一种保密存储介质粉碎系统和方法与流程

1.本发明涉及温度处理技术领域，特别是涉及一种保密存储介质粉碎系统和方法。


背景技术：

2.近年来，随着国家信息化的不断发展，保密存储介质得到了飞速发展。然而现有的存储介质粉碎设备还存在着这样的问题：一是粉碎设备连续工作，容易导致刀具温度过高，需要耗费时间等待冷却，如果继续工作，就会影响刀具性能，更严重的时候会出现设备烧坏现象，从而降低工作效率；二是刀具粉碎速度设置不合理的话，就会导致保密存储介质粉碎程度不够或者在有些保密存储介质的粉碎上造成不必要的功率浪费的情况。


技术实现要素：

3.为解决现有技术中存在的上述问题，本发明的目的是提供一种保密存储介质粉碎系统和方法。
4.为实现上述目的，本发明提供了如下方案：一种保密存储介质粉碎系统，包括：信息采集模块，用于采集保密存储介质的种类、粉碎不同种类保密存储介质时的刀具温度、预设刀具粉碎速度和预设液冷水流速度，还用于采集粉碎保密存储介质时的刀具温度和该正在粉碎的保密存储介质的种类；粉碎系统建模模块，与所述信息采集模块连接，用于采用最小二乘支持向量机算法根据所述保密存储介质的种类、所述粉碎不同种类保密存储介质时的刀具温度、所述预设刀具粉碎速度和预设液冷水流速度构建训练好的粉碎系统回归模型；实时粉碎模块，分别与所述信息采集模块和所述粉碎系统建模模块连接，用于将粉碎保密存储介质时的刀具温度和该正在粉碎的保密存储介质的种类输入所述训练好的粉碎系统回归模型得到刀具粉碎速度和液冷水流速度，并用于根据所述刀具粉碎速度和所述液冷水流速度对保密存储介质进行粉碎。
5.优选地，所述信息采集模块包括：红外测温单元，用于采集刀具温度；介质种类识别单元，用于采集保密存储介质的种类；传输单元，分别与所述粉碎系统建模模块、所述实时粉碎模块、所述红外测温单元和所述介质种类识别单元连接，用于将所述红外测温单元和所述介质种类识别单元采集的信息传输给所述粉碎系统建模模块和所述实时粉碎模块。
6.优选地，所述红外测温单元包括：红外测温仪，用于测量并采集刀具的温度参数。
7.优选地，所述介质种类识别单元包括：识别子单元，用于识别并采集保密存储介质的类别参数。
8.优选地，所述传输单元包括：
至少一个微处理器，用于将获取的信息进行预处理并发送至粉碎系统建模模块和所述实时粉碎模块。
9.优选地，所述微处理器采用线性函数归一化方法对获取的信息进行预处理。
10.优选地，所述粉碎系统建模模块包括：粉碎系统建模单元，用于采用最小二乘支持向量机算法构建初始粉碎系统回归模型；模型训练验证单元，与所述粉碎系统建模单元连接，用于采用留出法根据所述保密存储介质的种类、所述粉碎不同种类保密存储介质时的刀具温度、所述预设刀具粉碎速度和预设液冷水流速度对所述初始粉碎系统回归模型进行训练、评估和验证，得到训练好的粉碎系统回归模型。
11.根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明通过采用信息采集模块能够实时高效的采集刀具和保密存储介质的相关信息并及时发送至粉碎系统建模模块和实时粉碎模块；通过采用粉碎系统建模模块基于最小二乘支持向量机算法建立粉碎系统回归模型，提高了数据分析处理能力；通过采用信息采集模块和粉碎系统建模模块基于最小二乘支持向量机算法对刀具粉碎速度和液冷水流速度进行回归预测，有利于对刀具的降温、充分粉碎保密存储介质并且降低功率消耗。
12.对应于上述提供的保密存储介质粉碎系统，本发明还提供了以下粉碎方法：一种保密存储介质粉碎方法，包括：获取训练样本集；所述训练样本集包括：保密存储介质的种类、粉碎不同种类保密存储介质时的刀具温度、预设刀具粉碎速度和预设液冷水流速度；采用最小二乘支持向量机算法根据所述训练样本集得到训练好的粉碎系统回归模型；实时获取粉碎保密存储介质时的刀具温度和该正在粉碎的保密存储介质的种类；采用所述训练好的粉碎系统回归模型，根据所述粉碎保密存储介质时的刀具温度和该正在粉碎的保密存储介质的种类实时输出刀具粉碎速度和液冷水流速度；采用实时输出的刀具粉碎速度和液冷水流速度对保密存储介质进行粉碎。
