Détection, diagnostic et pronostic pour les éoliennes : développement de modèles basés sur l’autoencodeur variationnel utilisant des données SCADA

Moreira De Oliveira Filho, Adaiton (2024). Détection, diagnostic et pronostic pour les éoliennes : développement de modèles basés sur l’autoencodeur variationnel utilisant des données SCADA. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (18MB) | Prévisualisation

Résumé

Les éoliennes sont une des solutions technologiques clés pour la transition énergétique. Une augmentation significative de la puissance éolienne installée dans le monde au cours des prochaines décennies est préconisée pour limiter le changement climatique et ses conséquences. La « Prévision de transition énergétique jusqu’en 2050 » (DNV, 2023) estime que la puissance éolienne installée mondiale devrait être multipliée par un facteur 8 entre 2022 et 2050. Les ambitions d’augmentation du taux de pénétration de l’énergie éolienne à l’échelle globale dépendent de la continuité des tendances de baisse du coût actualisé de l’énergie (LCOE) éolienne. Une des voies pour atteindre cette condition est l’adoption de stratégies optimales pour l’opération et la maintenance (O&M) des éoliennes, visant notamment l’augmentation du taux de disponibilité et la réduction des dépenses d’O&M.

À ce jour, les opérateurs analysent l’état de santé des éoliennes à partir des données provenant du système de contrôle et d’acquisition de données (SCADA), présent par défaut dans les éoliennes modernes. La quête pour des stratégies d’O&M optimales motive des recherches dans le domaine du pronostic et la gestion de l’état de santé (PHM). Le processus d’analyse PHM comprend plusieurs étapes, notamment la détection, le diagnostic et le pronostic. Les modèles résultant de ces analyses apportent des informations pour guider la prise de décisions concernant l’O&M, notamment pour orienter des interventions telles que des inspections et des réparations. Des modèles pour la détection et le diagnostic d’anomalies de l’opération sont plutôt bien développés et amplement utilisés chez les opérateurs des parcs éoliens, tandis que le modèle de pronostic pose encore des défis scientifiques et techniques. Aussi, même si les modèles d’intelligence artificielle (IA) présentent un grand potentiel pour améliorer les performances des méthodes pour l’analyse de l’état de santé des éoliennes, leur usage est freiné par le manque d’interprétabilité.

Dans ce contexte, cette recherche a investigué l’implémentation du processus d’analyse PHM utilisant des données du système SCADA et des modèles d’IA interprétables. En particulier, la recherche s’est tâchée de détecter des anomalies plus tôt que les méthodes courantes, à diagnostiquer un état dégradé parmi les multiples conditions de santé, et à établir un modèle de pronostic pour les éoliennes. La recherche a priorisé des modes de dégradation impactant les composants critiques des éoliennes, en particulier le générateur, la boîte de vitesses, le roulement principal et les pales.

Une base de données SCADA couvrant plus de deux ans d’opération sur environ 120 éoliennes est utilisée pour bâtir et valider les approches proposées. Les investigations ont conduit à choisir la classe des modèles d’IA à variables latentes (LVM), à l’instar de l’autoencodeur variationnel (VAE). Un modèle supervisé, l’autoencodeur variationnel associé à un classificateur (VAEC), permet de projeter l’espace physique de haute dimension des mesures SCADA dans un espace latent de dimensionnalité réduite. L’espace latent est tel que la position géographique du point projeté informe sur la condition d’opération de l’éolienne. L’espace latent du VAEC s’avère représentatif de la condition physique des éoliennes, ce qui permet la définition d’indicateurs de santé pertinents. De surcroît, l’espace peut être défini avec la dimension 2 pour fournir un outil de visualisation commode qui apporte de l’interprétabilité aux approches proposées. Les résultats obtenus ont abouti dans trois articles scientifiques.

Le premier article présente le modèle VAEC et démontre son usage pour l’analyse et la représentation visuelle des données SCADA. Une nouvelle approche de surveillance de l’état de santé des éoliennes à partir de l’espace latent du VAEC est introduite. L’indicateur de santé (HI) combine la distance de Mahalanobis par rapport à la distribution de la condition saine dans l’espace latent avec la charte de contrôle de la moyenne mobile pondérée exponentiellement (EWMA). Des études de cas réelles démontrent que l’approche permet de détecter des anomalies avant le système de contrôle associé au système SCADA et des approches basées sur des modèles de régression. Ce premier article démontre l’usage du classificateur du VAEC pour le diagnostic des éoliennes. Les études de cas illustrent le potentiel de l’outil de visualisation intégré pour améliorer l’interprétabilité et la confiance dans les résultats du modèle.

