1.基于卷积简单循环单元网络的水泥成品比表面积预测方法，其特征在于：包括以下步骤：步骤S1：分析整个水泥磨生产工艺过程，选取与水泥成品比表面积相关的8个输入变量，输入变量分别为首先将选取的时间变量数据按时间序列进行排序，然后将排列后的数据进行归一化；

步骤S2：将归一化后的数据依次经过卷积网络的输入层、经卷积层、池化层、全连接层和输出层后得到数据；

步骤:S3：将经过卷积网络处理后的数据输入到简单循环单元网络模型中进行训练，首先对输入数据进行简单地线性化，经遗忘门，重置门，状态门进行计算，最后将单元状态计算得出一个最终状态，完成了简单循环单元网络的前向传播；

步骤S4：采用基于时间的反向传播算法,反向进行简单循环单元网络神经网络中每个神经元的误差项，误差项可以延时间进行反向传播，从当前时刻开始，计算之前时刻的误差项，误差项向上一层进行传播，从输入数据以及权重开始，向输出层传递，最后求出预测值并和目标值构成损失函数，在反向传播过程中，从损失函数开始，求取各个节点的偏导数，然后根据相应误差项，计算权重的梯度和使用自适应矩阵估计法更新权重参数和偏置参数，重复上述过程，直到满足要求或者达到迭代次数为止，求误差项若误差项小于阈值，则进行权重矩阵和偏置项的更新，直到达到设定误差阈值或者迭代次数达到最大，完成模型训练，退出循环；

步骤5：将卷积网络处理后的水泥研磨过程中的过程变量数据给到训练好的简单循环单元网络模型中，实现水泥成品比表面积的在线预测。

2.根据权利要求1所述的基于卷积简单循环单元网络的水泥成品比表面积预测方法，其特征在于：所述步骤S1中8个输入变量包括喂料反馈P1、A磨主机电流P2、磨尾收尘风机挡板开度反馈P3、A磨循环风机变频反馈P4、A磨出磨斗提电流反馈P5、选粉机电流反馈P6、选粉机转速反馈P7和出球磨半闭路分料挡板反馈P8。

3.根据权利要求1所述的基于卷积简单循环单元网络的水泥成品比表面积预测方法，其特征在于：所述步骤S2中使用卷积进行数据特征提取，将得到的归一化数据作为卷积网络的输入数据，依次经过卷积网络的输入层、卷积层、池化层、全连接层和输出层得到卷积网络的输出序列；

①避免过拟合和加速训练的目的，在卷积层中加入层归一化，层归一化公式如下：式中，H为卷积层输入神经元，xi为变量，μt为t时刻的平移参数，σt为t时刻的缩放参数；

②通过一维卷积来提取水泥比表面积相关变量数据的特征，加入层归一化后的卷积层计算公式如下：式中，⊙是矩阵乘积符号， 是第l层的输出值的第i个特征， 是第l层的第i个卷积核(l‑1)的权重矩阵；gi维度与H相同；*运算符表示卷积运算；x 是第l‑1层的输出； 为偏置项；

函数f为输出激活函数为线性整流单元(ReLU)；

③通过池化层对数据进行压缩，简化网络计算复杂度，对主要数据特征进行提取，池化层公式如下:式中， 表示池化后的第l+1层的第i个特征图中的元素，Dj为第j个池化区域，为第l层第i个特征图在池化核的范围内的元素；

④全连接层将所有提取的数据体征连接起来进行输出，防止数据失真。

4.根据权利要求1所述的基于卷积简单循环单元网络的水泥成品比表面积预测方法，其特征在于：所述步骤S3中使用简单循环单元网络神经网络进行预测，简单循环单元网络的每个神经单元都是一个处理单元，每个处理单元都包含若干门限，门限用于控制信息流；

①遗忘门来决定当前时刻有多少信息需要进行继续传递，遗忘门的输出由当前时刻的输入决定，遗忘门计算公式为：ft＝σ(Wfxt+bf)

式中，Wf是遗忘门的权重矩阵，xt为当前时刻的输入，σ为遗忘门激活函数Sigmoid，bf为遗忘门偏置项；

②重置门来决定有多少信息需要进行遗忘，重置门的输出由当前时刻的输入决定，重置门的公式如下：rt＝σ(Wrxt+br)

式中，Wr是重置门的权重矩阵，xt为重置门的输入，σ为重置门激活函数Sigmoid，br为重置门偏置项；

③当前输入单元状态计算公式：

ct＝ft⊙ct‑1+(1‑ft)⊙Wxt

式中，ft是遗忘门当前时刻输出，ct‑1是上一时刻单元状态门输出，W是输入单元线性化的权重矩阵，xt为当前时刻的输入；

④隐藏层最终输出由重置门当前时刻输出、单元状态门当前时刻输出以及当前时刻输入共同决定，隐藏层状态计算公式为：ht＝rt⊙Tanh(ct)+(1‑rt)⊙xt

式中，ht为隐藏层最终输出，ct为t时刻的单元状态，rt为重置门当前时刻输出，Tanh是隐藏层激活函数为双曲正切激活函数，xt为当前时刻的输入；

⑤最终输出序列为：

yt＝σ(Wyht+b)

式中，yt为当前时刻t的预测输出，ht为隐藏层最终输出，Wy为预测输出层的权重矩阵，b为预测输出层的偏置向量。

5.根据权利要求1所述的基于卷积简单循环单元网络的水泥成品比表面积预测方法，其特征在于：所述步骤S4中；

①误差项分为两个方向进行传播，一个是沿时间进行方向传播，从t时刻起，计算每个时刻的误差项；另一个方向是将误差在空间上向上一层传播，定义损失函数：式中， 和yt分别为t时刻的预测输出值和期望输出；

在t时刻，简单循环单元网络的隐藏层输出为ht，定义t时刻的误差项δt为：根据简单循环单元网络的计算图以及链式求导法则可知，状态单元信息ct的梯度为：式中，L为损失函数，rt为重置门输出；

遗忘门梯度为：

重置门梯度为：

沿时序进行反向传播公式为：

误差项向上一层传播：设当前层为l定义l‑1层的误差项是误差函数对l‑1层加权输入时的导数，则有l‑1 l‑1

式中，δt 为l‑1层的误差项，L为误差函数，nett 为l‑1层的加权输入；

②权重梯度计算：

与权重对应的偏置梯度为：

③权重更新：

式中，η为模型的学习率，为增加公式的适用性，将公式泛化，W表示网络节点权重，b表示节点对应偏置项。