1.一种基于搜索空间变动的水泥粉磨过程多目标优化方法，其特征在于包括以下步骤：步骤S1、获取数据集：通过GBDT从水泥粉磨系统历史数据中选取与水泥成品比表面积、电耗、产量相关的决策变量；

选取训练集T＝{(x1，y1)，(x2，y2)，…，(xn，yn)}，迭代次数M和损失函数，初始化弱分类器：计算近似残差：对于m＝1，2，……，M，执行以下步骤：对i＝1，2，……，n，计算近似残差：

对近似残差rim拟合一棵回归树，得到第m棵树的叶节点域Rjm，j＝1，2，……，Jm，即一棵由J个叶节点组成的树；

计算最佳拟合值：对j＝1，2，……，Jm，计算最佳拟合值：更新分类器：

其中，

得到最终的强学习器：

通过GBDT挑选决策变量，最终选取12个变量用于预测水泥成品比表面积，4个变量用于预测电耗，9个变量用于预测产量；用于预测水泥成品比表面积的变量有：球磨出口压力x1、辊压机固端开度反馈x2、循环风机变频反馈x3、出磨斗提电流反馈x4、定辊电流反馈x5、动辊电流反馈x6、循环风机挡板开度x7、主机电流x8、入库提升机电流反馈x9、辊压机仓重反馈x10、选粉机转速反馈x11、选粉机进口压力x12；

用于预测电耗的变量有：定辊电流反馈x5、动辊电流反馈x6、循环风机挡板开度x7、主机电流x8；

用于预测产量的变量有：循环风机挡板开度x7、主机电流x8、入库提升机电流反馈x9、辊压机仓重反馈x10、选粉机转速反馈x11、选粉机进口压力x12，辊压机开端开度反馈x13、磨机回粉量x14、喂料斗提电流反馈x15；

步骤S2、构建预测模型：分别构建水泥成品比表面积、电耗、产量的时间卷积网络预测模型并使用处理好的数据进行训练；构建时间卷积网络对水泥成品比表面积、电耗、产量进行实时预测，具体步骤包括：构建因果卷积网络引入扩张卷积层和残差卷积层；构建包含因果卷积层以及所述扩张卷积层、残差层的时间卷积网络；输入筛选出的各指标的决策变量，训练所述时间卷积网络模型，将待预测的数据输入到训练好的时间卷积网络模型中，得到各指标的预测结果；

构建各指标的时间卷积网络预测模型具体包括：

构建因果卷积网络：假设时间序列数据X＝(x1，x2，…，xN)，滤波器为F＝(f1，S2，…，fK)，则在xt的因果卷积为式中：k为卷积核大小；

引入扩张卷积层：假设时间序列数据X＝(x1，x2，…，xN)，滤波器为F＝(f1，f2，…，fK)，则当扩张因子为d时，xt处的扩张卷积表达式子为：其中K为滤波器大小，t‑(K‑k)d为指示过去的方向，扩张因子d为两个相邻的滤波器之间间隔的步长；

引入残差卷积层：残差卷积层即构建残差块，残差块的定义为：y＝F(x，wi)+x       (12)

其中，wi为第i层的权重系数，F(x，wt)是时间卷积网络需要学习的残差映射，y是要预测的输出向量；

ReLU激活函数为：

(1) (2)

式中，W ，W 为对应输入的权重矩阵，V和e为残差网络的权重和偏置项，S(i，j)为第j块(j.l)第i层的激活函数，St 表示t时刻扩张卷积后引入残差后的结果；

当残差输入的数据维度与残差输出数据维度不相同时，引入一个1*1卷积确保二者数据维度保持一致；

根据 对时间t的各指标进行预测，预测得到的 为：其中， 为权重矩阵，q为偏置项；

所述的构建各指标的TCN预测模型经过超参数分析后，模型的最优参数为：卷积核大小为3，卷积核的个数为64，扩张系数为{1，2，4，8，16，32，64}，训练次数为200，优化函数为adam，损失函数为MSE；步骤S3、构建目标函数：应用训练好的预测模型构建目标函数；

