Défaut d'enroulement du générateur
Les anomalies de température de l'enroulement statorique constituent l'une des signatures SCADA les plus claires d'une défaillance électrique du générateur — généralement une défaillance du convertisseur de fréquence, une dégradation de l'isolation, un problème de système de refroidissement, ou un court-circuit naissant entre spires. La détection précoce transforme un rembobinage d'urgence coûteux en un remplacement planifié du convertisseur.
Reviewed by Michael Tegtmeier, Founder & Managing Director · Last reviewed: May 10, 2026
Ce qui se produit
Les bobinages du stator du générateur convertissent le couple du rotor en puissance électrique ; leur température est déterminée par la charge du courant, les performances du système de refroidissement et l'état de l'isolation. Lorsqu'un problème électrique survient — une panne d'IGBT dans le convertisseur de fréquence, une rupture d'isolation entre spires, une défaillance du ventilateur de refroidissement, ou une déclassification prolongée qui charge asymétriquement les bobinages — les températures des bobinages montent au-delà de ce que la vitesse du vent et la puissance générée peuvent expliquer, souvent accompagnées d'une instabilité ou d'un écrêtage simultané de la puissance de sortie. Détecter cet écart par rapport à la température attendue par le modèle offre plusieurs mois de temps de planification.
Signaux d'alerte
Les températures du bobinage stator dépassent l'enveloppe attendue par le modèle à un point de fonctionnement vent/puissance donné.[1,2]
La puissance de sortie devient instable — fluctuant entre la consigne nominale et des consignes inférieures — ou la turbine est silencieusement déclassée par le système de contrôle.[1,3]
Les températures du système de refroidissement (caloporteur, sortie ambiante) évoluent en parallèle.[2]
Les modèles de codes d'état changent : davantage d'événements de déclassement, davantage d'avertissements du convertisseur de fréquence.[3]
Causes racines
- Défaillances du convertisseur de fréquence (IGBT) causant un chargement de phase irrégulier et une surchauffe excessive du bobinage.[1,3]
- Dégradation de l'isolation — humidité, décharge partielle, vieillissement thermique — conduisant à des courts-circuits entre spires ou spire-à-masse.[2,4]
- Défaillances du système de refroidissement — radiateurs obstrués, ventilateurs défaillants, débit faible du caloporteur.[2]
- Fonctionnement en dehors de l'enveloppe de conception — fonctionnement prolongé à température excessive ou contact insuffisant des bagues collectrices dans les générateurs DFIG.[3]
Comment Turbit détecte cette défaillance
Des réseaux de neurones par turbine apprennent le comportement normal de la température du bobinage de chaque générateur en fonction de la vitesse du vent, de la puissance, de la température ambiante et des conditions du réseau. Les écarts par rapport à la valeur prédite détectent les défaillances électriques en développement plusieurs mois avant que les codes d'état n'escaladent vers un arrêt forcé. La couche de prédiction de pertinence corrèle les anomalies de température du bobinage avec les codes d'état du convertisseur de fréquence pour indiquer la cause profonde la plus probable.
Depuis la flotte Turbit
Les anomalies de température du bobinage générateur détectées dans la flotte Turbit se résolvent généralement selon trois causes — défaillances du convertisseur de fréquence, problèmes du système de refroidissement ou dégradation de l'isolation — à peu près dans cet ordre de fréquence. Les délais de détection à résolution dépendent de la disponibilité des pièces pour le convertisseur ou le composant de refroidissement, mais l'étape détection-IA-à-OEM-mobilisé est régulièrement inférieure à un mois.
Sur un portefeuille de 50 turbines, l'échange de convertisseur typique coûte 30–60 k€. Détecter la défaillance en développement alors que la turbine produit encore — plutôt qu'après un arrêt forcé — est la différence entre un échange planifié et une urgence avec grue et équipe.
Références
- Fault detection of a wind turbine generator bearing using interpretable machine learning — Frontiers in Energy Research (2023)
- Wind turbine generator failure analysis and fault diagnosis: A review — Liu et al. (2024)DOI: 10.1049/rpg2.13104
- Wind Turbine Generator Reliability Analysis To Reduce Operations and Maintenance Costs — NREL (2023)
- Surveillance et identification des défauts de roulement de génératrice d'éolienne à l'aide de réseaux de croyance profonds et de cartes de contrôle EWMA — Frontiers in Energy Research (2021)
Découvrez Turbit sur votre parc
Testez Turbit en rétrospective sur les éoliennes où vous savez déjà qu'il s'est passé quelque chose — ou découvrez comment des exploitants comme VSB, Energiequelle, Enercity et Teut utilisent Turbit sur leurs parcs aujourd'hui.