Du SCADA à l'insight : la donnée transforme l'O&M de l'éolien offshore.

La région Asie-Pacifique construit certaines des plus grandes flottes éoliennes offshore au monde et, d’ici la fin de la décennie, elle devrait représenter plus de 60 % de toute la nouvelle capacité éolienne installée dans le monde. La question plus difficile est de savoir comment exploiter ces flottes sur 25 ans en mer, là où une panne imprévue coûte bien plus cher que la même défaillance à terre. C’est le problème qui sous-tend notre travail avec Taichung Offshore Partner, un cabinet de conseil en O&M et en gestion de projet basé à Taïwan : nous avons relié leurs classeurs de planification éparpillés en un seul système qui suit les véhicules, les grues, les certifications des équipes et les dépendances entre tâches à l’échelle d’une opération en temps réel. Le même écart, des données opérationnelles incapables de se référer les unes aux autres, traverse l’ensemble du secteur, et le combler est le sujet de cet article.

Les éoliennes modernes génèrent d’énormes volumes de données opérationnelles depuis les débuts du secteur. Les systèmes SCADA collectent en continu des relevés issus de capteurs de température, de moniteurs de vibration, de jauges de vitesse de rotation, de capteurs de qualité d’huile, de pression hydraulique, de production électrique, d’état des roulements et de performance du multiplicateur, sur chaque éolienne d’un parc.

Pendant longtemps, l’essentiel de ces données partait dans le stockage et y restait. Les systèmes SCADA avaient un objectif clair : surveiller les défauts, déclencher une alarme, dépêcher un technicien. Le jeu de données opérationnel plus large s’accumulait sans être exploité.

Ces jeux de données historiques contenaient des schémas qui, analysés correctement, auraient pu prédire bon nombre des défaillances que l’on ne détectait qu’une fois survenues.

L’infrastructure de données permettant d’agir sur ce constat est ce que le secteur construit aujourd’hui.

Avant d’aborder des applications précises, il vaut la peine d’être clair sur le rôle que joue ici l’ingénierie des données, et sur ce qu’elle ne fait pas.

L’ingénierie des données, c’est le travail qui consiste à déplacer les données de l’endroit où elles sont générées vers celui où elles peuvent être utilisées : les nettoyer, les standardiser entre les différentes éoliennes et sites, les enrichir du contexte des journaux de maintenance et des relevés météo, et les rendre disponibles pour les outils d’analyse et de modélisation. C’est la fondation. Ce que l’on bâtit sur cette fondation, qu’il s’agisse d’un tableau de bord de reporting, d’un modèle de machine learning ou d’un système de planification automatisé, dépend de l’exploitant et du prestataire qui réalisent ce travail.

Le travail de Jinka se situe à la couche de l’ingénierie des données. Nous construisons les pipelines et l’infrastructure de données. Les applications ci-dessous représentent ce que cette infrastructure rend possible, construit par les exploitants et les prestataires IA avec lesquels ils travaillent.

Météo et adaptation opérationnelle

Les conditions météo influent directement sur la performance et sur la durée de vie des équipements. Les vents forts produisent de l’électricité. Les tempêtes, le givrage et la turbulence augmentent les contraintes mécaniques. Quand les données opérationnelles des éoliennes sont combinées de façon structurée aux prévisions météo en temps réel, les systèmes de contrôle peuvent ajuster l’angle des pales et la vitesse du rotor pour réagir à l’évolution des conditions avant qu’elles ne causent des dommages, plutôt qu’après.

La même infrastructure de données qui rend cela possible permet aussi à la planification de la maintenance de tenir compte des fenêtres météo, ce qui est particulièrement pertinent en environnement offshore, où la capacité à acheminer un navire et un équipage jusqu’à une éolienne dépend autant de l’état de la mer que de la disponibilité des équipements.

Détection des défauts et planification de la maintenance

La maintenance prédictive est l’application qui attire le plus l’attention, et pour de bonnes raisons. Une défaillance imprévue sur une éolienne offshore coûte bien plus que le composant lui-même. Elle immobilise un navire et un équipage, et la réparation attend une fenêtre météo avant même que quiconque puisse atteindre l’éolienne.

Des modèles de machine learning entraînés sur des années de données SCADA historiques peuvent repérer, dans les relevés de capteurs, des schémas qui ont précédé par le passé des défaillances d’équipements, souvent des semaines ou des mois avant qu’un seuil d’alarme classique ne se déclenche. Une dérive progressive des vibrations du multiplicateur, combinée à de subtiles variations de température et de production, pourrait ne déclencher aucune alerte individuelle mais être reconnue comme un schéma que le modèle a déjà vu.

Le travail d’ingénierie des données qui rend cela possible est moins visible mais tout aussi déterminant. Les données SCADA brutes ne peuvent pas entrer directement dans un modèle de machine learning. Elles doivent être standardisées entre éoliennes et sites, nettoyées des relevés de capteurs défaillants et des interruptions de communication, puis enrichies des historiques de maintenance et de libellés environnementaux pour que le modèle comprenne pourquoi une éolienne s’est comportée différemment pendant une période donnée. Ce travail de préparation détermine la qualité de tout ce qui se construit au-dessus.

Coordination de la planification et de la logistique

La planification de la maintenance offshore suppose de coordonner simultanément navires, techniciens, équipements, exigences de certification, fenêtres météo et priorités de maintenance. Des outils d’IA qui ont accès à des données structurées sur l’ensemble de ces variables peuvent évaluer des scénarios de planification plus vite que n’importe quel processus manuel et faire remonter les conflits avant qu’ils ne provoquent des retards sur le terrain.

Si la disponibilité des navires, les certifications des techniciens, l’état des équipements et les prévisions météo vivent tous dans des systèmes séparés incapables de se référer les uns aux autres, aucune capacité analytique ne règle le problème de coordination sous-jacent. Les données doivent être reliées avant de pouvoir être utiles.

Si cela compte particulièrement en APAC, c’est à cause du rythme du déploiement. À cette vitesse, l’efficacité opérationnelle devient un avantage concurrentiel à part entière, en plus de l’argent qu’elle fait économiser.

Taïwan est au cœur d’une part importante de ce déploiement, et l’écosystème d’O&M qui se développe autour est dense et interconnecté. Les exploitants indépendants, les spécialistes de la réparation de pales, les prestataires de services maritimes et les cabinets de gestion de projet qui opèrent dans ce champ se connaissent en grande partie. Ils font face à des défis de planification similaires, à des problèmes similaires de fragmentation des données et à la même pression de démontrer le ROI des outils numériques qu’ils déploient.

La fragmentation des données que nous avons démêlée s’inscrit pleinement dans cet écosystème, et elle se répète à toutes les échelles dans le secteur éolien de l’APAC.

Les entreprises qui développent leurs opérations à Taïwan, au Vietnam, au Japon et en Corée du Sud investissent dans des éoliennes et des navires. Celles qui exploiteront ces actifs le plus efficacement sur une durée de vie de 25 ans seront celles qui auront aussi investi dans l’infrastructure de données pour les soutenir.

Jinka fournit une infrastructure d’ingénierie des données et d’analytique à des clients industriels et énergétiques en APAC, en Europe et en Amérique du Nord. Cet article se veut un panorama sectoriel et ne constitue pas un conseil de mise en œuvre spécifique.