Système de surveillance conditionnelle de turbines éoliennes déployable à l'échelle d'une flotte industrielle

Wind turbine condition monitoring system deployable on an industrial fleet scale

• Auteur / Autrice : Théodore Raymond
• Direction : Sylvie Charbonnier, Christophe Bérenguer
• Type : Thèse de doctorat
• Discipline(s) : Automatique et productique
• Date : Soutenance le 18/09/2024
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale électronique, électrotechnique, automatique, traitement du signal (Grenoble ; 199.-....)
• Partenaire(s) de recherche : Laboratoire : Grenoble Images parole signal automatique (2007-....) - Grenoble Images Parole Signal Automatique
• Jury : Président / Présidente : Louise Travé-Massuyès
• Jury : Examinateurs / Examinatrices : John Jairo Martinez Molina
• Jury : Rapporteur / Rapporteuse : Pierre Beauseroy, Antoine Picot

Mots clés

Mots clés contrôlés

Analyse des données

Entretien et réparations

Éoliennes

Systèmes linéaires à paramètres variants

Industrie éolienne

Mots clés libres

Éolienne

État de santé

Maintenance préventive conditionnelle

Modèles linéaires multi-Variés

Surveillance

Sélection de variables

Multivariate linear models

Monitoring

Health state

Wind turbine

Preventive condition-Based maintenance

Variable selection

Résumé

Notre objectif est de proposer un système de surveillance conditionnelle adapté à la maintenance d’une flotte de parcs éoliens.Nous adoptons une approche à base de résidus générés par des modèles de bon fonctionnement, appris sur des données SCADA acquises pendant des périodes sans défaut.Ces modèles prédisent l’évolution de la température des composants d’une nacelle d’éolienne dans le but de détecter des défauts à l’aide de résidus thermiques.Afin de générer des résidus dont les variations sont facilement interprétables par les opérateurs, nous faisons le choix d’utiliser des modèles simples, linéaires et statiques, composés d’un faible nombre d’entrées.Pour pouvoir déployer le système de surveillance à une flotte éolienne, celui-ci il doit pouvoir être appliqué à tout élément de la flotte d'éolienne considérée sans nécessité d'adaptation de la méthode, et tout en conservant des performances en détection acceptables.Par conséquence, les modèles sur lesquels s’appuie la création du résidu sont appris de manière automatique, à partir de données SCADA d’entrainement, afin de pouvoir être générés simplement pour tous les composants de n’importe quelle turbine d'une flotte d'éoliennes.La première partie de notre travail de recherche consiste ainsi à proposer une méthodologie de génération automatique de modèles linéaires et statiques par application d'un algorithme de sélection des variables d’entrée guidée par les données.Nous proposons plusieurs stratégies de détection de défaut dont nous comparons les performances selon un cahier des charges défini : l’une n’utilisant qu’un seul modèle linéaire et statique et l’autre combinant l’information issue d’un ensemble de modèles. Ces modèles simples permettent de générer des résidus adaptés à la détection de défaut et respectant les critères de performances en détection d’une application industrielle.A l’issue de cette analyse comparative, une stratégie de surveillance conditionnelle respectant le cahier des charges défini a été retenue : celle fondée sur la décision de détection majoritaire de l’ensemble de résidus générés à partir de ces modèles.Les modèles appris à partir de données enregistrées sur un parc éolien d’une certaine technologie peuvent être appliqués en conservant les mêmes performances de détection sur des parcs dont les éoliennes proviennent de la même technologie. Ce résultat permet de rendre l’analyse des résidus plus simple pour les opérateurs.Le processus de surveillance conditionnelle proposé a été implanté parmi les outils d'exploitation de l'entreprise au sein de laquelle les travaux de thèse ont été réalisés, et appliqué à la surveillance de la totalité des technologies turbine de sa flotte.Cette application en temps réel a permis la détection de plusieurs défauts en développement, qui ont pu être pris en charge par le service de maintenance de l'entreprise.

Our aim is to propose a condition monitoring system adapted to the maintenance of a fleet of wind farms.We adopt an approach based on residuals generated by good operation models, learned from SCADA data acquired during fault-free periods.These models predict the temperature evolution of wind turbine nacelle components, with the aim of detecting faults using thermal residuals.In order to generate residuals whose variations can be easily interpreted by operators, we have chosen to use simple, linear and static models, composed of a small number of inputs.In order to be able to deploy the monitoring system to a wind fleet, it must be possible to apply it to any element of the wind fleet considered, without the need to adapt the method, and while maintaining acceptable detection performance.Consequently, the models on which the residual is based are learned automatically, from SCADA drive data, so that they can be generated simply for all components of any turbine in a wind turbine fleet.The first part of our research work thus consists in proposing a methodology for the automatic generation of linear and static models by applying a data-driven input variable selection algorithm.We propose several fault detection strategies whose performance we compare according to defined specifications: one using a single linear and static model, and the other combining information from a set of models. These simple models are used to generate residuals suitable for fault detection and meeting the detection performance criteria of an industrial application.At the end of this comparative analysis, a conditional monitoring strategy meeting the defined specifications was selected: that based on the majority detection decision of the set of residuals generated from these models.Models learned from data recorded on a wind farm of a certain technology can be applied with the same detection performance to wind farms with turbines of the same technology. This result makes residual analysis simpler for operators.The proposed conditional monitoring process was implemented among the operating tools of the company where the thesis work was carried out, and applied to the monitoring of all the turbine technologies in its fleet.This real-time application led to the detection of several faults under development, which were then taken over by the company's maintenance department.Translated with DeepL.com (free version)