Les défauts des turbines éoliennes :

Certains des types courants de défaillance des éoliennes sont les aubes de
turbine, les générateurs et les boîtes de vitesses.

En tant qu’énergie renouvelable et propre du monde, l'énergie éolienne a acquis

de plus en plus d'attention et son diagnostic de faute devient de plus en plus
important. Un composant essentiel des transmissions d'éoliennes est la boîte de
vitesses, La boîte de vitesses est le composant principal d'un groupe
motopropulseur d'éolienne et est coûteuse et vulnérable aux pannes, En
conséquence, l'enquête sur le diagnostic des défauts de la boîte de vitesses des
éoliennes devient un domaine de recherche populaire.

Chaque année, il y a environ 1 200 pannes de boîtes de vitesses. Les roulements

et les engrenages représentent 96 pour cent des composants défaillants dans la
boîte de vitesses.

Les défauts de roulements :

Les roulements sont parmi les composants les plus sollicités des machines et
représentent une source de panne fréquente.

La norme ISO 15243 :2017 décrit les principaux modes de défaillance et leurs
causes.
Ces modes de défaillance sont caractérisés comme suit :

 Surchauffe liée à la rotation : le roulement se décolore, les éléments roulants et

la cage se déforment, fusionnent et deviennent plus souples au fur et à mesure
que les détériorations s’aggravent.
 Usure : se présente quand des corps extérieurs pénètrent dans le mécanisme de
roulement.
 Corrosion : apparaît en cas de présence importante d’eau ou d’agents
chimiques à l’intérieur du roulement.
 Érosion électrique : se produit quand le roulement est traversé par un courant
électrique.
 Fracture et fissuration : les pièces de petite taille se détériorent si le roulement
est soumis à une charge trop élevée, ou si la taille et la capacité du roulement
sont insuffisantes pour leur application.
 Écaillage : survient quand de petites particules de matériaux de roulement se
séparent du roulement, produisant des surfaces à la structure brute et rude.
. Les défauts des engrenages :

Ces défauts sont liés aux dégradations de la denture (denture cassée ou abimée,
usure uniforme ou non, putting localisé ou réparti, mauvais centrage) On peut
observer aussi du fretin (corrosion, frottement) qui se traduit par un enlèvement
de métal lorsque l’engrenage est mal lubrifié et que les efforts sont importants .

Les chercheurs ont utilisé le domaine temporel, le domaine fréquentiel et

l'analyse temps-fréquence basée sur la transformée de Fourier à court terme
(STFT), la transformée en ondelettes, la décomposition de modèle empirique
(EMD)et des techniques avancées de traitement du signal sont appliquées.

A review on wind turbines gearbox fault diagnosis methods

La méthode d’analyse temps fréquence :

Feng a également introduit une méthode d'analyse de temps de fréquence de

noyau optimale adaptative pour faire face à la défaillance de la boîte de vitesses
planétaire de turbine éolienne dans des conditions non stationnaires ‘Complex
signal analysis for wind turbine planetary gearbox fault diagnosis via iterative atomic
decomposition thresholding.2014’

Une nouvelle méthode de suivi des commandes basée sur la technique de

correction de spectre discrète est proposée par Guolin He pour analyser la
vibration de la boîte de vitesses de la turbine éolienne aux fins de la surveillance
de la santé et du diagnostic des pannes . ‘ A novel order tracking method for wind
turbine planetary gearbox vibration analysis based on discrete spectrum correction technique.
2016’

Bingchang Hou a fourni une nouvelle méthode de suivi de la commande de

tacholess basée sur une démodulation généralisée (GD) pour la détection de
pannes WT. Un système de capteur multicanal est appliqué dans l'acquisition du
signal pour résoudre des problèmes liés à sa position d'installation et à sa
direction d'un seul capteur. Un nouvel algorithme de filtrage basé sur le
phénomène de résonance maillé est proposé par Tianyang Wang .Fault diagnosis
for wind turbine planetary ring gear via a meshing resonance based filtering algorithm.2017

Afin de résoudre les caractéristiques de défaut d'engrenage variant dans le

temps, Feng effectue également une analyse d'émodulation temps-fréquence via
un filtre Vold-Kalman pour le diagnostic des défauts de boîte de vitesses
planétaire d'éolienne à des vitesses non stationnaires et la méthode d'analyse
temps-fréquence proposée est encore étendue pour générer le temps- spectres
démodulés d'amplitude et de fréquence variables .Time-frequency demodulation
analysis via Vold-Kalman filter for wind turbine planetary gearbox fault diagnosis under
nonstationary speeds 2019

