Le MIT utilise l’intelligence artificielle pour détecter plus rapidement les dysfonctionnements des éoliennes. Comment cette technologie peut-elle être appliquée dans le monde réel ?
À mesure que l’énergie éolienne gagne en popularité dans le monde entier, les ingénieurs en électricité affinent les méthodes de surveillance des performances des parcs éoliens. L’analyse des données est un domaine de recherche important, mais elle peut s’avérer excessivement chronophage et complexe, surtout lorsqu’il s’agit de trouver une seule turbine défaillante dans un vaste parc éolien.
Les efforts de surveillance de l’état des turbines peuvent produire trop d’informations à analyser rapidement, d’autant plus que cela ne doit pas interférer avec les autres responsabilités des ingénieurs. Par ailleurs, des ressources en temps et financières considérables sont nécessaires pour entraîner des modèles d’apprentissage profond à traiter ces données.
Cependant, une équipe de recherche du MIT a récemment exploré les possibilités de l’intelligence artificielle, développant une méthode de surveillance alternative utilisant des grands modèles de langage (LLM).
Parc éolien en Espagne. Image utilisée avec l’aimable autorisation de Unsplash
Développement d’un cadre pour les données temporelles
Les ingénieurs en électricité analysent généralement les données temporelles pour identifier les comportements inhabituels des turbines dans les parcs éoliens. Cette méthode permet de voir quand une anomalie est apparue pour la première fois et à quelle fréquence elle s’est répétée.
L’équipe du MIT a créé un cadre appelé SigLLM, qui convertit les données temporelles en un format que les grands modèles de langage peuvent traiter. Après avoir alimenté le cadre en informations pour le préparer, les utilisateurs peuvent demander aux grands modèles de langage de commencer à identifier les anomalies ou de faire des prévisions pour de futurs points de données.
Les expériences ont montré que les meilleurs modèles d’apprentissage profond surpassaient encore cette approche. Cependant, un avantage majeur est que les grands modèles de langage étaient pré-entraînés, permettant aux utilisateurs de les déployer immédiatement. Cela devrait plaire aux ingénieurs ayant peu ou pas d’expérience en matière d’application de l’intelligence artificielle à leur travail.
Un autre facteur prometteur est que les LLMs en sont encore aux premières étapes de leur utilisation dans le monde réel, et les chercheurs étudient continuellement comment améliorer leurs performances. Cette méthode progresse de manière significative et pourrait étendre les possibilités de surveillance, y compris celles liées aux satellites ou aux machines lourdes. De plus, les données pourraient révéler des tendances prédictives plutôt que de simplement alerter les ingénieurs des problèmes après qu’ils se soient produits.
D’autres efforts pour réduire le travail manuel chronophage avec l’IA ont produit des résultats tout aussi intrigants. Par exemple, l’Agence de Protection de l’Environnement des États-Unis a réalisé une amélioration de 600 % dans la détection des violations de la pollution de l’eau grâce aux algorithmes d’apprentissage machine.
Création de deux méthodes de détection d’anomalies
Le groupe du MIT a déterminé que les grands modèles de langage fonctionnent particulièrement bien pour les données temporelles car ils sont autorégressifs. En d’autres termes, ils reconnaissent que les nouvelles données de la séquence dépendent des informations précédentes.
L’équipe de recherche voulait également développer des grands modèles de langage fonctionnant bien sans ajustement fin, les rendant plus pratiques pour une utilisation quotidienne. Leur première méthode de détection d’anomalies consistait à alimenter le modèle en données et à le solliciter pour trouver des informations déviant de la norme.
L’équipe a formé le LLM sur des données (haut) puis a utilisé le modèle pour comparer le signal généré au comportement précédent (bas). Le LLM a comparé les signaux attendus et réels pour identifier l’anomalie. Image utilisée avec l’aimable autorisation de Alnegheimish et al.
L’autre approche transformait le grand modèle de langage en un système de prévision lorsque les utilisateurs lui demandaient de prédire la prochaine valeur de la série temporelle. Une fois qu’il en avait généré une, les chercheurs la comparaient à la donnée réelle. Les résultats ont montré que la deuxième méthode de détection était plus précise que la première, qui générait de nombreux faux positifs.
Les chercheurs ont également évalué comment les LLMs se comparaient aux modèles basés sur des transformateurs. Ces résultats ont montré que les grands modèles de langage surpasaient les autres modèles sur sept des 11 groupes de données malgré l’absence de réglage fin ou d’entraînement. En outre, les développements futurs des LLMs pourraient les équiper pour fournir des explications faciles à comprendre sur les problèmes identifiés, permettant aux ingénieurs ou aux autres membres du personnel d’apprendre ce qui est inhabituel à propos d’un point de données particulier.
Explorer d’autres progrès dans la détection des anomalies par l’IA
De nombreux autres groupes enquêtent également sur la détection des anomalies par l’IA pour les éoliennes. Étant donné que ces actifs sont si massifs et souvent trouvés par dizaines dans les parcs éoliens, la vérification manuelle des problèmes de performance est excessivement inefficace.
Annea, une startup allemande, propose une solution IA qui pourrait augmenter la production annuelle moyenne d’électricité des turbines jusqu’à 15 % en détectant l’usure des composants plus tôt pour prévenir les temps d’arrêt. La technologie utilise l’apprentissage machine et des modèles physiques pour créer des jumeaux numériques de turbines éoliennes, prévoyant leur état opérationnel et leurs performances jusqu’à un an à l’avance.
Plateforme de maintenance prédictive utilisant l’IA. Image utilisée avec l’aimable autorisation de Annea
Elle peut également automatiser la collecte de données utilisées pour la maintenance prédictive, éliminant ainsi le besoin de traitement manuel. Les responsables de la société affirment également qu’ils pourraient appliquer la technologie aux panneaux solaires ou aux équipements hydroélectriques.
Ailleurs, une collaboration internationale entre l’Université de Glasgow et l’EPFL en Suisse a combiné la technologie radar brevetée avec un assistant IA. Cette méthode peut détecter les défauts cachés sous la surface d’une turbine, ce qui pourrait en faire un ajout précieux aux processus de contrôle de qualité des fabricants. De plus, elle peut trouver des problèmes tout en étant jusqu’à 15 centimètres de la turbine, ce qui en fait une méthode sans contact et non destructive.
Progrès dans la détection des défauts des énergies renouvelables
Ces exemples de surveillance des turbines pourraient améliorer les flux de travail des ingénieurs et les aider à trouver des problèmes plus tôt. Même les solutions qui ne sont pas encore commercialisées augmenteront sans aucun doute l’apprentissage et le développement dans ce domaine.