13.优选地，所述采用最小二乘支持向量机算法根据所述训练样本集得到训练好的粉碎系统回归模型，具体包括：采用最小二乘支持向量机算法构建初始粉碎系统回归模型；采用留出法对根据所述训练样本集所述初始粉碎系统回归模型进行训练、评估和验证，得到训练好的粉碎系统回归模型。
14.本发明提供的保密存储介质粉碎方法达到的技术效果，与上述提供的保密存储介质粉碎系统达到的技术效果相同，故在此不再进行赘述。
附图说明
15.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
16.图1为本发明提供的保密存储介质粉碎系统的结构示意图；图2为本发明提供的信息采集模块的结构示意图；图3为本发明提供的保密存储介质粉碎方法的流程图；图4为本发明实施例提供的粉碎系统建模模块的具体工作流程图；图5为本发明实施例提供的实时粉碎模块的具体工作流程图。
具体实施方式
17.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
18.本发明的目的是提供一种保密存储介质粉碎系统和方法，以解决粉碎设备持续工作温度过高效率下降、保密存储介质粉碎不彻底或粉碎系统功率浪费等问题。
19.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
20.如图1所示，本发明提供的一种保密存储介质粉碎系统，包括：信息采集模块1、粉碎系统建模模块2和实时粉碎模块3。
21.其中，信息采集模块1用于采集保密存储介质的种类、粉碎不同种类保密存储介质时的刀具温度、预设刀具粉碎速度和预设液冷水流速度，还用于采集粉碎保密存储介质时的刀具温度和该正在粉碎的保密存储介质的种类。其中，保密存储介质的种类主要包括硬盘、光盘、软盘、移动硬盘及u盘。预设刀具粉碎速度和预设液冷水流速度均是人工根据实际粉碎情况进行设定。
22.粉碎系统建模模块2与信息采集模块连接，用于采用最小二乘支持向量机算法根据保密存储介质的种类、粉碎不同种类保密存储介质时的刀具温度、预设刀具粉碎速度和预设液冷水流速度构建训练好的粉碎系统回归模型。
23.实时粉碎模块3分别与信息采集模块和粉碎系统建模模块连接，用于将粉碎保密存储介质时的刀具温度和该正在粉碎的保密存储介质的种类输入训练好的粉碎系统回归模型得到刀具粉碎速度和液冷水流速度，并用于根据刀具粉碎速度和液冷水流速度对保密存储介质进行粉碎。
24.基于上述结构，其具体工作原理为：信息采集模块1采集刀具温度和介质种类，并将采集到的信息进行预处理后发送给粉碎系统建模模块2或者实时粉碎模块3，其中向粉碎系统建模模块2发送数据时还需采集并发送预设刀具粉碎速度和预设液冷水流速度。粉碎系统建模模块2对信息采集模块1得到的信息用最小二乘支持向量机算法进行训练和建模，得到粉碎系统回归模型，进而采用留出法对模型进行训练评估和验证，最后将粉碎系统回归模型和算法相关参数设置发送至实时粉碎模块3。实时粉碎模块3将信息采集模块1实时采集到的信息传入粉碎系统模型，从而确定刀具粉碎速度和液冷水流速度进行粉碎。
25.进一步，为了提高数据采集的实时性和准确性，如图2所示，上述采用的信息采集模块1优选包括：红外测温单元11、介质种类识别单元12和传输单元13。
26.红外测温单元11用于采集刀具温度。
27.介质种类识别单元12用于采集保密存储介质的种类。