Le deuxième article introduit une nouvelle approche de surveillance de l’état des systèmes complexes basée sur une représentation standardisée de l’espace latent duVAEC. Une contribution originale de cet article est d’utiliser la transformation isoprobabiliste de Nataf pour mapper l’espace latent dans un espace standardisé. Dans l’espace standard de Nataf, la condition saine suit la distribution gaussienne centrée réduite, ce qui permet la définition de deux HI complémentaires et la définition de seuils appropriés à partir d’un niveau de confiance prédéfini. De surcroît, l’usage de la transformée de Nataf réduit la sensibilité de l’approche aux hyperparamètres pendant le processus d’apprentissage. L’implémentation sur deux études de cas démontre le potentiel de l’approche proposée et sa capacité à détecter des anomalies plus tôt que des approches concurrentes. Premièrement, l’approche a été appliquée à la base de données du simulateur de moteur d’avion (C-MAPSS) de la NASA. La deuxième étude de cas porte sur une base comprenant des mesures SCADA d’éoliennes modernes comprenant des multiples classes d’opération anormale. Ce deuxième article a également démontré l’utilisation de l’espace latent et de l’espace standard de Nataf comme outils de visualisation, en suivant l’évolution des distributions de points dans ces deux espaces.

Le troisième article propose une approche pour estimer la durée de vie restante (RUL) à partir de l’espace latent du VAEC projetant les données SCADA. La projection des ensembles de données orientées temporellement dans l’espace latent produit des trajectoires informant sur l’évolution de l’état du système au fil du temps. Une modélisation cinématique et une régularisation appropriée permettent de décrire la projection dans l’espace latent comme une trajectoire lisse dans l’espace bidimensionnel. L’approche utilise l’expansion de Taylor et la méthode de Monte-Carlo pour estimer, avec un critère définissant la fin de la vie utile (EOL) dans l’espace latent, la densité de probabilité de la RUL. L’application à des cas d’étude de dégradation post-mortem de composants éoliens montre la cohérence entre la RUL estimée et celle de référence.

En conclusion, cette thèse présente des approches innovantes pour la détection, le diagnostic et le pronostic des éoliennes à partir des données SCADA, en utilisant un modèle d’IA interprétable. Les trois articles proposés démontrent l’utilisation du modèle VAEC pour l’analyse des relations complexes entre les mesures SCADA. L’espace latent du VAEC a permis d’implémenter le processus d’analyse PHM pour les éoliennes tout en mettant l’accent sur l’interprétabilité des modèles pour faciliter la compréhension et l’adoption par les opérateurs, analystes et techniciens. Les résultats démontrent l’efficacité des indicateurs de santé définis à partir de l’espace latent, permettant une détection précoce des anomalies et un diagnostic précis. Le modèle de pronostic proposé, basé sur une projection en trajectoire dans l’espace latent, offre une estimation fiable de la durée de vie résiduelle des éoliennes. Ces contributions techniques, en plus des retombées scientifiques, posent les bases pour le développement de solutions informatiques pouvant être intégrées aux outils de suivi de performance des éoliennes, favorisant ainsi le transfert technologique et l’application industrielle des approches développées. Les produits de la recherche ont donc le potentiel de soutenir les décisions relatives à l’O&M des éoliennes afin de réduire les coûts tout en augmentant la fiabilité et la disponibilité des installations.

Le dernier chapitre de la thèse présente des recommandations pour les recherches futures ainsi que pour le transfert technologique et le déploiement des méthodes proposées.

Titre traduit

Detection, diagnosis, and prognosis for wind turbines: development of variational autoencoder-based models using SCADA data

Résumé traduit

Wind turbines are among the key technological solutions for energy transition. A significant increase in the wind energy installed capacity worldwide is advocated to limit climate change and its consequences. For instance, the "Energy Transition Outlook to 2050" (DNV, 2023) estimates that the global wind energy installed capacity should increase eightfold between 2022 and 2050. Increasing the penetration rate of wind energy globally relies on the continuation of the trend of decreasing the Levelized Cost of Energy (LCOE) of this source. This can be achieved by increasing availability rates and reducing operation and maintenance (O&M) expenditures of wind turbines through optimal O&M strategies.

Operators currently analyze the health condition of wind turbines using data from the built-in Supervisory Control and Data Acquisition (SCADA) system. The quest for optimal O&M strategies motivates research in the field of Prognostics and Health Management (PHM). The PHM analysis comprises the detection, the diagnosis, and the prognosis of abnormal conditions. The models resulting from these analyses provide information to guide decision-making regarding O&M, especially in situ interventions such as inspections and repairs. Models for detecting and diagnosing operational anomalies are well developed and widely used in wind farm operation. In contrast, prognosis models still pose scientific and technical challenges. Additionally, the lack of interpretability hinders the use of AI models in the analysis of wind turbine health conditions despite their proven potential.

In this context, this research investigates the implementation of the PHM analysis using SCADA data and interpretable AI models. Specifically, it sought to detect anomalies earlier than current methods, diagnose degraded conditions among multiple health conditions, and establish a prognostic model for wind turbines. The research is focused on degradation modes on critical wind turbine components, namely the generator, gearbox, main bearing, and blades.

