Maintenance prédictive pour éoliennes

Malgré tout l'espoir qu'elles représentent, les éoliennes (WTGs) soulèvent des défis qui exigent des solutions urgentes.

1. Des coûts de maintenance élevés : Jusqu'à 30 % du coût actualisé de l'énergie par kWh produit sur la durée de vie d'une éolienne peuvent être imputés à l'exploitation et à la maintenance.

2. Les temps d'arrêt : Une défaillance d'éolienne peut facilement entraîner un arrêt d'une semaine ou plus — avec les coûts d'immobilisation correspondants.

3. Des réparations complexes et chronophages : Le transport des pièces détachées est coûteux et, selon l'emplacement, n'est pas sans difficulté. L'acheminement prend souvent plus de temps que la réparation elle-même. On estime que plus de 70 % des temps d'arrêt des WTGs sont dus à des réparations non planifiées.

La détection précoce des défauts, l'optimisation de la maintenance et des réparations, ainsi que la prévention des arrêts sont donc des facteurs clés pour atteindre un ROI positif sur les éoliennes.

Mais comment les exploitants de parcs éoliens peuvent-ils détecter les dommages de manière fiable et à un stade précoce ?

La Solution : la Maintenance Prédictive par l'Intelligence Artificielle

Les informations approfondies sur la maintenance prédictive (PdM) dans l'éolien étant difficiles à trouver, nous avons décidé d'aborder les points suivants dans cet article :

• Périmètre et opportunités de l'intelligence artificielle (IA) dans la PdM

• Cas d'usage potentiels de la PdM basée sur l'IA

• Avantages pour les propriétaires

Vous recherchez des exemples concrets ? Nous partageons quatre études de cas tirées de notre pratique quotidienne dans ce livre blanc :

Définition de la Maintenance Prédictive pour les Éoliennes

La maintenance prédictive regroupe un ensemble d'activités permettant de détecter les évolutions de l'état physique des composants (signes de défaillance) afin d'engager des actions de maintenance au bon moment, de maximiser la durée de vie des composants et de réduire les temps d'arrêt.

La maintenance prédictive vise ainsi trois objectifs :

1. Allonger le temps de fonctionnement des éoliennes en régime normal, limiter les comportements anormaux et minimiser les temps d'arrêt
2. Prévenir les incidents majeurs coûteux, en prolongeant la durée de vie des composants individuels grâce à une intervention précoce
3. Suivre les mesures de réparation et évaluer leur taux de réussite

Les Défis de la Maintenance Prédictive en Pratique

Chaque éolienne se comporte différemment. Or, ces différences ne sont généralement pas prises en compte dans les analyses de maintenance prédictive.

Exemple : Supposons qu'un fabricant fixe la limite statique d'un rotor à 50°. Cette limite peut ne pas être atteinte en hiver, même si le composant surchauffe — par rapport à son comportement normal et attendu. Le signal d'alerte passera inaperçu si les facteurs externes (tels que la météo) ne sont pas intégrés dans l'analyse.

Les facteurs qui influencent le comportement individuel d'une WTG comprennent :

• L'emplacement — turbulences, ombrage, conditions météorologiques locales — influence, entre autres, le comportement individuel d'une WTG. Il en résulte des états d'usure différents pour les composants.
• Les composants installés : sur la durée de vie des éoliennes les plus anciennes notamment, différents composants peuvent être montés afin de réduire les coûts de réparation. Les capteurs peuvent donc être installés à des endroits différents. Par ailleurs, des lubrifiants et des huiles variés influencent le comportement thermique.
• Des interfaces de données diverses, des formats de données et des systèmes de contrôle différents.

C'est pourquoi les données des capteurs ne font généralement pas l'objet d'une surveillance adéquate dans les opérations quotidiennes (au-delà d'un suivi de performance de base). Les logiciels de gestion d'actifs actuels n'exploitent pas ces données, et celles-ci ne sont pas toujours enregistrées selon les prestataires. Il est difficile d'extraire des informations pertinentes de jeux de données manquants ou non homogènes à l'aide de méthodes statistiques simples. En conséquence, des dommages mineurs sur la chaîne cinématique peuvent évoluer en incidents majeurs au fil des années.