Tout en utilisant le nouveau modèle de modulation pour prendre en charge le

diagnostic de défaut de l'étage planétaire d'une boîte de vitesses d'éolienne, la
caractéristique de défaut de l'étage planétaire avec une vitesse de rotation
inférieure est facilement masquée par l'énergie de vibration de maillage des
étages ordinaires avec une vitesse plus élevée, pour résoudre ce problème ,Wei
Teng soumet qu'il est efficace d'utiliser la transformée en ondelettes empirique
pour trouver de manière adaptative une fréquence de défaut faible dans l'étage
planétaire ainsi que des caractéristiques de défaut évidentes dans d'autres étages
ordinaires . ‘Compound faults diagnosis and analysis for a wind turbine gearbox via a novel
vibration model and empirical wavelet transform 2019’

Wei Teng a également proposé une méthode de représentation creuse basée sur
la transformation en ondelettes de facteur Q accordable, qui intègre la propriété
de la transformation en ondelettes Q accordable, la pénalité non convexe et
l'optimisation du bruit dans la décomposition creuse .’Fault detection of planetary
subassemblies in a wind turbine gearbox using TQWT based sparse representation
2021’

Stephan Schmidt a revendiqué une nouvelle méthode, appelée IFBIagram, qui

peut être capable d'identifier des bandes de fréquences riches en informations de
diagnostic liées à des composants cycliques spécifiques. Cela permet de
déterminer la bande de fréquence optimale pour diagnostiquer la composante
d'intérêt . ‘A methodology for identifying information rich frequency bands for diagnostics of
mechanical components-of-interest under time-varying operating conditions. Mechanical
Systems and Signal Processing, 2020’

Les méthodes de performance CMS :

La fonction principale du système de surveillance des conditions (CMS) est de

prédire certains modes de défaillance et de les appliquer à la boîte de vitesses de
l'éolienne. Il faut également souligner que CMS ne peut pas prédire tous les
modes de défaillance potentiels, des alertes d'erreur coûteuses peuvent donc se
produire.

Jusqu'à présent, les chercheurs ont apporté d'importantes contributions aux

performances de CMS

Huageng Luo a présenté des approches de surveillance de l'état des boîtes de

vitesses d'éoliennes basées sur les vibrations. Une analyse spectrale détaillée et
des techniques d'enveloppement d'accélération ont été utilisées pour extraire
efficacement les caractéristiques d'endommagement des engrenages et des
roulements ‘ Effective and accurate approaches for wind turbine gearbox condition
monitoring.2014’

Joel Igba a développé de nouvelles techniques pour la détection des défauts en

utilisant les valeurs RMS et Extreme (crête) des signaux de vibration ‘
Analysing RMS and peak values of vibration signals for condition monitoring of
wind turbine gearboxes.2016

‘Salem a introduit une technique améliorée pour surveiller l'état de la boîte de

vitesses de l'éolienne basée sur les analyses des signatures de vibration de boîte
de vitesses et de couple d'arbre ‘ Improved condition monitoring technique for wind
turbine gearbox and shaft stress detection 2017’
Visant au problème selon lequel les données de signal de la boîte de vitesses
défectueuse de l'éolienne sont difficiles à obtenir et l'état de santé est difficile à
diagnostiquer dans des conditions de travail variables, He Ren et Wenyi Liu ont
proposé une méthode de diagnostic de panne basée sur la décomposition en
mode variationnel (VMD) entropie de permutation multi-échelle (MPE) et
apprentissage par transfert basé sur les caractéristiques (FTL) ‘ A new wind
turbine health condition monitoring method based on VMD-MPE and feature-
based transfer learning 2019’

Méthodes intelligentes de diagnostic des pannes

Le diagnostic intelligent des pannes est la combinaison de l'intelligence

artificielle et du diagnostic des pannes.

À l'heure actuelle, les théories et les méthodes de diagnostic intelligent

appliquées dans les réducteurs d'éoliennes sont principalement basées sur le
réseau de neurones, la logique floue et la fusion d'informations. Avec le
développement de la technologie informatique, de plus en plus de technologies
de détection de défauts intelligentes sont appliquées au diagnostic des défauts de
la boîte de vitesses des éoliennes.

