Para lograr un rendimiento de control dinámico preciso, eficiente y alto de los motores eléctricos, se requiere información precisa de la tensión de fase. Sin embargo, medir las tensiones de fase de los motores eléctricos en línea es costoso y potencialmente contiene errores de medición, por lo que se estiman mediante modelos de inversores. En este documento, la idea es investigar si varios algoritmos de aprendizaje automático (ML) podrían utilizarse para estimar con alta precisión las tensiones medias de fase y los ciclos de trabajo del modelo de inversor de caja negra y el esquema de compensación de inversor de caja negra utilizando un conjunto de datos disponible públicamente. Inicialmente, se entrenaron y probaron nueve algoritmos de ML utilizando parámetros predeterminados. Luego, se desarrolló e implementó la búsqueda de hiperparámetros aleatorios junto con un procedimiento de validación cruzada de 5 pliegues en cada algoritmo de ML para encontrar los hiperparámetros que lograrán una alta precisión de estimación tanto en la parte de entrenamiento como en la de prueba de un conjunto de datos. Basándose en las precisión de estimación obtenidas, se eligieron los ocho algoritmos de ML de los nueve y se utilizaron para construir el conjunto de apilamiento. Los mejores valores de precisión de estimación media logrados con el conjunto de apilamiento en el modelo de inversor de caja negra son y , y en el caso del esquema de compensación de inversor de caja negra , y , respectivamente.