La maintenance prédictive pilotée par l'IA améliore les performances des éoliennes

Introduction

À une époque où les sources d'énergie renouvelables deviennent de plus en plus vitales, les éoliennes jouent un rôle essentiel dans l'avenir durable de notre planète. Assurer la performance optimale et la longévité de ces structures imposantes représente un défi de taille. L'intelligence artificielle (IA) offre des solutions innovantes qui redessinent le paysage des pratiques de maintenance. Alors que l'industrie de l'énergie éolienne explore l'utilisation de l'IA, des entreprises comme Suzlon sont à l'avant-garde de cette révolution, investissant stratégiquement dans les technologies de l'IA pour relever de manière proactive les défis de la maintenance et maintenir l'efficacité et la durabilité du fonctionnement de leurs éoliennes. Depuis sa création en 1995, Suzlon a rapidement étendu son empreinte à travers le monde et s'est fait connaître par ses innovations technologiques et ses produits. Suzlon est un pionnier dans le domaine de l'énergie éolienne et est actuellement présent dans 17 pays. 

Défis à relever

Définir le problème et orchestrer les données

Suzlon s'est attaché à prédire le délai de défaillance des différents sous-systèmes d'une éolienne : les pales, le moteur, les roulements et les systèmes de contrôle/électricité. Pour chacun de ces sous-systèmes, les données de capteurs requises étaient différentes et un minimum d'un an de données d'événements était nécessaire pour entraîner le modèle ML, un événement étant défini comme une anomalie susceptible d'entraîner un temps d'arrêt de l'éolienne.

Solution mise en œuvre

Extraction et préparation des données

Dans un premier temps, les différentes sources de données, y compris les données de capteurs en temps réel et les enregistrements d'événements historiques des systèmes SCADA, ont été orchestrées à l'aide de RapidCanvas. Les ensembles de données brutes ont ensuite été nettoyés et préparés pour le processus d'apprentissage automatique. Cela a permis d'obtenir un ensemble de données riche et pertinent pour faire des prédictions précises et opportunes.

Modélisation automatisée 

En utilisant la plateforme RapidCanvas, une modélisation automatisée a été réalisée, en s'appuyant sur des algorithmes d'apprentissage automatique de régression pour analyser les vastes ensembles de données. Grâce à l'apprentissage et à l'affinement itératifs du modèle, un haut niveau de précision a été atteint pour prédire le délai de défaillance d'un sous-système de turbine. 

Tableaux de bord et alertes 

Afin de donner aux opérateurs et aux équipes de maintenance de Suzlon les moyens d'agir, les informations obtenues grâce au processus d'apprentissage automatique ont été partagées au moyen de tableaux de bord conviviaux et d'alertes en temps réel. Ces tableaux de bord fournissent des informations instantanées sur l'état de santé et la durée de vie utile restante (RUL) de chaque turbine. En utilisant cette approche basée sur la RUL, l'état des composants critiques de la turbine, tels que le palier principal et le réducteur, est déterminé, tandis que des alertes automatisées sont déclenchées lorsque le système détecte des anomalies ou des besoins de maintenance à venir. Cela permet aux opérateurs de planifier efficacement la maintenance, de minimiser les temps d'arrêt et de maximiser la productivité des turbines.

Résultats et avantages

Échecs prévus à l'avance

La maintenance proactive et la réduction des temps d'arrêt ont permis à l'entreprise d'éviter des réparations coûteuses et des pannes imprévues, ce qui pourrait lui permettre d'économiser plus d'un million de dollars en pertes de revenus et en frais de maintenance.

Économies par turbine

Le modèle ayant été mis en œuvre pour plus de 700 turbines, les économies réalisées par l'entreprise s'élèvent à plus de 35 millions de dollars par turbine.

Des informations fondées sur des données concernant les opérations et la maintenance

Grâce à la solution RapidCanvas, l'équipe de Suzlon a pu accéder à des tableaux de bord complets détaillant les performances et les besoins de maintenance des sous-systèmes de ses éoliennes. Cela a permis aux équipes de prendre les mesures nécessaires pour éviter un temps d'arrêt imprévu et de gérer leurs calendriers de maintenance sur la base de données précises en temps réel. 

Amélioration de la gestion des ressources

La mise en œuvre de la maintenance prédictive pour les éoliennes a permis d'optimiser l'affectation des ressources, la programmation et la charge de travail, tout en améliorant la gestion des pièces et du personnel des éoliennes, ce qui s'est traduit par une efficacité opérationnelle accrue et des économies.

Prolongation de la durée de vie des éoliennes 

En identifiant et en traitant les problèmes des éoliennes avant qu'ils ne s'aggravent, Suzlon est en mesure de réduire efficacement l'usure, ce qui permet aux éoliennes de continuer à produire de l'énergie propre pendant des années au-delà de leur durée de vie prévue.