(Encadrant : Nicolas Maillot (Thales))
Les éoliennes en mer (offshore) sont soumises à des conditions environnementales extrêmes qui accélèrent l'usure de leurs composants (notamment la boîte de vitesses, le générateur et les pales). Les interventions de maintenance en mer sont particulièrement coûteuses et complexes. Ce projet vise à concevoir un modèle capable d'analyser les données issues des systèmes de contrôle et d'acquisition de données pour détecter des anomalies de fonctionnement. Les étudiants découvriront les étapes clés d'un pipeline de data science : nettoyage des données, gestion des déséquilibres de classes (rareté des pannes), feature engineering temporel et entraînement d'un modèle de classification binaire.
Une étude sur la distribution géographique des éoliennes et leur contribution au mix énergétique pourra également être menée.
1) Définition des objectifs
2) Etudes bibiliographique
3) Prise en main des jeux de données [1],[2],[3]
4) Mise en place d’un environnement de travail (python, numpy, scikit-learn)
5) Analyse et interprétation des données
6) Progressivité dans la complexité de l’approche (des méthodes statistiques simples aux approches plus avancées en Machine Learning).
7) Prise de recul sur les enjeux énergétiques, sociétaux, environnementaux, de sécurité des parc éoliens
[1] Wind Turbine Scada Dataset- https://www.kaggle.com/datasets/berkerisen/wind-turbine-scada-dataset/data
[2] Wind Turbine SCADA Data For Early Fault Detection https://www.kaggle.com/datasets/azizkasimov/wind-turbine-scada-data-for-early-fault-detection
[3] Wind Turbine Gearbox Condition Monitoring Vibration Analysis Benchmarking Datasets - https://data.openei.org/submissions/738
nmaillot@protonmail.ch