Rapport de Stage de Fin d'Etudes Machine learning pour le diagnostic des éoliennes offshore PDF

Preview

Summary

Rapport de Stage de Fin d’Etudes Présenté par : Mahamadou Klanan Diarra Parcours Ingénierie mathématique Majeure Ingénierie Mathématique Pour l’Entreprise 06 mai - 31 octobre, 2019 Machine learning pour le diagnostic des éoliennes offshore INSA ROUEN, Laboratoire d’Informatique, de Traitement de l’In...

Description

Rapport de Stage de Fin d’Etudes Présenté par :

Mahamadou Klanan Diarra Parcours Ingénierie mathématique Majeure Ingénierie Mathématique Pour l’Entreprise 06 mai - 31 octobre, 2019

Machine learning pour le diagnostic des éoliennes offshore INSA ROUEN, Laboratoire d’Informatique, de Traitement de l’Information et des Systèmes (LITIS)

Directeur de stage : Prof. Gilles Gasso

Sorbonne Université - Paris 6

Table des matières 1 Introduction

2

2 Contexte du stage 2.1 Siemens Gamesa . . . . . . . . . . . 2.2 Environnement de travail . . . . . . . 2.3 Éolienne : histoire et fonctionnement 2.4 Formulation du problème . . . . . . .

. . . .

4 4 4 5 8

3 Déroulement du stage 3.1 Problématique du stage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2 Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3 Implémentation & Test . . . . . . . . . . . . . . . . . . . . . . . . . . . .

10 10 10 11

4 Études des modèles 4.1 Préambule . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2 Kernel change detection . . . . . . . . . . . . . . . . . . . . . . . . 4.2.1 One class svm . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.2 Algorithme du kernel change detection . . . . . . . . . . . . 4.3 Discrépance moyenne maximale (maximum mean dicrepancy MMD) 4.3.1 MMD dans un espace de Hilbert à noyau reproduisant . . .

. . . . . .

12 12 13 14 17 20 21

. . . . . . .

24 24 26 26 28 28 29 32

. . . .

. . . .

5 Évaluation 5.1 Données . . . . . . . . . . . . . . . . . . 5.1.1 Feature extraction . . . . . . . . 5.2 Test sur des lois de probabilités . . . . . 5.3 Test sur des données simulées d’éoliennes 5.3.1 Pré-traitement des données . . . 5.3.2 Stratégie de mise en œuvre . . . . 5.3.3 Résultats . . . . . . . . . . . . .

. . . .

. . . . . . .

. . . .

. . . . . . .

. . . .

. . . . . . .

. . . .

. . . . . . .

. . . .

. . . . . . .

. . . .

. . . . . . .

. . . .

. . . . . . .

. . . .

. . . . . . .

. . . .

. . . . . . .

. . . .

. . . . . . .

. . . .

. . . . . . .

. . . .

. . . . . . .

. . . .

. . . . . . .

. . . .

. . . . . . .

. . . .

. . . . . . .

. . . .

. . . .

. . . .

. . . . . . .

. . . . . . .

. . . . . . .

6 Conclusion

37

A Annexes

39

1

Table des figures 1.1

La part de l’éolien dans la production d’électricité en France en 2017 et dans le monde en 2016. Ces représentations sont issues du site internet d’EDF. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2

2.1

Moulin-cabine à corps mobile. Robert Philippe (1982)[2] . . . . . . . .

6

2.2

Différentes parties d’une éolienne[3] . . . . . . . . . . . . . . . . . . . . .

7

2.3

A droite la nacelle d’une éolienne onshore. Sa particularité est qu’elle munie de boite de vitesses car le générateur plus petit est placé à l’intérieur de la nacelle contrairement à une éolienne offshore dotée d’un plus gros générateur placé entre le rotor et la nacelle. Les éoliennes offshore de Siemens Gamesa ne sont pas munies de boites de vitesses . . . . . . . . . . . . . . . . . . .

4.1

8

Illustration du transfert des données non linéairement séparable via la fonction Φ(·) aussi appelée feature map . . . . . . . . . . . . . . . . . . .

13

4.2

Illustration du OC-SVM . . . . . . . . . . . . . . . . . . . . . . . . . . .

14

4.3

Les données sont telles que k(xi , xi ) = c. Trouver l’hyperplan est équivalent à trouver la sphère de rayon minimale qui entoure une certaine proportion des données. Cette illustration est extraite du livre Learning with kernels (voir référence [1], p. 234)

4.4

. . . . . . . . . . . . . . . . . . . . . . . . . .

Influence des paramètres ν et γ sur la région estimée par le OC-SVM. Les points rouge sont en dehors de la région et sont jugés atypiques . . . . .

