Dónde ayuda la IA en electrónica de potencia: un mapa para empezar

La IA puede ayudar a explorar muchos diseños, aproximar un cálculo lento o detectar un patrón en las medidas. No conoce la física de tu convertidor a menos que esa física forme parte de la tarea y se contraste con evidencia. La pregunta útil es: ¿qué decisión mejoraría si pudieras obtener una estimación fiable o detectar un patrón desconocido?

Primero, ¿qué significa «IA» aquí?

En este artículo, IA significa sobre todo aprendizaje automático: un programa aprende una relación a partir de ejemplos. La entrada puede ser corriente, frecuencia de conmutación, geometría o una forma de onda. La salida deseada puede ser una pérdida en vatios, una temperatura en °C o una etiqueta de fallo. Imagina cada fila de datos como el registro de una prueba conocida: condiciones de funcionamiento, ajustes del diseño y resultado observado. Muchos registros así pueden mostrar relaciones difíciles de expresar con una sola ecuación sencilla.

El ingeniero sigue eligiendo la pregunta, el cálculo o la medida de referencia, el error admisible y qué hacer si la respuesta es incierta. Un modelo que estima temperatura responde una pregunta distinta de otro que identifica un posible fallo; necesitan ejemplos y comprobaciones diferentes.

Esto es distinto de pedir a un asistente de lenguaje que explique una hoja de datos. Una explicación generada puede ahorrar tiempo de lectura, pero hay que contrastarla con la hoja original y las condiciones de diseño antes de utilizarla para elegir un componente.

1. Explorar diseños candidatos

Un convertidor tiene objetivos que compiten entre sí: eficiencia, rizado, temperatura, volumen, coste y solicitaciones. La IA puede ayudar a ordenar candidatos dentro de restricciones definidas por el ingeniero. En un estudio publicado, los investigadores usaron datos de simulación, una red neuronal y un algoritmo de optimización para escoger parámetros de un buck síncrono de 48 V a 12 V; también comunicaron ensayos de hardware para ese caso concreto. Esto muestra la posibilidad de asistir al diseño, pero no aprueba automáticamente otros convertidores buck. Leer el estudio original ↗.

Una primera pregunta útil es pequeña: «¿Qué combinaciones de inductancia y frecuencia de conmutación merece la pena simular con más detalle?». La salida es una lista de candidatos. La simulación del circuito, las comprobaciones térmicas, las tolerancias y las medidas del prototipo siguen determinando si el diseño es aceptable.

Imagina un buck con rangos definidos de tensión de entrada y carga, y una tensión de salida especificada. Cada registro candidato puede contener la inductancia, la frecuencia de conmutación y el componente elegido. Los resultados de referencia pueden incluir rizado, pérdidas estimadas y el punto de funcionamiento más caliente de la simulación. El método de búsqueda puede proponer combinaciones que cumplan los límites establecidos y merezcan un estudio más detallado. Si ninguna los cumple, también es información útil: quizá haya que revisar las restricciones o los componentes disponibles.

La salida útil es una lista corta con motivos: qué límite se aproxima en cada candidato, qué puntos de funcionamiento se han comprobado y qué simulaciones faltan. El mejor diseño a tensión de entrada y carga nominales puede comportarse mal con tensión mínima de entrada, plena carga, arranque o temperatura ambiente alta. Esas condiciones forman parte de la revisión del ingeniero antes de escoger un diseño.

2. Estimar un resultado de simulación lento

Un modelo sustituto aprende a aproximar una simulación costosa. Por ejemplo, se pueden simular varias geometrías de disipador, entrenar un modelo más rápido para estimar un resultado térmico y evaluar así más geometrías. Un estudio sobre disipadores de módulos IGBT empleó un sustituto polinómico durante la optimización en lugar de repetir todas las simulaciones de dinámica de fluidos y evaluó su precisión e incertidumbre en ese contexto. Leer el estudio original sobre disipadores ↗.

