Prévoir à temps les défaillances des éoliennes
Un chercheur de la VUB a mis au point un système permettant de prévoir les pannes d'éoliennes dues à des défaillances précoces de composants. Il s'est spécialisé dans la maintenance conditionnelle. Les données générées par les capteurs de l'éolienne et l'intelligence artificielle permettent de surveiller l'état de la machine. "Si les opérateurs peuvent prévoir qu'une certaine pièce va tomber en panne, ils peuvent la remplacer lors de la maintenance normale afin que l'éolienne ne doive pas s'arrêter", explique Xavier Chesterman, qui a rédigé son doctorat sur le sujet.
En mer comme à terre
Les défaillances précoces des composants d'une éolienne, qui entraînent des temps d'arrêt, ont un impact sur la rentabilité. En moyenne, une éolienne offshore tombe en panne 8,3 fois par an. Certaines pièces, selon le type d'éolienne, sont susceptibles de tomber en panne. Il s'agit souvent du générateur, du multiplicateur ou des sous-composants de ces pièces, tels que les roulements et autres éléments mobiles.
Les temps d'arrêt coûtent cher aux exploitants, tant en mer qu'à terre. "Le remplacement de ces composants dans le cadre d'une maintenance normale peut réduire considérablement les coûts de maintenance et les temps d'arrêt", explique M. Chesterman. "Une méthodologie utile doit permettre de détecter les différents types de défaillance avant qu'ils ne se produisent effectivement. Elle doit non seulement permettre de détecter le moment où un composant commence à se comporter de manière étrange, mais aussi d'interpréter les schémas de comportement anormal et d'anticiper la défaillance."
Système de prédiction et de diagnostic automatique des pannes
Les capteurs mesurent un large éventail d'éléments sur une éolienne, tels que les vibrations, les hausses de température anormales et bien d'autres choses encore. L'objectif principal de la recherche était de développer un système automatique de prédiction et de diagnostic des pannes pour la chaîne cinématique des éoliennes. Pour ce faire, les données disponibles en standard ont été utilisées, à savoir le système SCADA (Supervisory Control And Data Acquisition) de 10 minutes et les données du journal d'état.
Le système de M. Chesterman devait être capable de prévoir à l'avance les défaillances et les erreurs de la chaîne cinématique des éoliennes grâce à l'analyse des signaux de température provenant de divers composants. "En outre, le système devait également être en mesure de déterminer le type de défaillance en fonction des schémas de comportement anormal de l'éolienne", explique M. Chesterman.
80 % de certitude
"Le système utilise l'intelligence artificielle, plus particulièrement l'apprentissage automatique et l'exploration de données. En effet, le volume de données rend l'analyse et l'interprétation des modèles plus difficiles pour les experts. Parfois, c'est une combinaison de différents signaux qui indique où la défaillance se produira".
Le système mis au point a été testé sur le terrain à partir de données provenant de trois parcs éoliens opérationnels en mer du Nord et en mer Baltique. "La validation a montré que la méthodologie de prédiction des défaillances la plus performante peut détecter certaines défaillances de manière précise et précoce, avec une certitude de 80 %."
M. Chesterman souhaite maintenant aller plus loin dans ses recherches postdoctorales. Il souhaite également appliquer son analyse de données à d'autres types de machines, telles que les compresseurs et les machines agricoles.