4.5

16

17

Principe de la fenêtre glissante, on veut tester la présence d’un changement à partir de xt . Cette illustration est extraite du papier An online kernel change detection algorithm. (voir référence [2], p. 3) . . . . . . . . . 2

18

4.6

Illustration du OC-SVM correspond aux deux fenêtres d’observations. Cette illustration est extraite du papier An online kernel change detection algorithm. (voir référence [2], p. 8) . . . . . . . . . . . . . . . . . . . . .

5.2

Accélérations de la nacelle et des pales. Cet exemple simule un changement de vitesse du vent. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5.1

19

24

Vibration latérale de la pale. Cette vibration entraîne celle de la nacelle lorsque la pale est aligné suivant l’axe de l’éolienne. . . . . . . . . . . . .

25

5.3

Fréquences des pales . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

25

5.4

Données simulées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

27

5.5

Graphiques des tests réalises sur des simulations de différentes lois de probabilités comparées à la loi normale centrée réduite . . . . . . . . . .

5.6

Pré-traitement : la figure de gauche représente les signaux d’entrées, celle de droite les signaux de sorties . . . . . . . . . . . . . . . . . . . . . . . .

5.7

27

29

Illustration de la stratégie de détection : les rectangles représentent les spectrogrammes des 3 pales, At,N , Bt,N et Ct,N représentent les sous matrices de N colonnes prélevées sur les spectrogrammes respectivement à l’itération t. 30

5.8

Les Spectrogrammes des signaux pré-traités . . . . . . . . . . . . . . . .

5.9

KCD : le graphique de gauche représente les comparaisons des pales deux à deux, celui de droite la moyenne . . . . . . . . . . . . . . . . . . . . . .

31

31

5.10 MMD : le graphique de gauche représente les comparaisons des pales deux à deux, celui de droite la moyenne . . . . . . . . . . . . . . . . . . . . . .

32

5.11 Accélérations et fréquences des pales, défaut sur la pale B à partir de 5400.0. Le défaut s’amplifie progressivement. . . . . . . . . . . . . . . . . . . . .

34

5.12 Signaux pré-traités à gauche, spectrogrammes à droite . . . . . . . . . .

34

5.13 KCD à gauche, MMD à droite. La ligne rouge représente le seuil. . . . . .

34

5.14 Accélérations et fréquences, défaut : 11000 . . . . . . . . . . . . . . . . .

35

5.15 Spectrogrammes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

35

5.16 Gauche : KCD, droite : MMD . . . . . . . . . . . . . . . . . . . . . . .

35

3

5.17 Accélérations et fréquences test 3, défaut : 5400 . . . . . . . . . . . . . .

36

5.18 Spectrogrammes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

36

5.19 Gauche : KCD, droite : MMD . . . . . . . . . . . . . . . . . . . . . . .

36

1

Exemple d’utilisation, les points noirs sont tirés d’une distribution normale centrée et réduite, les points violets quant à eux sont d’une distribution normale de moyenne (1,1) mais de même variance. La mesure calculée est affichée en bas du graphe. . . . . . . . . . . . . . . . . . . . . . . . . . .

4

44

Résumé La détection de pannes sur les éoliennes est un défi majeur pour les contrôleurs de ces dispositifs. En effet la problématique a suscité de nombreux travaux et bon nombre d’approches tant statistiques que purement mécaniques ont été développées. Cet engouement pour les dispositifs éoliens est d’une part dû au paradoxe entre le besoin croissant d’énergies et les défis écologiques auxquels nous faisons face et d’autre part le coût de maintenance de ces dispositifs et la difficulté d’accès aux zones d’implantations. L’objectif de ce travail est d’implémenter des modèles de machine learning qui permettent de diagnostiquer la présence ou non de défauts sur les éoliennes offshore.

Remerciements Avant d’aller plus loin dans ce rapport, il m’est très agréable d’exprimer ma reconnaissance envers les personnes qui m’ont apporté leur soutien que ce soit technique et moral dans l’élaboration de ce travail. Je présente mes profonds respect et reconnaissance au Prof. Gilles Gasso, mon directeur de stage, de m’avoir permis de travailler sur un sujet aussi passionnant, pour son enseignement et le temps qu’il m’a consacré. Je tiens également à ajouter que chacune de nos réunions était pour moi un réel plaisir, et ne faisait que m’encourager à approfondir mes connaissances en machine learning. Mes sincères remerciements vont également à tout le personnel du LITIS particulièrement à mon voisin de bureau Dr. Mathieu Bourgais pour ces conseils et tout le temps qu’il m’a consacré. Mes respects à toute l’équipe de Siemens Gamesa pour leur accueil très chaleureux, particulièrement mon contact au sein de l’équipe Mr. Panousis Panagiotis pour sa gentillesse et son enseignement. Un merci très spécial aux enseignants de la Sorbonne Université, des personnes qui m’ont transmis leur savoir au cours de ces deux dernières années. J’estime leur travail au plus haut point. Un très grand merci aux responsables du majeur Ingénierie Mathématique Pour l’Entreprise ainsi que mes sincères salutations à mes camarades de promotions. Je ne saurai conclure cette partie sans une pensée envers ma famille et mes amis, qui, à travers leur soutien omniprésent me permettent d’aller de l’avant et faire du mieux.