Aquí las entradas pueden ser dimensiones, materiales, potencia disipada y condiciones de refrigeración; el objetivo podría ser la temperatura máxima devuelta por la simulación térmica detallada. El modelo permite obtener una estimación rápida mientras se explora la misma región de diseño. Así, el ingeniero puede reservar las simulaciones lentas para los candidatos cercanos al límite térmico, las predicciones sorprendentes y las decisiones finales. Para esta tarea, las simulaciones de referencia siguen siendo la evidencia con la que se compara el modelo.

Antes de entrenar nada, representa la relación conocida más sencilla. Este ejemplo didáctico usa la ecuación de pérdidas por conducción P = I²R con una resistencia fija de 0.20 Ω. A 2 A da 0.8 W; a 4 A da 3.2 W. La curva es un cálculo, no una predicción de IA ni una medida de un dispositivo. La resistencia real cambia con la temperatura y el convertidor completo tiene otras pérdidas.

Si un modelo no mejora una referencia de ingeniería útil en condiciones no vistas, su complejidad adicional aún no se justifica.

Una comprobación de aceptación debe preguntar dónde aparecen los errores, no solo cuál es el error medio. Reserva geometrías completas o familias de dispositivos para la prueba y representa predicción menos simulación frente a potencia y geometría. Si el modelo funciona bien en el centro del espacio de diseño pero falla en los candidatos más calientes, no sirve para filtrar según un límite de temperatura. Fuera del rango comprobado, el procedimiento debe pedir otra simulación en lugar de devolver una cifra de apariencia segura.

3. Revisar formas de onda ante posibles fallos

Las formas de onda de corriente y tensión pueden contener patrones asociados a cambios de funcionamiento o fallos. Un modelo puede señalar o clasificar un patrón para su revisión. Una investigación sobre fallos de circuito abierto en IGBT de inversores trifásicos utilizó corrientes de fase e incluyó pruebas fuera de línea y experimentos en tiempo real. Los autores también explican por qué un modelo entrenado con un convertidor puede no funcionar bien en otro con parámetros distintos. Leer el estudio original sobre diagnóstico ↗.

El ingeniero debe preguntar qué se registró realmente: topología, carga, tensión de entrada, temperatura, frecuencia de muestreo, posición del sensor y si el ejemplo procede de simulación o hardware. Una etiqueta de «fallo» sin ese contexto es evidencia débil. Una alerta debe conducir a una comprobación de ingeniería definida, no directamente a una reparación o acción de control.

Para empezar, plantea una pregunta estrecha: por ejemplo, si un conjunto de corrientes de fase simuladas se parece a los casos normales definidos. Conserva el punto de funcionamiento junto a cada forma de onda. La salida puede ser normal, revisar o desconocido; no hay que forzar una señal nueva dentro de una clase de fallo conocida. Esto ayuda cuando el ingeniero tiene muchos registros que revisar, siempre que la lista de revisión siga siendo manejable.

Evalúa los errores que importan. Una falsa alarma consume tiempo de investigación; pasar por alto un fallo puede tener otra consecuencia. Prueba ejecuciones completas o unidades de convertidor que no se usaron al entrenar y examina las señales de los casos equivocados. Un cambio de escala del sensor, de modo de control o de carga puede parecer un fallo a un modelo que nunca lo ha visto.

4. Seguir los cambios con el tiempo

Las medidas repetidas pueden ayudar a descubrir una deriva: por ejemplo, una subida de temperatura con carga y condiciones ambientales comparables. La IA puede ayudar a distinguir un cambio que merece investigación de la variación normal. Un estudio sobre inversores fotovoltaicos entrenó y probó un modelo de pronóstico de fallos con medidas de campo que incluían factores de funcionamiento y meteorológicos. Es evidencia para los inversores estudiados; en otros equipos, el historial temporal, la calidad de los sensores y las etiquetas de fallo reales determinan si es posible obtener una alerta útil. Leer el estudio original con medidas de campo ↗.