L'intelligence artificielle apprend le comportement normal de chaque éolienne et déclenche des alarmes en cas d'écarts

Les données des capteurs reflètent la réalité physique de chaque WTG à tout instant. Et les réseaux de neurones donnent du sens à ces données :

Les réseaux de neurones apprennent le comportement de chaque WTG individuellement au fil de l'année et déterminent ce qu'est un comportement normal. Ils comparent ensuite les mesures collectées au comportement prédit. Les algorithmes de détection peuvent ainsi identifier des anomalies — c'est-à-dire des écarts entre le comportement réel et le comportement simulé — à un stade précoce, permettant une intervention rapide et la prévention d'incidents majeurs sur les composants principaux.

Voici à quoi ressemble le processus d'apprentissage du comportement normal par WTG, par composant, ainsi que la détection des anomalies :

Cas d'Usage de la Maintenance Prédictive Basée sur l'IA

Chez Turbit, nous utilisons depuis longtemps l'IA pour la maintenance prédictive ainsi que pour l'optimisation des performances des parcs éoliens. Les enseignements suivants sont donc issus de nos nombreuses années d'expérience pratique. Les réseaux de neurones puisent leurs informations dans les données suivantes :

• Données SCADA

• Journaux de bord

• Rapports de maintenance

• Mises à jour logicielles

• Données LiDAR

• Données CMS

Une bonne qualité de données nous permet de détecter les évolutions du comportement de tous les composants principaux ainsi que des sous-systèmes adjacents. Voici un exemple tiré de l'expérience de l'un de nos clients.

Comment nous avons détecté à un stade précoce des dommages sur l'arbre principal

En octobre 2021, Turbit a émis une alarme en raison de températures excessives au niveau du palier principal. Après inspection sur site, il a été jugé nécessaire de remplacer le palier principal.

En janvier 2022, le palier principal a été remplacé. Le client a pu planifier cette réparation par grue plusieurs mois à l'avance. La détection précoce a permis de réduire les coûts, ce type de dommage conduisant fréquemment à des dégâts sur les composants principaux ou à des arrêts de plusieurs semaines — que le client a ainsi pu éviter.

Un aperçu des autres dommages détectés par Turbit :

• Diagnostic d'un générateur rodé

• Détection d'un sertissage défectueux dans le tube ondulé

• Mesure de températures élevées dans le roulement de générateur

• Filtres à air colmatés

• Joints d'huile défaillants

• Moteurs de pitch en surchauffe

Vous trouverez un aperçu détaillé incluant des données visualisées dans notre livre blanc consacré à ce sujet.

Conclusion : Avantages de la Maintenance Prédictive Basée sur l'IA pour les Exploitants de Parcs Éoliens

Les réseaux de neurones apprennent le comportement normal de chaque éolienne et simulent le comportement futur attendu. Le comportement simulé est ensuite comparé aux données réelles en temps réel. C'est ce qui rend possible une détection précoce et fiable des comportements anormaux pour chaque type d'éolienne.

La détection précoce des évolutions de l'état physique des composants génère trois avantages principaux :

• Prévention des incidents majeurs
• Réduction des temps d'arrêt
• Prolongation de la durée de vie des composants

Lorsque vous pouvez planifier les réparations à l'avance et ainsi les regrouper, vous réduisez les coûts de déplacement et de transport des pièces détachées. Et la clé d'une bonne surveillance par IA réside dans un jeu de données de haute qualité.

Vos données SCADA sont-elles exploitables ?

La première étape vers la maintenance prédictive est un contrôle des données permettant d'évaluer leur qualité. Pour une première estimation, vous n'avez besoin que d'un simple extrait SCADA issu de votre système de gestion des opérations.

Envoyez-nous un e-mail accompagné d'un court extrait SCADA (une semaine) à datacheck@turbit.de

Nous vous répondrons avec une évaluation des options de surveillance par IA en fonction de vos données.