Au cours des dernières années, de nombreux chercheurs ont présenté des

méthodes avancées et fiables

Silvio Simani et Cihan Turhan ont avancé une approche axée sur les données
basée sur des réseaux de neurones et est utilisée pour mettre en œuvre le bloc de
diagnostic des pannes. Cette méthode s'appuie sur des réseaux de neurones
utilisés pour décrire les relations fortement non linéaires entre la mesure et les
défauts. Toutefois, la vérification et la validation des solutions proposées au
moyen de données acquises à partir d'installations réelles et de demandes de
contrôle tolérantes de défaut ne sont pas réussi à effectuer une recherche
approfondie ‘Fault diagnosis of wind turbine simulated model via neural networks. 2018’

Étant donné que la capacité de vent installée augmente, le volume des données
CM augmente, faisant une interprétation manuelle des signaux de vibration
difficiles. Face à cela, Sofifia Koukoura a proposé un cadre automatisé pour le
diagnostic de défaillance naissante de la boîte de vitesses. Le cadre utilise des
signaux de vibration et effectue une estimation de la santé et une isolation des
pannes basée sur les techniques de traitement du signal et d'intelligence
artificielle (AI). Des études ont montré que cette recherche peut être utilisée
pour optimiser les actions d'entretien des éoliennes’ On the use of AI based vibration
condition monitoring of wind turbine gearboxes.2019’

Le système de contrôle de contrôle et d'acquisition de données (SCADA) d'une

éolienne offre de précieuses perspectives sur la performance des turbines.
Yanting Li a étudié le diagnostic des défaillances des éoliennes à l'aide des
classificateurs de processus gaussiens (GPC) aux données opérationnelles
recueillies auprès du système SCADA et les résultats de comparaison montrent
que la méthode GPC est capable de fournir plus Résultats précis de diagnostic
de défaut que la technique SVM en moyenne ‘ Wind turbine fault diagnosis based on
Gaussian process classifiers applied to operational data. 2019’

Roberto M et autres chercheurs en 2020 ‘ Deep learning for diagnosis and

classification of faults in industrial rotating machinery’ propose l'utilisation d'un modèle
de maintenance prédictive avec un réseau de neurones convolutifs (PdM-CNN),
pour classer automatiquement les défauts des équipements rotatifs et indiquer
quand des actions de maintenance doivent être entreprises. utilise les données
d'un seul capteur de vibration installé sur le roulement d'extrémité
d'entraînement du moteur, qui est la disposition la plus courante dans l'industrie.
Les résultats ont montré que les précisions du modèle PdM-CNN étaient de
99,58 % et 97,3 % lorsqu'elles étaient appliquées à deux bases de données
publiques différentes

Perspective de quelques nouvelles méthodes

Au vu des mauvaises conditions de fonctionnement du réducteur d'éolienne,

quelques solutions efficaces sont proposées. Par conséquent, les domaines de
recherche suivants doivent encore être renforcés :

1) Technologie de capteur : En raison de la structure compacte du ventilateur, il

est difficile de trouver une position appropriée pour placer le capteur dans la
cabine du ventilateur. Cependant, les principales données proviennent de
capteurs. Par conséquent, selon le mécanisme de vibration de la boîte de vitesses
de l'éolienne, il est très important de sélectionner le point sensible du capteur.

2) Technologie d'extraction des caractéristiques des défauts : L'extraction des

caractéristiques des défauts joue un rôle important dans le diagnostic des défauts
de la boîte de vitesses de l'éolienne. Le signal de vibration du réducteur
d'éolienne est non seulement non stationnaire et non linéaire, mais également
pollué par le bruit de fond. Un algorithme efficace doit être établi pour résoudre
les difficultés de diagnostic de panne et de diagnostic de panne. C'est-à-dire que
la fonction principale de l'algorithme est de supprimer le bruit du signal de
vibration de la boîte de vitesses de l'éolienne. En même temps, le mode normal
du signal de vibration de la boîte de vitesses de l'éolienne est établi, et la
distance entre le mode normal et le mode d'élimination du bruit est trouvée, et
l'amélioration est apportée.

3) Identification des défauts : de nombreuses méthodes intelligentes ont été

appliquées pour reconnaître les défauts de la boîte de vitesses des éoliennes,
telles que le réseau de neurones, le système expert ou la machine à vecteurs de
support (SVM). Bien que ces méthodes aient obtenu des résultats dans une
certaine mesure, ces méthodes ont toutes leurs propres inconvénients. Un nouvel
algorithme haute performance pour la boîte de vitesses des éoliennes devrait être
créé et introduit.