Cómo diagnosticar el envejecimiento de IGBT con solo 0.7 MB de memoria

La fiabilidad de los inversores trifásicos de fuente de voltaje es fundamental para los sistemas energéticos modernos. Estos componentes alimentan turbinas eólicas, granjas solares y vehículos aeroespaciales. Su estado depende por completo de seis transistores bipolares de puerta aislada o IGBT. La monitorización tradicional suele tratar al inversor como una unidad única. Este enfoque oculta qué interruptor específico se está degradando. Ese punto ciego puede provocar paradas no planificadas. Estas fallas cuestan millones en pérdida de generación. También comprometen la seguridad en sistemas de propulsión críticos.

Una nueva solución presenta CWT-MTNet. Esta red neuronal convolucional ligera y multi-tarea diagnostica el estado de envejecimiento de los seis interruptores a la vez. Utiliza únicamente una imagen como entrada. El proceso comienza transformando las señales de voltaje brutas en escalogramas de Transformada Wavelet Continua. Esto crea imágenes RGB de 224x224 píxeles. Cada canal representa un componente simétrico de la señal eléctrica. Esta codificación visual captura anomalías sutiles en el dominio tiempo-frecuencia. Detecta el levantamiento de hilos de unión y la fisura de uniones de soldadura mucho antes de que ocurra una falla total.

La arquitectura es notablemente eficiente. Contiene solo 172.000 parámetros. Ocupa apenas 0.7 MB de memoria. Esta huella compacta permite ejecutar el modelo directamente en microcontroladores integrados dentro de accionamientos industriales. No se requieren servidores de borde externos. Las actualizaciones de controlador dejan de ser necesarias. El modelo se entrenó desde cero con más de 15.000 escenarios simulados. Estos escenarios cubrieron todas las combinaciones posibles de estados de los interruptores.

CWT-MTNet alcanza una precisión del 98.15 por ciento. Su tasa de recuperación para casos leves es del 95.81 por ciento. Rinde a un nivel estadísticamente indistinguible de modelos más grandes como MobileNet-v2. Sin embargo, utiliza solo una veintena parte de los parámetros. El estudio destaca que el preentrenamiento con imágenes naturales perjudica el rendimiento. La falta de coincidencia de dominio reduce la efectividad. El entrenamiento desde cero resulta superior para este tipo de datos técnicos especializados.

Una innovación clave implica el uso de Convoluciones Separables por Profundidad o DS-Conv. Esta técnica evita el conflicto de gradientes. El conflicto de gradientes es un problema común en el aprendizaje multitarea. Las tareas competidoras pueden desestabilizar el modelo. Redes más profundas como ResNet-18 sufren caídas significativas de rendimiento al manejar seis predicciones simultáneas. CWT-MTNet se mantiene estable bajo estas condiciones. La investigación identifica sin embargo una restricción crítica. El sistema es vulnerable al ruido independiente de los sensores. La robustez en aplicaciones reales requiere promediado coherente. El frente de adquisición debe suprimir el ruido de banda ancha. Esto asegura que la firma del envejecimiento permanezca clara. Este avance marca un paso significativo hacia el mantenimiento predictivo. Es altamente preciso y computacionalmente viable para su despliegue industrial generalizado.