Vous êtes ici : GIPSA-lab > Formation > Thèses soutenues
Chargement
LEBRANCHU Alexis

Analyse de données de surveillance et synthèse d'indicateurs de défauts et de dégradation pour l'aide à la maintenance prédictive de parcs de turbines éoliennes.

 

Directeur de thèse :     Sylvie CHARBONNIER

Co-directeur de thèse :     Christophe BERENGUER

École doctorale : Electronique, electrotechnique, automatique, traitement du signal (eeats)

Spécialité : Automatique et productique

Structure de rattachement : Autre

Établissement d'origine : Ecole Nationale d'Ingénieur du Val de Loire

Financement(s) : contrat à durée déterminée

 

Date d'entrée en thèse : 01/04/2013

Date de soutenance : 09/11/2016

 

Composition du jury :
Antoine GRALL, Université de technologie de Troyes, Rapporteur
Moamar SAYED-MOUCHAWEH, Ecole des Mines de Douai, Rapporteur
Vincent COCQUEMPOT, Université de Lille 1, Examinateur
Frédéric PREVOST, VALEMO, Examinateur
Sylvie CHARBONNIER, Université Grenoble Alpes, Directrice de thèse
Christophe BERENGUER, Grenoble INP, Co-Directeur de thèse

 

Résumé : Le secteur de l'énergie éolienne est en pleine expansion depuis les 10 dernières années. Le nombre et la taille des éoliennes ont été multipliés, ce qui accroît la difficulté et la criticité de la maintenance, et impose aux industriels de passer d'une maintenance corrective et systématique à une maintenance conditionnelle et prédictive. L’objectif de ces travaux est de développer des indicateurs de dégradation, en utilisant les données numériques fournies par le SCADA, disponibles à faible coût mais enregistrées à une faible fréquence d’échantillonnage (10 min) dans un objectif de suivi de production. Une analyse bibliographique approfondie des travaux réalisés sur la surveillance de parcs éoliens à partir de données SCADA montre que deux types d'approches sont généralement proposés. Les méthodes dites mono-turbines où un modèle de comportement d'une turbine est appris sur des périodes de bon fonctionnement, à partir duquel il est possible de créer des résidus mesurant la différence entre la valeur prédite par le modèle et la mesure en ligne, qui servent d'indicateurs de défaut. Les modèles mono-turbines ont la particularité d'utiliser des variables provenant de la même turbine du parc. Les deuxièmes méthodes, dites multi-turbines, sont des méthodes où l’effet parc et la similarité entre machines sont utilisés. Là où les recherches les plus récentes proposent principalement de créer des courbes de performances pour chaque machine du parc pendant une période de temps et de comparer ces courbes entre elles, nous faisons la proposition originale de combiner les deux approches et de comparer les résidus mono-turbines à une référence parc traduisant le comportement majoritaire des turbines du parc. Nous validons de manière extensive ces indicateurs en analysant leurs performances sur une base de données composée d'enregistrements de variables SCADA d'une durée de 4 ans sur un parc de 6 machines. Nous proposons aussi des critères de performances pertinents permettant d'évaluer de manière réaliste les gains et éventuels surcoûts que généreraient ces indicateurs s'ils étaient intégrés dans un outil de maintenance. Ainsi, nous montrons que le taux d'interventions inutiles associées à des fausses alarmes produites par les indicateurs de défaut, et qui provoquent un surcoût très important pour l'entreprise, peut être fortement diminué par la fusion d'indicateurs mono-turbines que nous proposons, tout en conservant une avance à la détection suffisante pour planifier la mise en place d'interventions par les équipes de maintenance.


GIPSA-lab, 11 rue des Mathématiques, Grenoble Campus BP46, F-38402 SAINT MARTIN D'HERES CEDEX - 33 (0)4 76 82 71 31