9月20日，由ABB与中国自动化学会联合主办的“2023 ABB杯智能技术创新大赛”圆满落下帷幕，颁奖仪式在中国国际工业博览会ABB展台现场举行。其中，在“变频器半导体温度预测AI建模挑战赛”中，共有5组队伍从来自全国51所院校的86支队伍、194人中入围决赛。经过现场答辩和多位专家的严格评审，最终，来自上海交通大学电子信息与电气工程学院自动化系王景成教授指导的甘子毅、吴舜禹同学荣获一等奖桂冠。

赛题背景

绝缘栅双极型晶体管（Insulated Gate Bipolar Transistor，IGBT）广泛应用于现代电力电子装置中，是其中最重要、也是容易失效的功率半导体器件。IGBT的可靠性在一定程度上决定了电力电子装置的整体可靠性。当变频器处理反复波动的负载功率时，IGBT芯片的温度（通常等效为芯片PN结的温度，简称结温）随之大幅波动。结温的波动会在IGBT内部产生热应力冲击，加速老化，造成IGBT失效。因此，IGBT结温的在线监测是变频器功率控制、IGBT寿命预测的先决条件。除寿命预测外，IGBT结温信息还有助于实现精确过温保护，这同样有助于提高变流器的可靠性，增加变流器的无故障服务时间。如何实现高精度、快响应的IGBT结温实时监测，成为近年来学术界与工业界的研究热点之一。

针对这一热点问题，ABB杯创新大赛设计了“变频器半导体温度预测AI建模挑战赛”的新赛题，要求选手们通过挖掘数据价值，解决具体的应用难题：基于ABB提供的来自真实工业场景的海量数据，综合利用机器学习、大数据预测等先进技术，分析设备数据间的关系，并在Python环境下自主开发和建立变频器核心元件IGBT的温度估测模型，对不同负载功率下IGBT的温度波动进行高精度、快响应的实时监测。模型的准确性和创新性是决定选手胜败的关键。

一等奖解决方案

目标变量分布分析

解决方案的模型框架

面对赛题所给出的海量低质数据，甘子毅、吴舜禹同学在与导师多次讨论后，决定以多工况为切入点，通过特征挖掘对IGBT运行工况进行划分，再对应设计不同复杂度的机器学习模型。实验结果表明，所提出的分解预测模型可以在大数据集中显著加快训练和推理速度，并同时兼顾了预测精度。

赛后，特邀专家与比赛评委团对赛题和一等奖作品做了多角度的点评与分析。

缪青海

中国科学院大学人工智能学院副教授

机器学习中，数据、算法是核心要素。数据分布的复杂性为模型架构的选择和后续训练带来挑战。针对‘变频器半导体温度预测’AI建模，上海交通大学参赛队利用行业领域先验知识，将数据依据工况分类，其本质上类似于将数据空间复杂流形进行分片，每一个分片是一个具有相对简单结构的子流形。在子流形上，可采用相对简单的模型即可取得理想的效果，训练变得更加容易，推理性能更加高效。通过引入领域知识对数据进行前处理，该方法有较好的普适性，在多个领域有较好的推广前景。

孟金磊、邢承彦、杨晓茹

ABB杯创新大赛评委团成员

ABB中国运动控制部技术专家

面向工业预测类算法场景，获奖选手对赛题理解深入、建模流程清晰，考虑了多工况下特征与预测目标之间关系的差异性，采用差分、组合、变换等特征工程方法，同时从机理角度提取关键特征，根据不同工况尝试不同复杂度的回归模型及集成学习方法，最终模型具备较高的鲁棒性和推理速度。

庞智博

ABB瑞典研究院资深主任科学家

瑞典皇家工学院KTH兼任教授

这次比赛的选题是AI在工业电子和自动化领域应用的热点和难点问题之一。经过近几年大量头部企业和学术团队的探索，大家的关注点已经从数据和模型的有无问题，转变为数据和模型的实用性问题，甚至是数据和模型的‘去粗存精’的问题。获奖团队采取了领域知识与AI建模深度融合的策略，完全符合行业的共识和趋势。进一步地，他们根据对电力电子器件工况的深入理解，有效化简了数据空间，提高了算法的精度和运行效率。这些进展，对解决这一大类工业数据和AI模型的去粗存精问题，都有启发意义。同时这个工作也完美地展示了，跨学科的知识结构和人才培养，对实现工业AI落地的重要性。

人工智能正在改变工业世界。通过人工智能挖掘数据价值、提供数据洞察，可用于优化工业流程，提高生产效率与产品质量，并加速工业绿色转型。目前，ABB有 130 多个以人工智能为重点的项目，在众多领域利用人工智能为客户提供支持、创造价值。