Aprendizaje automático para electrónica de potencia: un flujo práctico de modelos sustitutos

Empieza por la decisión de ingeniería

«Usar aprendizaje automático para este convertidor» no es una especificación. Indica primero qué puede estimar el modelo, qué entradas existen antes de la decisión, sus unidades, el error aceptable y qué ocurre tras un aviso o una abstención.

• Decisión: por ejemplo, qué candidatos merecen una simulación detallada.
• Objetivo: una magnitud medible, como las pérdidas o la corriente de rizado.
• Referencia: ecuación, simulador o medición utilizados para crear la etiqueta.
• Autoridad: el método que debe volver a comprobar un diseño preseleccionado.

Define el espacio de diseño antes de muestrearlo

Registra la topología, la identidad de los componentes, las variables de operación, las unidades y los intervalos válidos. El número de filas dice poco sin cobertura: 100.000 puntos concentrados pueden contener menos información útil que 10.000 puntos distribuidos por las regiones que afectan a la decisión.

Usa un plan que cubra el espacio cuando proceda, conserva los casos límite y separa los fallos del solver de los rechazos eléctricos. Un timeout no es un convertidor sin pérdidas y nunca debe codificarse como tal.

Crea datos trazables

Etiqueta cada conjunto de datos como sintético, simulado o medido. Conserva la versión de la fuente, el plan de muestreo, las unidades, el estado de convergencia y un identificador de diseño o campaña. Esos campos determinan qué puede respaldar el resultado final de validación.

Mantén una referencia física junto al modelo

Compara el sustituto con el método creíble más sencillo en los mismos casos sin tocar. Si una ecuación ya es rápida y suficientemente precisa, sustituirla por un modelo aprendido añade mantenimiento sin valor de ingeniería. El sustituto solo se gana un papel cuando mejora un coste definido y mantiene la validación y la revisión.

Valida casos independientes, no contexto duplicado

Una partición aleatoria por filas es útil para una demostración sintética independiente. Puede ser engañosa cuando varias filas proceden del mismo diseño físico, componente o campaña de simulación. En ese caso, aparta grupos completos y declara la regla de agrupación.

• Informa por separado de cada objetivo: R², MAE, RMSE, MAPE y un error de percentil alto.
• Examina los residuos y los peores casos en las regiones de tensión, carga, frecuencia y componentes.
• Conserva una población de prueba final después de fijar las decisiones del método.
• Llama a una comprobación mín./máx. «dentro de los límites de entrenamiento», no prueba de que una entrada pertenezca a la distribución.

Comprueba si más datos representativos siguen ayudando

Entrena con subconjuntos anidados manteniendo invariable el conjunto de prueba. Si el error sigue bajando con el mayor tamaño, pueden ayudar más casos representativos. Si se estabiliza por encima de la precisión requerida, examina entradas ausentes, cambios de régimen, etiquetas ruidosas o sesgo del modelo antes de generar más filas de la misma distribución.

Usa una implantación por etapas

1. Reproduce el método localmente con un conjunto de datos versionado y una semilla fija.
2. Muestra la evidencia de validación, curva de aprendizaje y fallos.
3. Ofrece un modo navegador para conjuntos acotados y un modo local completo para campañas grandes.
4. Filtra diseños candidatos con el sustituto y después vuelve a comprobarlos en la fuente que gobierna el proceso.
5. Avanza hacia el hardware únicamente mediante un programa de validación explícitamente separado.

Aplica el flujo a un convertidor Buck

El caso público del Buck usa cinco entradas de operación y diseño para estimar las pérdidas totales y el rizado de corriente del inductor. Sus ecuaciones incluidas hacen reproducible cada paso; el mismo contrato CSV puede recibir después datos de simulador o laboratorio de mayor fidelidad sin fingir que esas fuentes son equivalentes.