28.传输单元13分别与粉碎系统建模模块2、实时粉碎模块3、红外测温单元11和介质种类识别单元12连接，用于将红外测温单元11和介质种类识别单元12采集的信息传输给粉碎系统建模模块2和实时粉碎模块3。
29.其中，上述红外测温单元11包括：红外测温仪。红外测温仪用于测量并采集刀具的温度参数。
30.上述介质种类识别单元12包括：识别子单元。识别子单元用于识别并采集保密存储介质的类别参数。
31.上述传输单元13包括：至少一个微处理器。微处理器用于将获取的信息进行预处理并发送至粉碎系统建模模块和实时粉碎模块。具体的，微处理器采用线性函数归一化方法对获取的信息进行预处理。
32.进一步为了提高模型输出结果的准确性，上述提供的粉碎系统建模模块2优选包括：粉碎系统建模单元和模型训练验证单元。
33.其中，粉碎系统建模单元用于采用最小二乘支持向量机算法构建初始粉碎系统回归模型。
34.模型训练验证单元与粉碎系统建模单元连接，用于采用留出法根据保密存储介质的种类、粉碎不同种类保密存储介质时的刀具温度、预设刀具粉碎速度和预设液冷水流速度对初始粉碎系统回归模型进行训练、评估和验证，得到训练好的粉碎系统回归模型。
35.对应于上述提供的保密存储介质粉碎系统，本发明还提供了一种保密存储介质粉碎方法，如图3所示，该方法包括：步骤300：获取训练样本集。训练样本集包括：保密存储介质的种类、粉碎不同种类保密存储介质时的刀具温度、预设刀具粉碎速度和预设液冷水流速度。
36.步骤301：采用最小二乘支持向量机算法根据训练样本集得到训练好的粉碎系统回归模型。
37.步骤302：实时获取粉碎保密存储介质时的刀具温度和该正在粉碎的保密存储介质的种类。
38.步骤303：采用训练好的粉碎系统回归模型，根据粉碎保密存储介质时的刀具温度和该正在粉碎的保密存储介质的种类实时输出刀具粉碎速度和液冷水流速度。
39.步骤304：采用实时输出的刀具粉碎速度和液冷水流速度对保密存储介质进行粉碎。
40.其中，为了进一步提高所构建模型的输出准确性，上述步骤301还优选包括：步骤3011：采用最小二乘支持向量机算法构建初始粉碎系统回归模型。
41.步骤3012：采用留出法对根据训练样本集初始粉碎系统回归模型进行训练、评估和验证，得到训练好的粉碎系统回归模型。
42.下面以具体的实施例对本发明上述提供的技术方案进行说明，在实际应用过程中，属于本发明上述提供技术方案精神领域内的修改均属于本发明的保护范围。
43.实施实例一参看图1所示，本实施例的用于保密存储介质粉碎液冷降温系统包括：信息采集模
块1、粉碎系统建模模块2和实时粉碎模块3。
44.信息采集模块1用于采集刀具温度和介质种类，且对采集到的信息进行处理，将处理后的信息发送粉碎系统建模模块2或者实时粉碎模块3，其中向粉碎系统建模模块2发送数据时还需采集并发送人工设定的对应的刀具粉碎速度和液冷水流速度。粉碎系统建模模块2用于对信息采集模块1得到的信息用机器学习算法进行训练和建模，得到粉碎系统模型，并将得到的模型和算法相关参数发送给实时粉碎模块3。实时粉碎模块3用于将信息采集模块实时采集到的信息传入粉碎系统模型，从而确定刀具粉碎速度和液冷水流速度进行粉碎。
45.参看图2所示，采集模块1包红外测温单元11、介质类别识别单元12和传输单元13。其中，红外测温单元11包括红外线测温仪，以用于测量并采集刀具的温度参数。
46.介质类别识别单元12包括摄像头图像识别或者人工识别，用于确定并采集介质的类别参数。
47.传输单元13包括一个微处理器，用于将接收信号进行预处理并发送至粉碎系统建模模块2和实时粉碎模块3。传输单元13实现的数据预处理方法为线性函数归一化。
