La integración de nuevas tecnologías electrónicas en la máquina herramienta es clave para la competitividad. En el caso del control numérico por computador y la electrónica de potencia son esenciales el modelado, los gemelos digitales y la toma de decisión basada en IA. Una predicción confiable de la vida Útil restante de componentes electrónicos críticos, como los SiC MOSFET y los condensadores, es necesaria para mejorar los servicios de postventa y prevenir fallos que conducen a paradas imprevistas en las máquinas herramientas. Recientemente, se han utilizado diversas técnicas de aprendizaje automático para esta tarea. Sin embargo, generalmente se centran en capturar las dependencias temporales o en representar la naturaleza probabilística del proceso de degradación del dispositivo. En este trabajo se hace una revisión de las técnicas de IA que están siendo aplicadas a la predicción de la vida útil de componentes electrónicos claves. Además, en este trabajo se propone una arquitectura que combina Transformers con LSTM. El modelo propuesto fue entrenado y evaluado utilizando un conjunto de datos reales de SiC MOSFET, demostrando una alta capacidad para predecir la Vida Útil Restante de los dispositivos de validación. Además de la buena precisión obtenida, las características de la salida de la red también facilitaron la toma de decisiones.
