Industrie 4.0 : Un parc éolien saisit l’opportunité des innovations digitales

Les innovations digitales ont permis à un exploitant de parc éolien d’atteindre un double objectif :

• L’optimisation continue des paramètres de performance pour produire plus d’électricité.
• La réduction des coûts de maintenance par une prédiction des pannes, par la détermination de la durée de vie résiduelle des composants, par l’optimisation des plannings d’interventions et une maîtrise des dépenses futures.

Les technologies utilisées :

Premièrement, l’acquisition des données est un point essentiel. Tout d’abord, la fréquence d’échantillonnage doit être déterminée en fonction des objectifs recherchés et des contraintes techniques afin de garantir la pertinence des données. Ensuite, un prétraitement local peut s’avérer nécessaire lorsque l’envoi des données brutes ne se justifie pas. Cela concerne plus spécifiquement les mesures vibratoires et les analyses harmoniques des courants.

Deuxièmement, il s’avère généralement nécessaire de nettoyer les données, de compléter celles manquantes, de les synchroniser lorsque les fréquences de mesures sont différentes : typiquement 1 seconde pour les données SCADA, une dizaine de minutes pour les mesures vibratoires du côté de l’arbre lent de transmission et jusqu’à 6 heures pour les données météo. L’objectif est de garantir la pertinence du traitement ultérieur.  

Troisièmement, pour rendre ce traitement optimum, plusieurs modèles sont appliqués. Ceux-ci sont construits et validés au moyen de différentes approches de modélisation par exploitation des données historiques combinées à l’expertise maintenance et process :

• Une première approche est basée sur une combinaison d’alarmes, de données opérationnelles et de fréquences d’occurrences d’évènements mesurés par le SCADA.

• Une deuxième approche utilise des outils d’analytique tels que les arbres de décision, réseaux de neurones, modèles ISHM, etc.
• Une troisième approche est basée sur les lois physiques parmi lesquelles on peut citer les modèles météorologiques servant à construire les séries de vent, vitesse et direction autour de l’éolienne (en mode historique et prévisionnel) et les modèles de courbe de puissance (capacité de l’éolienne à récupérer l’énergie du vent) et de couple (efficacité de la transformation de l’énergie mécanique en énergie électrique).
• Une quatrième approche, dite hybride, est basée sur une combinaison des 3 précédentes. On peut citer notamment les modèles dérivés de la courbe de puissance et de la courbe de couple ainsi que les modèles de maintenance prédictive.

Quatrièmement, afin de restituer les informations exploitables fournies par les modèles, il est nécessaire de mettre en place des outils d’affichage tels que les tableaux de bords, les courbes de tendance et les graphes d’analyse croisée des données, et également un assistant conversationnel qui répond aux questions de l’utilisateur concernant l’état de ses machines.

Figure 1 : Pronostic de durée de vie résiduelle

Détection précoce des anomalies et pronostic

Les remplacements de gros composants engendrent des coûts importants, en termes d’intervention et de pertes de production. Mais la détection précoce des anomalies combinée au pronostic de durée de vie résiduelle permet d’une part de réduire les coûts d’interventions et, d’autre part de planifier celles-ci en période favorable. A titre d’exemple, un défaut sur le roulement principal a été détecté 1 an et demi avant qu’il ne génère des dommages sur les équipements périphériques. Cette détection a été obtenue grâce à un modèle hybride de vibration enrichi par des mesures SCADA. Le planning de l’intervention fut optimisé grâce au pronostic adaptatif de durée de vie résiduelle, calculé par un modèle hybride de prédiction de dégradation construit sur base des données historiques et sur les conseils d’experts en maintenance.

Identification des causes de dégradation de performance

Sur les éoliennes, les dégradations de performance ont de multiples origines comme, par exemple, le désalignement de la nacelle face au vent, l’érosion des pales, la perte d’efficacité de la génératrice, etc. L’identification de la cause de la dégradation nécessite généralement des campagnes spécifiques de mesures et/ou des inspections coûteuses. Grâce aux modèles hybrides, certaines dégradations peuvent être isolées et même évaluées en termes de perte de production et de correction nécessaire. Ce fut le cas pour une éolienne présentant un désalignement de nacelle. L’isolation de la cause et l’évaluation de la correction à apporter ont été obtenues en combinant des modèles hybrides de courbes de puissance et de couple. Après correction, l’amélioration moyenne de la production a été estimée à environ 15 %.