基于机器学习的溶液温度预测方法、装置、电子设备及应用

本发明属于机器学习应用，并具体涉及一种基于机器学习的溶液温度预测方法、装置、电子设备及应用。

背景技术：

1、在医疗检测、生化反应、材料制备等领域，常需要对反应容器内的溶液进行精确的程序温度控制。pcr热循环仪等温控设备被广泛应用于dna纳米机器制造、核酸扩增、酶促反应等对温度敏感的反应过程。以dna纳米机器的制造为例：dna纳米技术通过精确设计dna链的序列，利用其自组装特性构建具有特定结构和功能的dna纳米机器，在病毒检测、药物递送、dna计算与dna信息存储等领域具有重要应用价值；而dna链需在特定温度区间内按照设定的变温（退火）程序完成从单链到预定三维结构的折叠，温控的精准性直接决定产物的折叠效率、结构均一性和组装产率。

2、然而，现有温控设备普遍采用的温度控制方式为：将温度传感器贴附于加热模块（如金属热座、加热块）上，以测得的加热模块温度作为反馈量，通过闭环控制调节加热模块的输出功率，使加热模块温度跟踪设定的目标温度。该控制方式存在以下问题：（1）其控制目标实质上是加热模块的温度，而非反应容器内溶液的实际温度。容器内不同区域的溶液温度也不一致，在较大体积反应体系中该偏差更为明显；对于dna纳米机器制造这类对温度敏感的反应，上述偏差会造成不同区域dna链的杂交与折叠过程不同步，进而影响产物的结构均一性、折叠精度和组装产率。（2）虽然可以将温度传感器（如热电偶）直接插入溶液中测量溶液实际温度，但该方式会接触、污染反应体系，干扰反应进程，且传感器难以在反应过程中长期留置，无法对批量反应容器逐一在线测量，因而不能作为溶液温度的在线获取手段。（3）部分温控设备提供“反应液温度模式”，但其实质是根据液体体积对控制参数进行固定的经验性补偿，补偿量不随反应过程中传热状态的实时变化而调整，在变温过程中无法反映热源与溶液之间传热滞后的动态变化，补偿精度有限。

3、因此，现有温控设备难以精准、实时地以非接触式的方式获知反应容器内溶液的实际温度，无法以溶液的实际温度为控制目标进行温度调控，导致dna纳米机器制造等对温度敏感的反应过程控制精度低、产物质量不稳定。

技术实现思路

1、本发明的目的在于提供一种基于机器学习的溶液温度预测方法、装置、电子设备及应用，仅需获取热源温度，即可非接触、准确、实时地预测反应容器内溶液的实际温度，解决现有温控设备无法以溶液实际温度为控制目标进行温度调控的问题。

2、本发明的技术方案概述如下：获取溶液当前时刻和历史时刻的加热温度（热源温度）；由加热温度衍生出包含基础温度、温度差分、温度滚动统计、滞后温度和温度热惯性状态的至少11维温度特征值，构建当前时刻输入序列；将当前时刻输入序列输入预训练的溶液温度预测模型，输出当前时刻和/或未来时刻溶液的预测温度。所述预测模型为基于长短期记忆网络（lstm）的时序预测模型，其训练阶段以插入溶液中的热电偶实测温度作为监督信号；模型部署后的预测与调控过程无需在溶液中设置任何温度传感器，完全不接触溶液。在此基础上，可根据预测温度与目标温度的差值生成热源温度调控信息，形成闭环控制，实现以溶液实际温度为直接控制目标的精准温控，为以反应管中溶液的实际温度为控制目标的dna纳米机器制造系统提供依据，从而提高dna纳米机器的制造精度和产率。

3、本发明第一方面提供了一种基于机器学习的溶液温度预测方法，包括以下步骤：

4、1）获取溶液的当前时刻加热温度和历史时刻加热温度数据；所述加热温度为用于加热溶液的热源温度；

5、2）根据步骤1）中所述当前时刻加热温度和历史时刻加热温度衍生出当前时刻的至少11维温度特征值；相同方法衍生历史时刻的至少11维温度特征值；然后构建包括当前时刻和历史时刻的11维温度特征值的当前时刻输入序列；

6、3）将步骤2）得到的当前时刻输入序列输入预训练的溶液温度预测模型，所述预训练的溶液温度预测模型输出当前时刻和/或未来时刻溶液的预测温度；

7、所述预训练的溶液温度预测模型为根据训练样本集对长短期记忆网络模型进行训练得到的，所述训练样本集中每个训练样本包括当前时刻输入序列样本和同一时刻的目标值样本，所述当前时刻输入序列样本包括溶液的当前时刻的至少11维温度特征值和历史时刻至少11维温度特征值，所述同一时刻目标值样本包括当前时刻溶液温度和/或未来时刻实测溶液温度。