通过水泥成品比表面积、电耗和产量预测模型搭建两个目标函数，建立的水泥粉磨过程多目标优化模型具体如下：2

式中，J1表示水泥成品比表面积，越接近其标准值350m/kg越好；

J2表示最大限度降低水泥粉磨过程中的能产比，即电耗与产量的比值；

X1表示在水泥粉磨过程中与水泥成品比表面积Q(X1)相关的12个变量；

X2表示在水泥粉磨过程中与电耗E(X2)相关的4个变量；

X3表示在水泥粉磨过程中与产量Y(X3)相关的9个变量；

X4表示在水泥粉磨过程中与能产比R(X4)相关的11个变量；

Q(X1)表示水泥成品比表面积，其需满足质量要求；

xi表示各决策变量，其需满足各设备的运行条件；

步骤S4、多目标优化模型求解：应用NSGA‑II算法对水泥粉磨过程多目标优化模型进行求解；

步骤S5、进行稳定性阈值判断：得到pareto前沿解后，启动稳定性策略，判断Pareto前沿解的稳定性是否达到阈值；达到阈值的解多于一个，则选取比表面积合格且产能比最低的解作为优化解；

步骤S6、启动搜索空间变动策略：若不存在达到稳定性阈值的解，则启动搜索空间改变策略，并重新进行优化，指导得到满足稳定性阈值的解；

步骤S7、进行滚动优化：进行时域滚动优化，得到动态条件下水泥粉磨过程优化结果。

2.根据权利要求1所述的一种基于搜索空间变动的水泥粉磨过程多目标优化方法，其特征在于：步骤S4具体包括：步骤S41：参数设置：设置初始约束条件、决策变量个数、种群规模n、算法迭代次数p、时域滚动次数m；

步骤S42：种群初始化：根据各决策变量的上下限随机生成大小为n的初始种群；

步骤S43：非支配排序和拥挤度计算；

步骤S44：交叉和变异操作；对父代种群进行交叉变异操作生成子代种群，将父代种群和子代种群合并为新种群；

步骤S45：对新种群进行非支配排序，计算拥挤度；

步骤S46：通过拥挤度排序选取出新的父代种群；

步骤S47判断是否到达算法迭代次数，若到迭代次数，则停止算法并得到pareto前沿解集。

3.根据权利要求1所述的一种基于搜索空间变动的水泥粉磨过程多目标优化方法，其特征在于：所述步骤S4，得到的pareto前沿解集为：XF＝{x|x∈Rank1}

式中XF为pareto最优解集，Rank1为分支配排序后的第一级非支配层。

4.根据权利要求1所述的一种基于搜索空间变动的水泥粉磨过程多目标优化方法，其特征在于：所述步骤S5，稳定性指标设计为：式中，xq为Pareto前沿中某个解的第q个决策变量值；

为决策变量当前值；

和 是决策变量xq的最大值和最小值；

cq表示为第q个决策变量的权重；

N为决策变量个数。

5.根据权利要求1所述的一种基于搜索空间变动的水泥粉磨过程多目标优化方法，其特征在于：所述步骤S6，改变搜索空间策略应用公式如下所示：式中，b、a分别为决策变量当前约束边界上、下限；

为决策变量当前设定值；

b′、a′分别为决策变量变约束后的约束边界上、下限；

r为常数且r大于等于1。

6.根据权利要求1所述的一种基于搜索空间变动的水泥粉磨过程多目标优化方法，其特征在于：所述步骤S7具体方式为，每次优化时域定义为T分钟，从t0时刻开始，根据t0到t0+th的数据预测得到t0+th到t0+th+tr的数据，通过优化算法对水泥粉磨多目标优化模型进行求解，得到从t0+th到t0+th+tr时刻决策变量优化解，通过优化解对各设备进行调度，下一次优化从t0+tr时刻开始，根据t0+tr到t0+tr+th时刻的数据预测得到t0+tr+th到t0+2tr+th的数据，通过求解后得到t0+tr+th到t0+2tr+th的运行指标优化值，由此循环往复。