Développement et optimisation de stratégies intégrées de maintenance pour les éoliennes.

Development and optimization of integrated maintenance strategies for wind turbines.

• Auteur / Autrice : Yazid Aafif
• Direction : Sofiene Dellagi, Jérémie Schutz
• Type : Projet de thèse
• Discipline(s) : Automatique, Traitement du signal et des images, Génie informatique
• Date : Inscription en doctorat le ; Soutenance le 17/11/2025
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES
• Partenaire(s) de recherche : Laboratoire : LGIPM - Laboratoire de Génie Informatique, de Production et de Maintenance
• Jury : Président / Présidente : Abderrahmane El mhamedi
• Jury : Examinateurs / Examinatrices : Sofiene Dellagi, Zineb Simeu-abazi, Anis Chelbi, Amal Gouiaa mtibaa, Nadia Hamani, Jérémie Schutz, Lahcen Mifdal
• Jury : Rapporteurs / Rapporteuses : Abderrahmane El mhamedi, Zineb Simeu-abazi

Mots clés

Mots clés libres

Stratégies de maintenance

Maintenance préventive imparfait

Boîte de vitesses d'éolienne

Maching Learning

Maintenance strategies

Imperfect preventive maintenance

Wind turbine gearbox

Machine learning

Résumé

Dans un contexte marqué par le réchauffement climatique, l'épuisement des ressources fossiles et les enjeux croissants de sécurité énergétique, les énergies renouvelables jouent un rôle crucial dans les politiques de transition énergétique. Dans ce contexte, l'énergie éolienne se distingue par son fort potentiel et la maturité de sa technologie. C'est dans ce cadre que s'inscrit cette thèse, qui s'articule autour de l'optimisation des stratégies de maintenance des éoliennes, avec un focus particulier sur les boîtes de vitesses (gearbox). Le premier chapitre présente une revue de littérature sur l'énergie éolienne. Il examine en particulier les stratégies de maintenance onshore et offshore, décrit les principaux composants des éoliennes et discute les apports récents de l'intelligence artificielle et du traitement des données. Le deuxième chapitre présente une première stratégie de maintenance préventive basée sur les données de fiabilité (MBF). Dans notre étude, la stratégie proposée repose sur un déclenchement du refroidissement à partir d'un seuil critique, puis introduit une approche par maintenance préventive imparfaite (MPI). Cette dernière est modélisée analytiquement selon deux variantes optimisant respectivement la période de renouvellement et le nombre d'actions de MPI. Dans le troisième chapitre, une nouvelle stratégie basée sur la conception des éoliennes dans un contexte de reconfiguration est proposée. Deux configurations sont comparées, tantôt avec une seule boîte de vitesses puis avec deux boîtes de vitesses fonctionnant en alternance, à travers des modèles mathématiques visant à minimiser les coûts moyens par unité de temps. Le quatrième chapitre propose une stratégie de maintenance périodique orientée profit, intégrant différents niveaux d'efficacité via des packages de maintenance, et optimisée à l'aide d'un modèle analytique. Afin de mettre en évidence la robustesse des modèles analytiques développés, des exemples numériques et des études de sensibilité sont présentés. Enfin, le dernier chapitre présente des solutions à notre problématique par la maintenance prédictive par le biais des outils de l'IA. Plusieurs modèles de machine learning sont étudiés et analysés comparativement pour prédire la température de l'huile des boîtes de vitesses à partir de données SCADA. Ce chapitre représente donc une étape préliminaire pour tester la faisabilité de la maintenance prédictive pour ce type de problème. Une des perspectives de cette thèse sera consacrée aux prises de décisions issues des informations récoltées par les méthodes de machine learning. Mots clés : Stratégies de maintenance, Maintenance préventive imparfaite, Boîte de vitesses d'éolienne, Machine Learning

In a context marked by climate change, the depletion of fossil resources, and the growing challenges of energy security, renewable energies play a crucial role in energy transition policies. In this context, wind energy stands out due to its strong potential and the maturity of its technology. It is within this framework that this thesis is situated, focusing on the optimization of wind turbine maintenance strategies, with particular emphasis on gearboxes. The first chapter presents a literature review on wind energy. It specifically examines onshore and offshore maintenance strategies, describes the main components of wind turbines, and discusses recent contributions from artificial intelligence and data processing. The second chapter presents a first preventive maintenance strategy based on reliability data (MBF). In our study, the proposed strategy relies on triggering cooling from a critical threshold, then introduces an imperfect preventive maintenance (IPM) approach. The latter is analytically modeled according to two variants, respectively optimizing the renewal period and the number of IPM actions. In the third chapter, a new strategy based on wind turbine design in a reconfiguration context is proposed. Two configurations are compared, one with a single gearbox and the other with two gearboxes operating alternately, through mathematical models aimed at minimizing average costs per unit of time. The fourth chapter proposes a profit-oriented periodic maintenance strategy, integrating different levels of efficiency via maintenance packages, and optimized using an analytical model. To highlight the robustness of the analytical models developed, numerical examples and sensitivity studies are presented. Finally, the last chapter presents solutions to our problem through predictive maintenance using AI tools. Several machine learning models are studied and comparatively analyzed to predict gearbox oil temperature from SCADA data. This chapter therefore represents a preliminary step to test the feasibility of predictive maintenance for this type of problem. One of the perspectives of this thesis will be dedicated to decision-making based on the information collected by machine learning methods. Keywords: Maintenance strategies, Imperfect preventive maintenance, Wind turbine gearbox, Machine Learning