48.参看图4所示，粉碎系统建模模块2的具体工作流程为：首先，信息采集模块1需要采集大量的粉碎过程中的刀具温度和对应的介质类别数据信息，同时记录人工设定的对应的刀具粉碎速度和液冷水流速度（步骤21），对刀具温度和对应的介质类别数据信息进行预处理后和刀具粉碎速度和液冷水流速度一起构成信息数据集（步骤22），采用留出法将信息数据集按照7：3的比例划分为训练集与测试集，在训练集上对最小二乘支持向量机进行训练得到粉碎系统回归模型，在测试集上对模型进行评估和验证（步骤23）。
49.参看图5所示，实时粉碎模块3的具体工作流程为：首先，信息采集模块1需要实时采集刀具温度和存储介质类别（步骤31），对这些信息进行预处理（步骤32），之后发送到粉碎系统回归模型（步骤33），通过模型预测后得到粉碎系统回归预测结果（步骤34）。得到的结果包括刀具粉碎速度和液冷水流速度。
50.一个更具体地实现方式：(1)采集多组不同介质在粉碎时的刀具温度、介质种类，将这些数据作为特征，同时采集对应的刀具粉碎速度和液冷水流速度，将这些数据作为目标，将特征与目标组成的向量作为样本数据[x1,x2,y1,y2],其中x1表示样本中所有的刀具温度数据组成的列向量，x2表示样本中所有的介质种类数据组成的列向量，其中用正整数表示介质种类，例如，1代表第一种介质，2代表第二种介质，以此类推，y1表示样本上所有的刀具粉碎速度组成的列向量，y2表示样本中所有的液冷水流速度组成的列向量。
[0051]
采用线性函数归一化对特征向量x=[x1,x2]进行预处理，线性函数归一化方法可以表示为：其中，x
norm
为归一化后的特征向量，x为原始的特征向量，x
min
为原始各个特征的最小值的组成的向量，x
max
为原始各个特征的最大值的组成的向量。
[0052]
(2)将信息采集模块收集的样本数据，按照7：3的比例划分为训练集和测试集。
[0053]
(3)在训练集上训练粉碎系统回归模型的最小二乘支持向量机。该最小二乘支持
向量机回归模型可以表示为：式中，x为归一化后的特征向量，f(x)为预测得到的输出，是将输入空间隐射为高维特征空间的映射函数，为超平面的权值向量，b为偏置量。最小二乘支持向量机回归算法选择误差的2
‑
范数为损失函数，其优化问题为：式中，j为以、e为自变量的优化函数，为回归误差，为惩罚因子，用于调节误差，其值越大，模型的回归误差越小，但也会增加过拟合的风险，所以需要根据经验进行调整大小。引入拉格朗日函数进行求解，得到：式中，为拉格朗日乘子。令求偏导可得：通过消除上式中的和，结合kkt条件，优化问题转化为如下线性方程组：式中，，i为单位矩阵，为由构成的方阵。根据mercer条件可知，存在映射和核函数使得：选择不同形式的核函数，可以生成不同的向量机，我们采用高斯核函数，公式如下：由线性方程组求出和b后，可得到最小二乘支持向量机的非线性函数估计为:
(4)在测试集上对粉碎系统回归模型的最小二乘支持向量机进行验证。验证时，将测试集的线性函数归一化后的刀具温度和介质种类作为输入，得到刀具粉碎速度和液冷水流速度回归的预测值，然后采用均方根误差进行评估，公式如下：式中，y是刀具粉碎速度和液冷水流速度的真实值，是最小二乘支持向量机对刀具粉碎速度和液冷水流速度回归的预测值，n是测试集的总样本数。
[0054]
以测试集上的预测结果的均方差损失作为评估标准，最终得到均方差损失最小所对应的粉碎系统回归模型。
[0055]
(5)在进行实时介质粉碎时，通过将预处理后的实时特征数据，即线性函数归一化后的刀具温度和介质种类作为特征代入粉碎系统回归模型，得到刀具粉碎速度和液冷水流速度。
[0056]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0057]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。