Les États membres de la Commission européenne ont pris l’engagement de réduire d’ici à 2020 la consommation d’énergie primaire de 20 %. Afin d’atteindre cet objectif, il est devenu indispensable de développer et d’intégrer des sources d’énergie renouvelable (SER), en particulier les sources éoliennes, dans les réseaux de production usuels en veillant à garantir deux objectifs :
-
accroître la production des SER, en particulier les parcs éoliens, en augmentant leur disponibilité et leur fiabilité ;
-
diminuer les coûts de production en réduisant les coûts de maintenance et limitant les conséquences de défauts affectant le fonctionnement normal des composants des SER.
Afin de pouvoir atteindre ces deux objectifs, il est indispensable d’équiper les éoliennes d’outils de surveillance efficaces permettant de détecter de manière précoce et fiable l’apparition de défauts et d’estimer leur criticité et durée de vie restante afin de réaliser des ajustements ou des réparations au plus tôt et à moindre coût.
Le diagnostic de défauts des éoliennes est une tâche très difficile à réaliser, notamment à cause de la forte variabilité de la vitesse du vent et des turbulences autour du plan du rotor, la non-linéarité de la dynamique des éoliennes, l’apparition de certains défauts (par exemple, les défauts des actionneurs de pivotement de l’angle de calage des pales) dans des conditions de fonctionnement (région d’optimisation de la puissance) où les conséquences de ces défauts sont cachées, les actions de la commande qui compensent les effets de défauts et le faible volume de données décrivant les défauts par rapport aux données de fonctionnement normal.
Il existe de nombreuses méthodes de diagnostic de défauts des éoliennes dans la littérature. Ces méthodes sont fondées sur l’utilisation d’un modèle caractérisant les modes ou les comportements, de fonctionnement normal et/ou défaillant. En général, ces méthodes peuvent être classées en deux catégories principales : les méthodes à base de modèle analytique et les méthodes à base de traitement du signal et d’intelligence artificielle. Dans la première classe, un modèle mathématique ou analytique (quantitatif et/ou qualitatif) est construit en utilisant une connaissance a priori sur la dynamique et/ou la structure du système. Dans la deuxième classe, le modèle est construit par apprentissage en utilisant un ensemble de données sur le comportement du système. Les approches appartenant à ces deux catégories ont leurs avantages et inconvénients selon la connaissance disponible sur le comportement du système, sa complexité, le mécanisme d’apparition des défauts et leur dynamique de développement.
Dans cet article, le principe général des méthodes de diagnostic de défauts des éoliennes sera présenté. Ensuite, les méthodes de diagnostic de défauts des éoliennes les plus connues de la littérature seront étudiées et comparées en utilisant plusieurs exemples. L’objectif est de montrer leur capacité à répondre aux défis liés au développement et à l’implémentation d’un système d’aide à la maintenance prévisionnelle de parcs éoliens.
