MAINTENANCE PRÉDICTIVE ET IA POUR LE SUIVI DES TURBINES ÉOLIENNES
L’étude de cas suivante propose un exemple d’application de maintenance prédictive via IA pour le suivi des turbines éoliennes.
Les grandes entreprises de production doivent toutes optimiser leurs frais de maintenance et garantir simultanément la fiabilité de leur installation.
L’approche de la maintenance planifiée, même si elle permet toujours d’éviter les défaillances inattendues, n’est pas toujours efficace en termes de coûts. L’évolution de la maintenance consiste dans la maintenance conditionnelle et la maintenance prédictive. Cette modalité est renforcée et rendue plus flexible et applicable grâce aux algorithmes de machine learning.
Grâce aux modèles alignés pour identifier les comportements anormaux, le machine learning peut prévenir les défaillances avant que ces dernières n’entraînent un arrêt de production ou une rupture de l’installation.
PROFIL DU CLIENT
Le client ayant appliqué la solution prédictive de MIPU est une grosse entreprise du domaine de l’énergie comptant 7 parcs d’éoliennes en exploitation d’une capacité globale de 368 MW bruts.
MIPU a développé et mis en œuvre une solution de suivi et de contrôle de l’état de santé du parc d’éoliennes du client via modélisation de plusieurs paramètres de processus, et permis ainsi d’éviter les anomalies de deux des principaux composants de la turbine éolienne.
EXIGENCES DU CLIENT
Participant directement à la maintenance des turbines éoliennes et très intéressé à l’optimisation de leurs performances, le client a reconnu l’utilité de disposer d’une solution pouvant déceler les changements anormaux de comportement de la turbine éolienne.
L’objectif est de pouvoir intervenir de manière anticipée et d’éviter ainsi les pannes et les arrêts de production portant à une solution d’urgence du problème, et d’éviter également d’appliquer un calendrier de maintenance préventive rigide prévoyant une série de complications liées à la structure même de l’actif.
LA SOLUTION MIPU
MIPU développe des modèles prédictifs dans le domaine du suivi et du contrôle énergétique et de la maintenance depuis 2008, grâce aux développements d’instruments logiciels permettant l’intégration et l’automatisation du flux de données de terrain et la formation industrielle de ses ingénieurs.
MIPU a donc collecté les données clients et évalué leurs qualités et potentialités lors d’une étude préliminaire de cohérence et corrélation.
L’analyse de l’installation, effectuée aux côtés des techniciens et des responsables de production de l’entreprise, a permis de définir les principaux modèles à implémenter en vue de l’optimisation du contrôle et de la maintenance. Le modèle de contrôle de l’état de santé des composants gearbox et slip ring a entre autres été défini.
MAINTENANCE PRÉDICTIVE ET IA
L’algorithme appliqué au modèle est un réseau neuronal artificiel feedforward structuré selon des unités de calcul nommées neurones lesquelles, une fois reliées les unes aux autres, sont en mesure de représenter et de généraliser le comportement de systèmes haute complexité non linéaires.
Les modèles identifiés ont été projetés en fonction des paramètres disponibles pour prévoir l’état de santé des deux composants, représenté par un paramètre spécial dont tout écart avec les attentes indique une anomalie de comportement.
Le schéma ci-dessous représente en détail les paramètres identifiés pour la prévision.
Les modèles, statistiquement validés en fonction des métriques indiquant leur fiabilité, ont été appliqués aux données historiques pour vérifier leur sensibilité aux pannes ou anomalies.
Le modèle de gearbox, appliqué aux données historiques ayant enregistré une défaillance du composant, a indiqué un changement de comportement lors de l’intervention de maintenance, anticipé sur les instruments disponibles pour la prévention des anomalies.
De même, le modèle appliqué au slip ring a décelé un second changement de comportement correspondant à une anomalie décelée et enregistrée dans l’historique des interventions d’entretien.
RÉSULTATS
Dans les deux cas, le modèle a décelé plusieurs mois à l’avance l’anomalie ayant ensuite évolué en défaillance.
Appliqué en temps réel, le système est donc en mesure de déceler les situations à risque, lesquelles doivent être gérées suffisamment à l’avance afin de garantir l’organisation de l’équipe de maintenance.