1

Introduction 85.2% de la consommation d’énergie dans le monde serait de nature fossile[1] . Compte tenu des enjeux écologiques, on s’oriente de plus en plus vers des moyens de production d’énergies renouvelables. Parmi les différents moyens de production d’énergies vertes entre autres le solaire, l’hydraulique, la biomasse.., l’éolien occupe une place importante.

(a)

(b)

Figure 1.1 – La part de l’éolien dans la production d’électricité en France en 2017 et dans le monde en 2016. Ces représentations sont issues du site internet d’EDF. La production d’énergie éolien dépend intrinsèquement de la force du vent mais aussi du système de contrôle mis en œuvre sur ces dispositifs. Ce système de contrôle, outre maintenir la production à un niveau optimal, doit permettre de détecter des pannes le plus rapidement possible et mettre le dispositif hors service pour éviter une détérioration complète du matériel. D’ou l’objet de ce projet qui vise à mener une investigation des modèles de détection par les méthodes du machine learning en vue d’une intégration dans le système de contrôle.

2

Dans le premier chapitre nous posons le contexte du stage, décrivons l’environnement de travail, donnons en bref un historique et le principe de fonctionnement d’une éolienne pour finir par une formalisation du problème. Au second nous donnons un récapitulatif des différentes étapes du stage. Les chapitres 3 et 4 de ce rapport s’attellent à décrire les modèles étudiés, la stratégie de détection mise en œuvre et à présenter les résultats obtenus. Nous finissons évidemment par une conclusion et d’éventuelles perspectives.

3

Contexte du stage 2.1

Siemens Gamesa

Siemens Gamesa est une société européenne fondée en 2017 suite à la fusion de Siemens Wind Power et de Gamesa. Avec plus de 40 ans d’expérience Siemens Gamesa est l’un des principaux fournisseurs mondiaux de produits, solutions et services dans le domaine de l’énergie éolienne. Siemens Gamesa c’est plus de 90.6 GW installés, 23000 employés et 9.1 Mrd euro de chiffre d’affaire. Le département R&D de la section Load & control de Siemens Gamesa France a ses locaux dans l’un des bâtiments de l’INSA de Rouen. C’est une équipe constituée de 10 chercheurs dont les études portent sur les phénomènes aérodynamiques, étude des charges qui s’exerce sur les éoliennes, sur l’amélioration du système de contrôle des dispositifs éoliens.

2.2

Environnement de travail

Ce stage intervient dans le cadre d’un projet R&D qui vise à intégrer des modèles de machine learning dans le contrôle des éoliennes offshore. Le travail s’est tenu au sein du Laboratoire d’Informatique, de Traitement de l’Information et des Systèmes (LITIS) sous la direction du Prof. Gilles Gasso. Le champ d’application des études menés au LITIS est très vaste et utilise en grande partie les technologies de l’intelligence artificielle et aussi les méthodes multi-agents. Ma mission au sein de cette entité consistait dans un premier temps à comprendre le sujet, faire une bibliographie 4

des méthodes de traitement existantes, en implémenter quelques unes et étudier leurs performances.

2.3

Éolienne : histoire et fonctionnement

Les éoliennes sont ce qu’on nomme des aérogénérateurs c’est à dire des dispositifs convertissant l’intensité du vent en énergie électrique. Les éoliennes sont inspirées des moulins à vent (voir image 2.1) apparus au VII siècle en Perse. On doit la première éolienne génératrice d’électricité à l’inventeur américain Charles Francis Brush qui construisit en 1888 une éolienne dotée de 144 pales pour alimenter sa maison en électricité. La première éolienne industrielle est due au danois Poul La Cour en 1891. Une éolienne est composée de plusieurs parties essentielles : le mat qui est une tige verticale de hauteur variable selon le type d’éolienne et la capacité de production ; le mat est solidement ancré sur une structure stable (fondation), la nacelle est fixée au sommet du mat et contient les composantes mécaniques et électroniques nécessaires au fonctionnement de l’éolienne, la nacelle peut tourner dans le plan horizontal pour se mettre face au vent, le rotor correspond au nez rotatif de la nacelle sur lequel est fixé les pales au nombre de trois généralement. Pour ce qui est du fonctionnement, sous l’effet du vent les pales se mettent en mouvement circulaire entraînant le rotor qui à son tour met en mouvement un aimant autour ou dans une bobine. C’est une explication très brève du fonctionnement de l’éolienne, car en effet, la nacelle contient bon nombre de composantes mécaniques qui interviennent dans le processus et il y a tout un système de contrôle qui coordonne en réalité ces mouvements.

