怎么判断骨料换没换？为什么不用哈希值
"这批料跟上次是不是同一批？"——这是商混站每天都要判断的事。
直觉方案是给筛分曲线算个哈希值：哈希变了就是换料。但这个方案在工业场景里是错的。
一、哈希为什么不适合判断"换料"
哈希有雪崩效应
输入变一个字节，输出完全变样。这是哈希的优点（用于校验），也是它的缺点（用于判断相似性时就废了）。
真实料源会漂移
同一个料厂、同一条矿脉，某档筛余变化 1% 太正常了：
- 开采面推进，岩性略有变化
- 破碎机磨损，粒度分布微变
- 筛网磨损，筛分效率下降
这些是正常波动，不是"换了料"。
哈希分不清程度
用哈希判断，结果只有两种：
- 哈希相同 → 同一批料
- 哈希不同 → 换料了
但实际情况是连续谱：轻微漂移 → 明显变化 → 彻底换料。
哈希把"矿脉漂移 1%"和"换成另一个矿的料"判成同一种情况，这显然不对。
二、筛分指纹怎么做的
替代方案是给每批料算一个"指纹"，不是哈希，而是数值特征串 + 连续距离度量。
特征串包含什么
- 各档筛余百分比
- 含泥量
- 细度模数
- （可选）MB 值、堆积密度
距离怎么算
把特征串当成向量，算两批料之间的"距离"：
- 距离小（如 0.03）：某档筛余只变了 1%，属于正常漂移 → 历史数据继续有效
- 距离中：明显变化 → 历史数据降权但仍参与计算
- 距离大：曲线整体改变 → 旧数据逐步退出，但不一次性清零
三、为什么要"连续降权"而不是"一刀切"
这是整套设计的核心。
一刀切的后果
换料后直接清空历史数据，等于：
- 三年积累的试配数据归零
- 新配比回到"没有回归系数"的状态
- 强度预测精度下降，富余要放大
- 成本立刻上升
连续降权的效果
- 旧数据按"相似度"打折，而不是作废
- 相近的料，旧数据还有参考价值
- 差异大的，权重自然衰减到很低
- 数据资产平滑过渡，不会断崖
四、对商混站的实际价值
价值一：换料不用重新摸索
新料进来，系统能告诉你"和之前的料有多像"，而不是从零开始。
价值二：判断该不该重新试配
- 距离小 → 沿用原配比，微调含水率
- 距离中 → 试配验证
- 距离大 → 重新设计
不用每批都试配，也不用一直不试配。
价值三：历史数据能用起来
很多站的问题是"数据攒了但用不上"——换一次料就全废了。连续降权让数据真正成为资产。
五、这个思路能用到别处
"变化的程度比变没变更重要"——这个认知适用于所有工业数据建模：
- 水泥批次变化（活性漂移 vs 换厂）
- 外加剂批次变化（固含量波动 vs 换配方）
- 设备状态（磨损 vs 故障）
用连续量替代布尔判断，是工业数据建模的一个基本原则。
六、一个务实的建议
如果你的站还在用"这批和上批一样吗"这种二元判断，可以改成三档：
- 正常波动：不调整配比，只更新含水率
- 明显变化：试配验证后调整
- 换料：重新设计配比
关键是给"正常波动"划一个可量化的边界，而不是靠老师傅的手感。
问：指纹距离怎么定阈值？
按历史数据的波动范围定。统计同一矿点连续 20 批的指纹距离，取 95 分位数作为"正常波动"的上限。
问：手写记录能实现吗？
能。Excel 记录各档筛余和含泥量，算一个简单的加权距离即可。不需要复杂系统。
问：换料后旧数据真能用吗？
能，但要打折用。相似度高的旧数据参考价值大，差异大的只能作趋势参考。完全不同的料（如河砂换机制砂），旧数据基本无效。
延伸阅读
骨料指纹换料判断数据资产相似度砼睿AI