Une étude améliore le contrôle-qualité des éoliennes grâce à l'IA

Une fois installée, une éolienne peut fonctionner une vingtaine d'années. © iStock EPFL

Une fois installée, une éolienne peut fonctionner une vingtaine d'années. © iStock EPFL

Une collaboration internationale entre l'EPFL et l'Université de Glasgow a permis de développer un algorithme avancé d'apprentissage automatique qui détecte efficacement les défauts de fabrication dissimulés dans les pales des éoliennes, avant que les turbines ne soient mises en service.

Une éolienne défectueuse représente un coût énorme pour toute entreprise qui souhaite l’exploiter. Surtout si une anomalie n’a pas été détectée à temps. Le contrôle-qualité lors de leur fabrication est donc stratégique. Actuellement, cette étape se limite à la surface des éléments produits en usine. Mais grâce à une nouvelle approche menée par des scientifiques de l'EPFL et de l'Université de Glasgow, une technologie radar brevetée, combinée à un assistant d’intelligence artificielle (IA), peut désormais détecter d'éventuelles anomalies sous la surface des pales d’une éolienne. Cette approche présente de nombreux avantages: elle est non destructive, sans contact, permet une acquisition et une analyse rapides des données et est peu gourmande en énergie. Le compte-rendu de cette recherche vient de paraître dans la revue Elsevier Mechanical Systems and Signal Processing (MSSP).

Fusionner le traitement du signal et l'IA

La recherche s'appuie sur des travaux antérieurs des deux partenaires institutionnels. Ces travaux ont été menés par Olga Fink, professeure assistante tenure track en génie civil et directrice du Laboratoire des Systèmes intelligents de maintenance et d'opérations (IMOS) à l’EPFL. Par le passé, ses recherches ont mis au point des méthodes de détection d’anomalies en traitant les sons produits par des machines défectueuses, la suppression du bruit de fond dans les enregistrements audio et la classification des chants d'oiseaux, en insufflant à chaque fois des capacités d'apprentissage automatique dans des approches de traitement des signaux bien connues et bien rodées.

La taille des éoliennes augmente et leur design se complexifie. Ces éléments accroissent la probabilité que des défauts apparaissent lors de leur fabrication

Olga Fink, directrice du Laboratoire des Systèmes intelligents de maintenance et d'opérations (IMOS), EPFL

Aujourd'hui, Olga Fink cherche de nouvelles applications pour ses systèmes pilotés par l'IA. «Les éoliennes sont composées de différents matériaux dits composites, à l’exemple de la fibre de verre et de la fibre de carbone. Leur taille augmente et leur design se complexifie. Ces éléments accroissent la probabilité que des défauts apparaissent lors de leur fabrication», indique la chercheuse.

Techniques de mesure

L'équipe de l'Université de Glasgow, dirigée par le professeur David Flynn, de l'école d'ingénierie James Watt et chef de la division de recherche sur les systèmes autonomes et la connectivité, est spécialisée dans les méthodes de pronostic et de management de santé. Ces scientifiques étudient comment la robotique et l'intelligence artificielle (RAI) peuvent contribuer à une infrastructure au bilan énergétique neutre. Dans cette étude, ils ont utilisé un radar breveté à ondes continues modulées en fréquence avec un bras robotisé pour inspecter des échantillons de pales d'éoliennes industrielles à des distances de 5, 10 et 15 centimètres de l'échantillon (voir ci-dessous la vidéo réalisée par l'Université de Glasgow).

Améliorer le contenu des données

Une fois ces données expérimentales récoltées, le défi de l'équipe d’IMOS a consisté à améliorer le contenu informatif des caractéristiques incorporées dans ces données brutes. Il s'est avéré que les signaux obtenus par le radar variaient en fonction de la distance d'inspection et du matériau, à la surface et à l’intérieur de la pale. Gaëtan Frusque, post-doctorant à IMOS et auteur principal de l'étude, explique: «Notre apport a été d’utiliser une représentation à valeurs complexes des signaux pour mieux séparer les informations qu'ils contiennent et d’adapter en conséquence le modèle d'intelligence artificielle.» L’algorithme qui en résulte permet ainsi de distinguer les anomalies des parties conformes de l’éolienne.

L’équipe de Glasgow souhaite à présent collecter plus de données, afin de valider les résultats obtenus par le laboratoire IMOS, inscrit au sein de la Faculté de l’environnement naturel, architectural et construit (ENAC). Les scientifiques prévoient de tester leur méthode sur des turbines existantes, en installant le capteur sur un bras robotisé ou sur un drone. Cette méthode devrait permettre de repérer les défauts de fabrication des turbines avant leur mise en service ou d'inspecter des appareils en cours d'exploitation. Une fois installée, une éolienne peut fonctionner durant une vingtaine d’années.


Auteur: Sandrine Perroud

Source: EPFL