5

Figure 2.1 – Moulin-cabine à corps mobile. Robert Philippe (1982)[2]

6

Figure 2.2 – Différentes parties d’une éolienne[3]

7

Figure 2.3 – A droite la nacelle d’une éolienne onshore. Sa particularité est qu’elle munie de boite de vitesses car le générateur plus petit est placé à l’intérieur de la nacelle contrairement à une éolienne offshore dotée d’un plus gros générateur placé entre le rotor et la nacelle. Les éoliennes offshore de Siemens Gamesa ne sont pas munies de boites de vitesses

2.4

Formulation du problème

Le système de contrôle permet un monitoring de l’éolienne basé essentiellement sur du traitement (physique) du signal dans le sens où la méthode consiste à déterminer les fréquences de vibration des pales et à calculer l’écart entre ces fréquences. Formellement, soit FA , FB et FC les fréquences des trois pales. L’hypothèse de cette méthode est qu’en fonctionnement normal, les trois pales ont des fonctionnements semblables vu que leurs matériaux sont les mêmes (masse et raideur) et qu’elles sont soumises au même mouvement. En cas de défauts, fissure sur une pale par exemple, la fréquence de cette dernière change. Considérons les signaux suivants :               

dif f FA = FA − 0.5 ∗ (FB + FC ) dif f FB = FB − 0.5 ∗ (FA + FC ) dif f FC = FC − 0.5 ∗ (FA + FB )

8

(2.1)

Ces trois éléments doivent être stables autour de 0. Si l’un de ces signaux est en dehors d’un certain intervalle définie par [−ψ, ψ] avec ψ > 0, on est face à un défaut sur l’une des pales. Les méthodes présentées dans ce rapport partent d’une formulation différente. Considérons un processus (machine qui remplit des sachets de café, voix de personnes participant à un débat...) qui génère des données au cours du temps x0 , x1 , · · · , xt . La détection de ′

changements ou de défauts à l’instant t dans un tel processus se formule sous forme d’un test d’hypothèse comme suit : xt,1 = (x0 , ..., xt′ −1 ) ∼ P et xt,2 = (xt′ , ..., xt ) ∼ Q       

H0 : P ∼ Q

(2.2)

H1 : P ≁ Q

P et Q sont deux lois de distributions inconnues en pratique. L’hypothèse H0 étant qu’il n’y a aucun changement dans le processus, les données sont distribuées de la même ′

manière avant et après l’instant t . Le problème se ramène à trouver une statistique de test T (xt,1 , xt,2 ) et un seuil η > 0 telle que :       

H0 : T (xt,1 , xt,2 ) ≤ η (Pas de changement) ′

H1 : T (xt,1 , xt,2 ) > η (changement détecté à t )

(2.3)

Dans ce rapport nous présenterons deux méthodes qui partent de cette formulation : Kernel Change Detection et Maximun Mean Discrepancy.

9

Déroulement du stage Dans ce chapitre nous décrivons les différentes phases de déroulement du stage. Ce travail s’est déroulé au sein du LITIS (Laboratoire d’Informatique, de Traitement de l’Information et des Systèmes) sur un projet R&D de Siemens Gamesa de ce fait en étroite collaboration avec l’équipe de recherche Load & control de l’entreprise.

3.1

Problématique du stage

La première étape du stage a consisté à comprendre la problématique et ma mission. Au fur à mesure des différentes réunion avec mon directeur de stage et l’expert métier, ma mission s’est précisée et mes connaissances sur le dispositif éolien se sont accrues considérablement. En effet, c’était une étape constituée de plusieurs réunions d’explication : du problème, de ma mission, du dispositif éolien. C’était également une étape d’intégration, de présentation : à l’équipe de Siemens Gamesa, aux personnels du LITIS, mes voisins de bureau.

3.2

Bibliographie

Ma mission étant définie, l’étape suivante consistait à identifier des méthodes. Il s’agissait de faire une bibliographie des modèles de détection par machine learning, deux méthodes ont été suggérés par mon directeur de stage : Kernel change detection et le

10

Discrépance moyenne maximale (Maximum mean discrepancy). Ces méthodes ont été choisies pour leurs natures non paramétriques, non supervisées et également pour leurs bonnes propriétés théoriques. Il existe bien évidemment d’autres approches qui peuvent être paramétriques et/ou supervisés [8].

3.3

Implémentation & Test

La phase d’implémentation a occupé la grande partie de la durée du stage. Il a fallu d’abord installer Python et les packages de base pour commencer (nump...