A SCADA database comprising more than two years of operation and nearly 120 wind turbines was used to develop and validate the proposed approaches. This research introducedPHManalysis using Latent Variable Models (LVM), which are variations of the Variational Autoencoder (VAE) model. A supervised LVM, the Variational Autoencoder Embedded with Classifier (VAEC), projects the high-dimensional physical space of SCADA measurements into a low-dimensional latent space. The geographical position of the projected point in the latent space informs the operational condition of the wind turbine. The latent space of the VAEC is representative of the physical condition of wind turbines, allowing the definition of relevant health indicators. Furthermore, the space can be defined in 2D to provide a convenient visualization tool that adds interpretability to the proposed approaches.

The first paper presents the VAEC model and demonstrates its use for the analysis and visual representation of SCADA data. It introduces a new approach aiming at the health condition monitoring of wind turbines using the VAEC latent space. The Health Index (HI) uses the Mahalanobis distance and the exponentially weighted moving average (EWMA) control chart. Real case studies show that this approach can detect anomalies earlier than the SCADA control system and regression-based approaches. This first paper also demonstrates the use of the VAEC classifier for diagnosing abnormal operating conditions in wind turbines. Case studies illustrate the potential of the integrated visualization tool to improve interpretability and confidence in the model results.

The second paper introduces a new approach for monitoring the health condition of complex systems based on a standardized representation of theVAEC latent space. An original contribution of this paper is the use of the Nataf isoprobabilistic transform to map the latent space into a standardized space. In the Nataf standard space, the healthy condition follows the standard normal distribution, allowing the definition of two complementary HIs and appropriate thresholds based on a predefined confidence level. Moreover, the use of the Nataf transform reduces the approach’s sensitivity to hyperparameters during the learning process. The implementation in two case studies demonstrates the potential of the proposed approach and its ability to detect anomalies earlier than competing approaches. First, the approach was applied to NASA’s Commercial Modular Aero-Propulsion System Simulation (C-MAPSS) database. The second case study involves a database with SCADA measurements from modern wind turbines, including multiple abnormal operation classes. The second paper also demonstrates the use of the latent space and the Nataf standard space as visualization tools, tracking the evolution of probability distributions within the latent and the Nataf spaces.

The third paper proposes an approach to estimate the remaining useful life (RUL) from the VAEC latent space projecting the SCADA data. The projection of time-oriented datasets defines trajectories in the latent space. Such trajectories inform about the evolution of the system’s health condition. The latent space projection is described as a smooth trajectory by using kinematic modelling and an appropriate regularization method. The approach uses Taylor expansion and the Monte Carlo method to estimate the RUL probability density, with a criterion defining the end of useful life (EOL) in the latent space. Application to post-mortem degradation case studies of wind turbine components shows consistency between the estimated and ground-truth RUL.

In conclusion, this thesis presents innovative AI approaches for the detection, diagnosis, and prognosis of wind turbines using SCADA data. The proposed AI model is interpretable via a built-in visualization tool. The three proposed papers demonstrate the use of the VAEC model for analyzing the complex behaviour described by SCADA measurements. The VAEC latent space enabled the implementation of the PHM analysis process for wind turbines while emphasizing model interpretability to facilitate understanding and adoption by operators, analysts, and technicians. The results demonstrate the effectiveness of health indicators defined from the latent space, in particular for early anomaly detection and accurate diagnosis. The proposed prognosis model, based on the trajectory projected in the latent space, provides a reliable estimation of the wind turbines’ remaining useful life. These technical contributions, in addition to the scientific outcomes, lay the foundation for developing software solutions that can be integrated into wind turbine performance monitoring tools. Thereby, it can facilitate technological transfer and the industrial application of the proposed approaches. The outcomes of the research can support decision-making related to the O&M of wind turbines, potentially contributing to the reduction of costs and the increase of reliability and availability. The final chapter of the thesis presents recommendations for future research, for the technological transfer and deployment of the proposed methods.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Thèse par articles présentée à l’École de technologie supérieure comme exigence partielle à l’obtention du doctorat en génie". Comprend des références bibliographiques (pages 185-202).
Mots-clés libres:	éoliennes, données SCADA, suivi de l’état de santé, détection, diagnostic, pronostic, réseaux de neuronne profonds, modèles à variables latentes, autoencodeur variationnel, systèmes complèxes, outil de visualisation
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Tahan, Antoine
Codirecteur:	Codirecteur Pelletier, Francis
Programme:	Doctorat en génie > Génie
Date de dépôt:	17 déc. 2024 14:50
Dernière modification:	17 déc. 2024 14:50
URI:	https://espace.etsmtl.ca/id/eprint/3517

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt