Please use this identifier to cite or link to this item:
https://rinacional.tecnm.mx/jspui/handle/TecNM/9806| Title: | Estudio de la redundancia física en convertidores multinivel en cascada integrando redes neuronales |
| Authors: | Pérez Juárez, Luis Gerardo |
| metadata.dc.subject.other: | Convertidores multinivel en cascada, redes neuronales artificiales, redundancia física, dispositivos semiconductores. |
| Issue Date: | 2025-03-12 |
| Publisher: | Tecnológico Nacional de México |
| metadata.dc.publisher.tecnm: | Centro Nacional de Investigación y Desarrollo Tecnológico |
| Description: | Los convertidores multinivel en cascada son sistemas avanzados utilizados en aplicaciones de alta potencia y precisión, como el control de motores y la generación de energía. Estos convertidores se componen de múltiples etapas que permiten mejorar la calidad de la señal y aumentar la eficiencia energética. Sin embargo, su complejidad también los hace vulnerables a fallas en sus componentes, lo que puede afectar el rendimiento y la continuidad operativa. El diagnóstico de fallas es crucial para mantener la fiabilidad de estos sistemas. Las redes neuronales artificiales (ANN) juegan un papel fundamental en este proceso, ya que permiten identificar y localizar fallas de manera rápida y precisa. Las ANN son capaces de aprender a partir de datos históricos y patrones de operación, lo que elimina la necesidad de diseñar manualmente algoritmos de diagnóstico. Su capacidad de detectar anomalías en tiempo real hace que sean una herramienta poderosa para el monitoreo de convertidores multinivel. En este trabajo de tesis se diseñó una ANN para detectar fallas de circuito abierto dentro de un convertidor multinivel en cascada de 7 niveles. Una vez detectada una falla, la reconfiguración del sistema es necesaria para restablecer el funcionamiento normal. En este contexto, la redundancia física es empleada para garantizar la continuidad operativa. La redundancia implica el uso de componentes adicionales o rutas alternativas que pueden asumir el rol de los componentes fallidos, minimizando el impacto en el sistema. La ANN no solo ayuda a detectar la falla, sino que también apoya el proceso de reconfiguración automática, guiando la activación de componentes redundantes de manera eficiente. De esta forma, se asegura que el sistema mantenga su operación sin interrupciones significativas, optimizando tanto el diagnóstico como la respuesta ante fallas. |
| metadata.dc.type: | info:eu-repo/semantics/masterThesis |
| Appears in Collections: | Tesis de Maestría en Ingeniería Electrónica |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| ME_Luis_Gerardo_Perez_Juarez_2025.pdf | Tesis | 1.98 MB | Adobe PDF | View/Open |
| ME_Luis_Gerardo_Perez_Juarez_c.pdf Restricted Access | Cesión de derechos | 228.15 kB | Adobe PDF | View/Open Request a copy |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
