换料后历史数据要不要清空？连续降权的做法
商混站有个特点，很多人没意识到：每一次进料，都可能是新骨料。
矿点换了、开采面推进了、供应商换了，甚至同一矿点的不同批次，筛分曲线都会漂移。
于是有个很现实的问题：用了三年的数据，换个料是不是就全废了？
一、传统做法的两种极端
极端一：一律不认
换料了就清空历史数据，从零开始。
后果：
- 三年积累的试配数据作废
- 回归系数没了，强度预测精度骤降
- 富余要放大 → 成本立刻上升
- 新配比要重新摸索几个月
极端二：一律照用
不管换没换料，都拿历史数据算。
后果：
- 料差很多时，历史数据是错的
- 预测偏差大，强度不合格风险高
两种做法都不对，因为"换料"不是一个二元事件。
二、现实中"换料"是连续谱
实际情况分三档：
- 正常漂移：同一矿点，某档筛余变化 1%-2%（开采面推进、设备磨损）
- 明显变化：曲线整体偏移，但岩性相近（换开采区、换破碎工艺）
- 彻底换料：岩性不同（河砂换机制砂、石灰岩换花岗岩）
用"是/否"两种状态去描述三档情况，必然出错。
三、正确做法：按相似度连续降权
核心思路
不是"用或不用"，而是"用多少"。
- 相似度高 → 权重接近 1，照常用
- 相似度中 → 权重打折，参考用
- 相似度低 → 权重接近 0，基本不用
- 但不一次性清零
权重怎么定
按筛分指纹的距离：
- 距离 0.03（某档筛余变 1%）→ 权重 0.9 以上
- 距离中等 → 权重 0.5 左右
- 距离大 → 权重降到 0.1 以下
新数据权重恒为 1，旧数据按距离衰减。
四、为什么不能一刀切清零
原因一：数据是资产，清空就是扔钱
一个站三年的试配数据，代表着：
- 本地料源的特性参数
- 气候对强度的影响
- 各种标号的实际表现
这些重新积累要一年以上。
原因二：相似不等于相同，但不相似也不等于无关
即使换了矿点，如果岩性相近、级配相近，旧数据仍有参考价值——只是不能全信。
原因三：清零会导致"系统变笨"
数据归零后，模型退回经验公式，精度下降 → 富余放大 → 成本上升。
用户体感是"换了个料，软件就不准了"，其实是数据被清零了。
五、连续降权的实际效果
效果一：平滑过渡
换料后，模型不会突然失准，而是逐步调整。生产不受影响。
效果二：旧数据"退而不废"
差异大的旧数据权重降到很低，但仍在样本里，偶尔能提供边界约束。
效果三：可解释
能说清"为什么这个配比是这样算的"——因为哪些数据权重大、哪些小。
六、怎么判断自己的站有没有这个问题
三个信号：
- 换料后配比突然变得很保守（胶材明显上升）
- 软件说"数据不足"（其实是数据被判定失效）
- 换料后要重新试配很多次（因为没有历史参考）
出现任一信号，就该问：历史数据是怎么处理的？
七、一个务实的建议
即使不用软件，手工管理也该这么做：
- 建立料源档案，标注每批的筛分特征
- 换料时不是"全部作废"，而是"标注差异"
- 差异小的继续参考，差异大的打折用
- 保留原始数据，不要删
判断标准：换料后，你还能不能说出"新料和旧料差在哪"？说不出来，说明数据管理有问题。
问：换料后旧数据真能参考吗？
看差异程度。同一矿点的小幅漂移，旧数据完全可用；换岩性（如河砂换机制砂），旧数据基本无效，但可以作为"趋势参考"。
问：降权具体怎么算？
用指纹距离做指数衰减：权重 = exp(−k × 距离)。k 是衰减系数，按经验设定。具体实现各家不同，核心是按距离连续变化。
问：手工管理怎么实现降权？
简单做法：在 Excel 里给每条历史数据加一列"适用性"（高/中/低），换料时人工评估并更新。不用精确到小数点，三档就够用。
延伸阅读
换料数据资产降权骨料指纹砼睿AI