觉检查
    9.2.2 超声检测
    9.2.3 磁粉检测
    9.2.4 涡流检测
  9.3 基于深度学习的钢板缺陷检测
    9.3.1 深度学习在钢板缺陷检测中的应用概述
    9.3.2 YOLO系列算法在钢板缺陷检测中的应用
  9.4 钢板表面缺陷检测相关理论基础
    9.4.1 卷积神经网络基本架构
    9.4.2 经典卷积神经网络
    9.4.3 常用深度学习框架介绍
  9.5 钢板表面缺陷图像的预处理
    9.5.1 钢板表面缺陷检测系统
    9.5.2 图像标注
    9.5.3 图像数据增强
  9.6 基于YOLOv8的钢板缺陷检测
    9.6.1 输入层
    9.6.2 骨干检测网络
    9.6.3 颈部特征提取网络
    9.6.4 预测网络
    9.6.5 损失函数
    9.6.6 基于改进YOLOv8的钢板缺陷检测算法
    9.6.7 训练损失流程图
  9.7 实验与分析
    9.7.1 实验环境
    9.7.2 评价指标
    9.7.3 实验结果与分析
    9.7.4 总结
参考文献