N-BIR: reducción del tiempo del ensayo de BURN-IN de convertidores electrónicos de potencia mediante optimización numérica
Palabras clave:
Predicción de temperatura de burn-in, reducción del tiempo de burn-in, Coste de energía nivelado, Machine Learning, convertidor electrónico de potencia, Fiabilidad.Resumen
El test de burn-in es un método efectivo para detectar fallos tempranos en productos electrónicos antes de que éstos lleguen al mercado. Este test tiene un alto coste por la duración de las pruebas en un banco de pruebas. En este trabajo proponemos NBIR (Numeric optimization approach for power electronic Burn-In test time Reduction), un algoritmo capaz de predecir la temperatura del test de burn-in de convertidores electrónicos de potencia, con la intención de acortar la duración de dichas pruebas. Este algoritmo optimiza por mínimos cuadrados un modelo teórico del sistema, utilizando como datos una fracción del ensayo total de burn-in. Además, no sólo es capaz de realizar predicciones precisas, sino que proporciona un intervalo de predicción, de modo que el propio algoritmo puede cuantificar el grado de seguridad de sus predicciones. Demostramos que utilizando el 40% del total de un test burn-in, el algoritmo propuesto supera a varios de los algoritmos de Machine Learning más habituales en la actualidad. Además, demostramos que puede reducir el tiempo de combustión entre un 50% y un 60% realizando predicciones precisas lo que permite identificar una gran parte de convertidores que no requieren llevar a cabo el test completo, lo que en última instancia reduce los costos y aumenta la productividad.
