En cours

REWIND | Maintenance opérationnelle en éolien

Région:

Bruxelles

Financé par

Le projet REWIND a pour but d’accroître la productivité et l’intelligence des processus de production d’énergie éolienne par une optimisation à l’aide de techniques de monitorage et de modélisation basées sur l’intelligence artificielle (IA) et sur des dispositifs de jumeau numérique. Pour cela, les partenaires au projet travailleront à l’enrichissement de données afin de produire des vérités terrain annotées et associeront des solutions IA de monitorage opérationnel de données provenant de parcs éoliens à une chaîne multiscalaire de modélisation des ressources éoliennes afin d’obtenir un outil avancé de détection d’erreurs et de diagnostic, dans le but d’améliorer les capacités en maintenance prédictive. Le dispositif permettra de définir des KPI plus pertinents pour soutenir le processus de prise de décision des opérateurs de parcs éoliens.

Contexte

Les besoins en monitorage et en diagnostic des parcs éoliens deviennent plus complexes et exigeants d’année en année. Aujourd’hui, la sous-performance des éoliennes se détecte et s’évalue généralement selon une approche semi-manuelle en suivant un schéma descendant, à savoir parc global, site, machine. De ce fait, l’analyse et le diagnostic d’erreurs basé sur le monitorage sont coûteux en temps, conditionnés à un savoir d’expert et souvent peu précis. Dans ces conditions, de nombreux cas de sous-performance et dysfonctionnement peuvent rester ignorés, faire l’objet d’un diagnostic erroné ou ne pas être rapportés à leur cause profonde.

Ces limitations s’expliquent largement par une automatisation peu poussée – domaine dans lequel l’IA peut s’avérer utile. L’AI peut aider à déduire des conclusions judicieuses et compréhensibles à partir de données collectées sur la machinerie complexe d’une éolienne, caractérisée par un grand nombre d’interactions non linéaires de nature mécanique, électrique et thermique. Toutefois, le manque de vérités terrain de qualité permettant l’entraînement et l’évaluation des modèles IA constitue un problème à cet égard. En particulier, ce manque de données annotées et fiables a pour conséquence qu’il est impossible actuellement aux solutions IA de fournir des quantifications fines et des résultats réalistes en termes de précision du diagnostic et de niveau de confiance.

Objectif

Le projet conduira à la mise au point d’outils et de ressources intelligentes en vue de l’optimisation opérationnelle de parcs éoliens terrestres et marins à l’aide de dispositifs automatiques de détection d’erreurs et de diagnostic avancé, permettant une réduction des risques et de meilleures décisions. Les solutions envisagées comprennent notamment un service virtuel de mât météo, la détection d’anomalies des capteurs, l’analyse des défauts d’alignement de lacet et d’inclinaison des pales, la détection des erreurs de transmission, la quantification des dégradations des performances et l’estimation de la durée de vie restante des composants. Dans le cadre de ce projet, ces solutions seront validées dans un environnement pertinent pour l’industrie (TRL5).

Approche

Nous réaliserons ce projet en nous reposant sur un accès direct à plus de 15 GW de données de monitorage provenant de parcs éoliens en exploitation, collectées via SynaptiQ, la plate-forme de monitorage et de gestion d’actifs de 3E à laquelle sont connectés plus de 10 000 parcs éoliens et solaires. De plus, la collaboration d’un Comité d’utilisateurs, rassemblant des clients choisis de 3E, permettra de disposer d’un éclairage supplémentaire et informé sur certaines questions techniques, de même que d’un accès à de précieuses données d’exploitation/entretien et de terrain, qui viendront enrichir et donner un surcroît de valeur aux données de monitorage.