8、在一些可选的实施方式中，步骤2）中所述当前时刻输入序列包括当前时刻的11维温度特征值列向量和历史时刻的11维温度特征值列向量；

9、在一些可选的实施方式中，步骤3）中所述当前时刻输入序列样本包括当前时刻的11维温度特征值列向量和历史时刻的11维温度特征值列向量；

10、在一些可选的实施方式中，所述11维温度特征值包括1维基础温度特征值、2维温度差分特征值、3维温度滚动统计特征值、3维滞后温度特征值、2维温度热惯性状态特征值。

11、在一些可选的实施方式中，所述基础温度特征值包括，如公式（1-1）所示：

12、（1-1） ，

13、其中，表示当前时刻，表示第

t时刻的基础温度特征值，表示第

t时刻溶液加热温度，加热温度通过设置在热源的温度传感器测量获得；

14、所述温度差分特征值包括一阶温度差分特征值、二阶温度差分特征值，如公式（1-2）所示，如公式（1-3）所示：

15、（1-2），

16、（1-3），

17、其中，表示第

t时刻的一阶温度差分特征值，表示第

t-1时刻的溶液加热温度，表示第

t时刻的二阶温度差分特征值，表示第

t-1时刻的一阶温度变化量；

18、所述温度滚动统计特征值包括10个采样时刻温度平均值特征值、60个采样时刻温度平均值特征值、10个采样时刻温度标准差特征值，如公式（1-4）所示，如公式（1-5）所示，如公式（1-6）所示：

19、（1-4），

20、（1-5），

21、（1-6），

22、其中，表示历史时刻截止第

t时刻的10个采样时刻溶液加热温度的平均值特征值，表示历史时刻截止第

t时刻的60个采样时刻溶液加热温度的平均值特征值，表示向前回溯的历史时间，表示历史时刻截止第

t时刻的10个采样时刻溶液加热温度的标准差特征值，表示第

t-i时刻的溶液加热温度；

23、所述滞后温度特征值包括10步滞后温度特征值、30步滞后温度特征值、50步滞后温度特征值，如公式（1-7）所示，如公式（1-8）所示，如公式（1-9）所示：

24、（1-7），

25、（1-8），

26、（1-9），

27、其中，表示当前时刻之前第10个采样时刻的溶液加热温度，表示当前时刻之前第30个采样时刻的溶液加热温度，表示当前时刻之前第50个采样时刻的溶液加热温度，特征值表示第

t时刻的10步滞后温度、表示第

t时刻的30步滞后温度、表示第

t时刻的50步滞后温度；

28、所述温度热惯性状态特征值包括快速指数滑动平均温度特征值、慢速指数滑动平均温度特征值，如公式（1-10）所示，如公式（1-11）所示：

29、（1-10），

30、（1-11），

31、其中，表示快速指数滑动平均温度特征值，表示快速平滑系数，表示

t-1时刻的快速指数滑动平均温度，表示慢速指数滑动平均温度特征值，表示慢速平滑系数，>，表示

t-1时刻的慢速指数滑动平均温度。

32、在一些可选的实施方式中，所述当前时刻输入序列由个连续采样时刻对应的温度特征值向量按时间顺序排列形成，且每一采样时刻对应的温度特征值向量为所述11维温度特征值形成的列向量；

33、在一些可选的实施方式中，步骤2）中所述当前时刻输入序列包括；

34、其中，

t表示当前时刻，表示

t时刻的温度特征值，表示时间步长，表示所述11 维温度特征值形成的列向量，表示时刻的所述11维温度特征值形成的列向量，表示时刻的所述11维温度特征值形成的列向量，表示时刻的所述11维温度特征值形成的列向量，表示时刻的所述11维温度特征值形成的列向量；

35、在一些可选的实施方式中，所述目标值包括；

36、其中，为预测步长，表示溶液的当前时刻温度和/或未来时刻温度。

37、在一些可选的实施方式中，步骤3）中所述当前时刻输入序列样本包括；

38、其中，

t表示当前时刻，表示

t时刻的温度特征值，表示时间步长，表示所述11 维温度特征值形成的列向量，表示时刻的所述11维温度特征值形成的列向量，表示时刻的所述11维温度特征值形成的列向量，表示时刻的所述11维温度特征值形成的列向量，表示时刻的所述11维温度特征值形成的列向量；

39、所述目标值样本通过插入溶液中的热电偶温度传感器实际测量获得。

40、需要说明的是，插入溶液中的热电偶温度传感器仅在预训练阶段用于采集目标值样本；预训练的溶液温度预测模型部署后，实际预测与温度控制过程中无需在溶液中设置任何温度传感器，预测过程完全不接触溶液。