Supón que un inversor registra cada día la temperatura del disipador. Comparar el valor de hoy con el de ayer puede inducir a error si han cambiado la carga y la temperatura ambiente. Un seguimiento útil compara condiciones similares a lo largo del tiempo y registra si un cambio persiste. Puede mostrar una tendencia y proponer que se revisen la refrigeración, los sensores o el historial de funcionamiento. La primera acción es comprobar la observación y su contexto: un problema del sensor o un nuevo horario de funcionamiento también pueden producir un patrón distinto.

Hay una gran diferencia entre decir «este comportamiento merece inspección» y predecir la vida restante. Para lo segundo hacen falta historiales de fallo fiables, un horizonte de predicción definido y una evaluación de las alertas omitidas y prematuras. Si no existen esos registros, empieza por la pregunta más acotada de seguimiento.

Dos gráficas y lo que no demuestran

La siguiente gráfica es otra referencia didáctica calculada. Para un buck ideal con Vin = 24 V, Vout = 12 V, L = 100 µH y D = Vout/Vin = 0.5, el rizado aproximado de corriente del inductor es ΔI = (Vin − Vout)D/(L f). Baja de 1.2 A a 50 kHz a 0.3 A a 200 kHz. Se omiten deliberadamente las pérdidas de conmutación, las pérdidas magnéticas, el comportamiento del control, los parásitos y los límites de los componentes. Ayuda a plantear la pregunta; por sí sola no permite elegir la frecuencia.

Estas gráficas muestran por qué un modelo necesita una referencia. Puedes usar ecuaciones donde sean aplicables, simulaciones para estudiar lo que omiten y medidas para comprobar la unidad física. Un modelo entrenado solo es una herramienta adicional si ayuda a tomar la decisión real.

Por ejemplo, reducir el rizado calculado aumentando la frecuencia de conmutación no indica qué ocurrió con las pérdidas de conmutación o la temperatura. Esa interacción que falta es una buena razón para reunir datos simulados o medidos y probar un modelo. La propia gráfica es la primera comprobación: cualquier resultado propuesto debe seguir siendo físicamente plausible junto a ella.

Una primera prueba segura

1. Escoge una pregunta. Por ejemplo, estimar pérdidas por conducción en un rango de corriente definido o señalar un patrón de onda simulado y bien descrito. Escribe qué decisión cambiaría gracias a la respuesta. Un objetivo vago como «usar IA para mejorar el convertidor» es demasiado amplio para evaluarlo.
2. Nombra la referencia. Indica si la respuesta procede de una ecuación, un modelo de simulación concreto o una medida. Anota unidades, condiciones de funcionamiento y origen de cada fila. Una etiqueta simulada y otra medida deben poder distinguirse.
3. Construye la referencia sencilla. Utiliza la ecuación existente, una regla clara o una interpolación simple. Representa primero su salida y anota dónde deja de ser aplicable. Así tendrás una comparación útil para el modelo y detectarás errores evidentes en los datos antes de entrenar.
4. Reserva casos realmente nuevos. Prueba condiciones que el modelo no haya aprendido. Si varias filas proceden de un mismo convertidor, mantenlas juntas al separar los datos; para una tendencia temporal, reserva observaciones posteriores. La guía oficial de scikit-learn ↗ explica por qué evaluar con los datos de entrenamiento exagera el rendimiento y cuándo importan las particiones por grupos o por tiempo.
5. Inspecciona los errores y decide una acción. Representa los errores frente a corriente, temperatura, punto de funcionamiento o familia de dispositivos. Comprueba los peores casos relevantes además del promedio. Define cuándo usar la estimación, pedir una simulación o medida, o detenerte. El resultado final de esta prueba es esa regla de decisión y la evidencia que la respalda.