Prédiction précoce des anomalies d’éoliennes utilisant une 1D-CNN et l’ingénierie de caractéristiques temporelles sur des données SCADA multi-sources

Maintenir les éoliennes en rotation

Les parcs éoliens deviennent un pilier de l’énergie propre, mais chaque turbine est une machine gigantesque et complexe opérant dans des conditions difficiles. Lorsqu’un élément dysfonctionne à l’intérieur d’une turbine, les réparations sont coûteuses et chaque heure d’arrêt se traduit par de l’électricité perdue. Cet article explore comment l’intelligence artificielle moderne peut repérer les signes avant-coureurs dans les données des turbines, afin que les opérateurs puissent corriger de petits problèmes avant qu’ils ne se transforment en défaillances importantes et coûteuses.

Le défi d’examiner des millions de relevés

Chaque éolienne transmet en continu des flux d’informations via son système de contrôle, appelé SCADA. Ces relevés incluent la température extérieure, la vitesse de rotation de l’arbre, la puissance produite et la stabilité de la fréquence du réseau électrique. Sur des dizaines de turbines et plusieurs parcs, cela se traduit par des millions de mesures horodatées. Les ingénieurs ne peuvent pas raisonnablement trier manuellement toutes ces données, et les alarmes traditionnelles basées sur des règles peinent lorsque les conditions varient d’un parc à l’autre ou d’une saison à l’autre.

Construire une vue d’ensemble à partir de plusieurs parcs

Les chercheurs ont abordé ce problème en combinant les données SCADA de trois parcs éoliens au Portugal et en Allemagne, couvrant au total 36 turbines sur plusieurs années. Comme chaque parc présente son propre ensemble de capteurs et d’échelles, l’équipe a d’abord dû aligner et nettoyer soigneusement les données. Ils ont retenu quatre signaux principaux communs à tous les parcs — température ambiante, fréquence du réseau, puissance active et vitesse de rotation — et les ont convertis et standardisés afin qu’une turbine d’un pays puisse être comparée équitablement à une turbine d’un autre. Ils ont également ajouté de simples indices temporels comme l’heure de la journée et le mois, puis découpé les données en fenêtres chevauchantes de 24 heures étiquetées comme comportement normal ou contenant un événement de panne.

Mettre différentes approches d’IA à l’épreuve

Avec cet ensemble de données unifié, l’équipe a réalisé une comparaison directe de plusieurs méthodes d’apprentissage profond populaires pour les données temporelles. Ils ont testé des réseaux récurrents traditionnels qui lisent les séquences pas à pas, des architectures plus avancées à mémoire comme les LSTM et les LSTM bidirectionnels, un réseau convolutionnel temporel qui remonte plus loin dans le temps via des filtres dilatés, et un réseau de convolution unidimensionnel (1D-CNN) qui balaie les motifs locaux le long de la chronologie. Tous les modèles ont été entraînés et réglés dans les mêmes conditions et évalués selon leur capacité à distinguer correctement le fonctionnement normal des signes précoces de défaillance, tout en limitant les fausses alertes.

Pourquoi de simples convolutions ont été les meilleures

Malgré la popularité des modèles de séquence plus complexes, la 1D-CNN simple a obtenu les meilleurs résultats pour cette tâche. Elle a atteint environ 85 % de précision et de score F1, et montré une forte capacité à distinguer comportement sain et comportement défaillant sur les trois parcs. Les auteurs expliquent ce succès par la façon dont les filtres convolutionnels captent efficacement les motifs à court terme et les changements brusques sur plusieurs signaux simultanément, qui sont souvent les éléments clés des indices précurseurs de panne. Des tests statistiques ont confirmé que l’avantage de la 1D-CNN par rapport aux autres modèles standard n’était pas dû au hasard.

Ajout d’un modèle hybride plus intelligent

Après avoir établi une référence équitable, les chercheurs sont allés plus loin en concevant un modèle hybride qui combine des couches convolutionnelles avec des couches LSTM et un mécanisme d’attention. Dans cette architecture, la partie convolutionnelle extrait rapidement des caractéristiques locales des signaux des capteurs, la partie LSTM suit l’évolution de ces caractéristiques sur des périodes plus longues, et le composant d’attention pondère automatiquement les moments les plus informatifs d’une séquence. Cette approche hybride a encore amélioré les performances, atteignant environ 87 % de précision, et a surpassé d’autres architectures combinées construites avec les mêmes éléments.

Ce que cela signifie pour l’énergie propre

Pour un public non spécialiste, la conclusion principale est que des données préparées avec soin, associées à des modèles d’apprentissage profond bien choisis, peuvent fournir aux opérateurs de parcs éoliens des alertes précoces et fiables lorsqu’un problème commence à apparaître. En fusionnant l’information provenant de plusieurs sites et en laissant les algorithmes apprendre les motifs précèdent les pannes, l’étude montre une voie vers des outils de surveillance des turbines plus intelligents et plus généraux. En pratique, cela signifie moins de pannes surprises, des coûts de maintenance réduits et une alimentation plus régulière d’électricité propre sur le réseau — contribuant à maintenir les pales en rotation et les lumières allumées.

Citation: Ata, M.M., Osama, S., Ibraheem, M.R. et al. Early prediction of wind turbine anomalies using 1D-CNN and temporal feature engineering on multi-source SCADA data. Sci Rep 16, 9667 (2026). https://doi.org/10.1038/s41598-026-41571-7

Mots-clés: surveillance d’éoliennes, maintenance prédictive, séries temporelles SCADA, modèles d’apprentissage profond, détection de pannes