41、在一些可选的实施方式中，步骤3）中所述长短期记忆网络模型包括两层，第一层隐藏层维度设定为16-128，第二层隐藏层维度设定为16-128。

42、本发明第二方面还提供一种溶液温度调控方法，所述溶液温度调控方法包括如下步骤：

43、s1、根据上述溶液温度预测方法预测得到溶液的当前时刻和/或未来时刻溶液的预测温度，并获取溶液的目标温度；

44、s2、根据所述预测温度和所述目标温度，生成用于调控溶液温度的热源温度调控信息；所述热源用于加热溶液；

45、在一些可选的实施方式中，所述生成用于调控溶液温度的热源温度调控信息包括：

46、当所述目标温度与所述预测温度的差值大于0时，生成提高所述热源温度的温度调控信息；

47、当所述目标温度与所述预测温度的差值小于0时，生成降低所述热源温度的温度调控信息；

48、当所述目标温度与所述预测温度的差值等于0时，生成维持所述热源温度的温度调控信息。

49、本发明第三方面提供一种溶液温度预测装置，所述溶液温度预测装置包括：

50、数据获取模块，用于获取溶液的当前时刻加热温度和历史时刻加热温度数据；所述加热温度为用于加热溶液的热源温度；

51、特征构建模块，用于根据数据获取模块获取的当前时刻加热温度和历史时刻加热温度数据构建当前时刻的至少11维温度特征值，并以相同方法构建历史时刻的至少11维温度特征值，并构建包括当前时刻和历史时刻的至少11维温度特征值的当前时刻输入序列；

52、预测模块，包括预训练的溶液温度预测模型，用于输入特征构建模块构建的当前时刻输入序列，根据当前时刻输入序列预测并输出溶液的当前时刻和/或未来时刻溶液的预测温度。

53、在一些可选的实施方式中，所述数据获取模块还用于获取当前时刻和/或未来时刻的实测溶液温度；

54、所述溶液温度预测装置还包括：

55、训练样本集获取模块，用于将数据获取模块获取的当前时刻加热温度和历史时刻加热温度数据构建当前时刻的至少11维温度特征值以及历史时刻的至少11维温度特征值，并构建包括当前时刻和历史时刻的至少11维温度特征值的当前时刻输入序列，将当前时刻输入序列和同一时刻的当前时刻和/或未来时刻的实测溶液温度构建为一个训练样本，获得不同时刻的多个训练样本得到训练样本集；

56、模型预训练模块，用于使用所述训练样本集对长短期记忆网络模型进行训练得到预训练的溶液温度预测模型。

57、本发明第四方面提供一种溶液温度预测电子设备，所述溶液温度预测电子设备包括存储器、处理器及存储在存储器上的计算机程序，所述处理器在执行所述计算机程序时实现上述方法。

58、本发明第五方面提供一种上述基于机器学习的溶液温度预测方法或上述溶液温度预测装置或上述溶液温度预测电子设备在dna制造系统中的应用。

59、在一些可选的实施方式中，所述dna制造系统包括dna纳米机器制造系统、pcr扩增仪；

60、在一些可选的实施方式中，所述dna制造系统还包括溶液温度调控组件；

61、所述溶液温度调控组件被配置为：获取待控溶液的目标温度、获取根据上述基于机器学习的溶液温度预测方法或上述溶液温度预测装置或上述溶液温度预测电子设备预测的待控溶液的预测温度，并根据所述预测温度和所述目标温度，生成用于调控待控溶液温度的热源温度调控信息；所述热源用于加热待控溶液；

62、所述生成用于调控待控溶液温度的热源温度调控信息包括：

63、当所述目标温度与所述预测温度的差值大于0时，生成提高所述热源温度的温度调控信息；

64、当所述目标温度与所述预测温度的差值小于0时，生成降低所述热源温度的温度调控信息；

65、当所述目标温度与所述预测温度的差值等于0时，生成维持所述热源温度的温度调控信息。

66、本发明的技术方案与现有技术相比，具有如下优点：

67、1、本发明提供的基于机器学习的溶液温度预测方法，从溶液的当前时刻和历史时刻加热温度衍生出至少11维温度特征值，全面刻画了传热过程中的升温趋势、温度波动和热惯性特性，并利用预训练的长短期记忆网络模型学习热源与溶液之间的非线性热传导关系，仅需测量温控设备本已具备的、易于在线获取的热源温度，即可准确、实时地预测反应容器内溶液的实际温度，并可根据需要输出未来时刻的预测温度；预测过程完全不接触溶液，不污染反应体系、不干扰反应进程，可实时、连续地在线输出，并可对批量反应容器同时实施。

68、2、本发明通过采集目标工况下的训练样本对模型进行训练，可适配不同的容器规格、溶液体积和变温程序，在各目标工况下均能获得较高的预测精度，工况适应性强。

69、3、本发明提供的基于机器学习的溶液温度预测方法或溶液温度预测装置或溶液温度预测电子设备可应用于dna纳米机器制造系统。制造系统通过配置有预训练的溶液温度预测模型精准预测反应溶液的实时温度，为使用反应管中溶液的实际温度为控制目标的dna纳米机器制造系统提供依据，从而提高dna纳米机器制造系统的制造精度和制造产率。

70、4、在上述应用的基础上，dna制造系统中的溶液温度调控组件根据预测温度与目标温度的差值自适应生成热源温度调控信息，与溶液温度预测模型协同配合形成闭环控制，实现了以溶液实际温度为直接控制目标的精准温控，从而提高dna纳米机器制造系统的温度控制精度、产物结构均一性和制造产率。

71、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。