9月20日，由ABB與中國自動化學會聯合主辦的“2023 ABB杯智能技術創新大賽”圓滿落下帷幕，頒獎儀式在中國國際工業博覽會ABB展臺現場舉行。其中，在“變頻器半導體溫度預測AI建模挑戰賽”中，共有5組隊伍從來自全國51所院校的86支隊伍、194人中入圍決賽。經過現場答辯和多位專家的嚴格評審，終，來自上海交通大學電子信息與電氣工程學院自動化系王景成教授指導的甘子毅、吳舜禹同學榮獲一等獎桂冠。

賽題背景

絕緣柵雙極型晶體管（Insulated Gate Bipolar Transistor，IGBT）廣泛應用于現代電力電子裝置中，是其中重要、也是容易失效的功率半導體器件。IGBT的可靠性在一定程度上決定了電力電子裝置的整體可靠性。當變頻器處理反復波動的負載功率時，IGBT芯片的溫度（通常等效為芯片PN結的溫度，簡稱結溫）隨之大幅波動。結溫的波動會在IGBT內部產生熱應力沖擊，加速老化，造成IGBT失效。因此，IGBT結溫的在線監測是變頻器功率控制、IGBT壽命預測的先決條件。除壽命預測外，IGBT結溫信息還有助于實現jingque過溫保護，這同樣有助于提高變流器的可靠性，增加變流器的無故障服務時間。如何實現高精度、快響應的IGBT結溫實時監測，成為近年來學術界與工業界的研究熱點之一。

針對這一熱點問題，ABB杯創新大賽設計了“變頻器半導體溫度預測AI建模挑戰賽”的新賽題，要求選手們通過挖掘數據價值，解決具體的應用難題：基于ABB提供的來自真實工業場景的海量數據，綜合利用機器學習、大數據預測等先進技術，分析設備數據間的關系，并在Python環境下自主開發和建立變頻器核心元件IGBT的溫度估測模型，對不同負載功率下IGBT的溫度波動進行高精度、快響應的實時監測。模型的準確性和創新性是決定選手勝敗的關鍵。

一等獎解決方案

目標變量分布分析

解決方案的模型框架

面對賽題所給出的海量低質數據，甘子毅、吳舜禹同學在與導師多次討論后，決定以多工況為切入點，通過特征挖掘對IGBT運行工況進行劃分，再對應設計不同復雜度的機器學習模型。實驗結果表明，所提出的分解預測模型可以在大數據集中顯著加快訓練和推理速度，并同時兼顧了預測精度。

賽題背景與解決方案

源自“上海交大電院”公眾號

賽后，特邀專家與比賽評委團對賽題和一等獎作品做了多角度的點評與分析。

中國科學院大學人工智能學院副教授繆青海表示，機器學習中，數據、算法是核心要素。數據分布的復雜性為模型架構的選擇和后續訓練帶來挑戰。針對‘變頻器半導體溫度預測’AI建模，上海交通大學參賽隊利用行業領域先驗知識，將數據依據工況分類，其本質上類似于將數據空間復雜流形進行分片，每一個分片是一個具有相對簡單結構的子流形。在子流形上，可采用相對簡單的模型即可取得理想的效果，訓練變得更加容易，推理性能更加高效。通過引入領域知識對數據進行前處理，該方法有較好的普適性，在多個領域有較好的推廣前景。

ABB中國運動控制部技術專家、ABB杯創新大賽評委團成員孟金磊、邢承彥、楊曉茹提到，面向工業預測類算法場景，獲獎選手對賽題理解深入、建模流程清晰，考慮了多工況下特征與預測目標之間關系的差異性，采用差分、組合、變換等特征工程方法，同時從機理角度提取關鍵特征，根據不同工況嘗試不同復雜度的回歸模型及集成學習方法，終模型具備較高的魯棒性和推理速度。

瑞典皇家工學院KTH兼任教授、ABB瑞典研究院主任科學家龐智博說到，這次比賽的選題是AI在工業電子和自動化領域應用的熱點和難點問題之一。經過近幾年大量頭部企業和學術團隊的探索，大家的關注點已經從數據和模型的有無問題，轉變為數據和模型的實用性問題，甚至是數據和模型的‘去粗存精’的問題。獲獎團隊采取了領域知識與AI建模深度融合的策略，完全符合行業的共識和趨勢。進一步地，他們根據對電力電子器件工況的深入理解，有效化簡了數據空間，提高了算法的精度和運行效率。這些進展，對解決這一大類工業數據和AI模型的去粗存精問題，都有啟發意義。同時這個工作也完美地展示了，跨學科的知識結構和人才培養，對實現工業AI落地的重要性。

人工智能正在改變工業世界。通過人工智能挖掘數據價值、提供數據洞察，可用于優化工業流程，提高生產效率與產品質量，并加速工業綠色轉型。目前，ABB 有 130 多個以人工智能為重點的項目，在眾多領域利用人工智能為客戶提供支持、創造價值。

關于ABB杯智能技術創新大賽

ABB杯智能技術創新大賽由ABB公司與中國自動化學會聯合主辦，并得到行業協會、業界專家以及瑞士駐華使領館的大力支持，18年來不斷迭代升級，累計參賽選手已超兩萬人。比賽致力于培養復合型創新人才和新工科應用型人才，溝通產學研用，攜手各界推動工業數字化、智能化轉型。