Détecter les défauts au rotor des alternateurs hydroélectriques
Achetée sur Gettyimages.com. Droits d’auteur.
Cet article présente une méthode non invasive de détection de courts-circuits entre spires au rotor dans les grands hydrogénérateurs (74 MVA, 76 pôles) à l’aide d’un autoencodeur variationnel issu de l’intelligence artificielle. Des données vibratoires réelles provenant d’une machine saine ont permis de faire l’apprentissage du modèle, tandis que la méthode des éléments finis a permis d’extraire le schéma de fréquence de défaut des signaux vibratoires. L’injection des défauts dans des signaux sains a permis d’évaluer la sensibilité du modèle à la détection précoce des anomalies, comparativement aux méthodes traditionnelles. L’article explore également la classification dans l’espace latent du modèle, démontrant la capacité de la technique à détecter rapidement les anomalies et à regrouper les degrés de gravité des défauts dans un espace 3D facile à interpréter. Mots clés : Diagnostic, détection des défauts, alternateurs hydroélectriques, surveillance, non invasif, court-circuit entre spires au rotor, autoencodeur variationnel.
Surveillance de l’état de santé et diagnostic de défauts des grands alternateurs hydroélectriques
Les grands alternateurs hydroélectriques sont des machines synchrones à pôles saillants entrant dans la production d’électricité des centrales hydroélectriques. Ces machines coûteuses et vitales pour l’industrie exigent des techniques d’entretien conçues pour prolonger leur durée de vie, car des phénomènes de dégradation multiphysique peuvent se produire en raison de divers types de défauts, ce qui a pour effet d’augmenter les coûts d’exploitation [1] – [2]. Une détection précoce et fiable des anomalies sans trop de fausses alarmes permet d’améliorer l’efficacité.
Depuis des décennies, nombre d’entités physiques ont servi à cette fin, pour plusieurs types de machines rotatives, s’appuyant sur différents moyens d’acquisition de données [3]. Les progrès récents dans ce domaine proviennent principalement d’outils de pointe comme les techniques d’intelligence artificielle.
Signaux vibratoires à des fins de surveillance et de diagnostic : défis et solutions
L’importance des signaux vibratoires dans la surveillance et le diagnostic des défauts est clairement définie dans la littérature [1] – [3]. En outre, il est impératif de disposer d’un système de surveillance de l’état de santé en temps réel, qui détecte les défauts à un stade précoce sans déclencher de fausses alarmes. Toutefois, il est difficile d’obtenir des données étiquetées de conditions réelles de défaut par le biais de mesures in situ, car il est impossible d’arrêter les centrales électriques. Par conséquent, la recherche sur la surveillance et le diagnostic des défauts dans les grands alternateurs hydroélectriques à l’aide de signaux vibratoires est restreinte, ce qui met en évidence les défis de ce domaine. C’est pourquoi, comme le montre la Figure 1, nous avons recueilli in situ des signaux vibratoires réels d’un hydrogénérateur (74 MVA à 76 pôles) et les avons répartis en trois ensembles (ensembles 1, 2 et 3). Pour obtenir la signature du défaut, soit le court-circuit entre spires au rotor (rotor inter-turn short-circuit, RITSC) de divers degrés de gravité, nous avons créé un modèle numérique de l’hydrogénérateur à l’aide d’ANSYS® Workbench : les résultats du modèle électromagnétique 2D ont servi d’entrées pour le modèle mécanique 3D. Nous avons ensuite injecté le modèle de l’ensemble 3 pour aboutir à un ensemble contenant des signaux sains et défectueux (ensemble 4).
Nous avons appliqué la base de données résultante à une technique d’apprentissage profond, l’autoencodeur variationnel (VAE), comme indiqué dans la section supérieure de la figure 1. L’autoencodeur a été entraîné et validé sur la base des signaux sains des ensembles 1 et 2, respectivement. L’ensemble 4 a servi à évaluer la capacité du modèle à effectuer un suivi statistique et à classifier l’état de santé.
Classification des dégradations de santé dans un espace convivial
La classification de divers états de dégradation d’un système est essentielle pour diagnostiquer facilement les défauts. La figure 2 montre l’espace latent obtenu à partir des signaux de l’ensemble 4, après injection du défaut. Le modèle présente une bonne structure et des grappes bien définies, où chaque couleur représente un degré de dégradation, démontrant la supériorité de la classification dans l’espace R³ . En outre, le modèle est sensible aux différents degrés de défauts : les grappes saines et défectueuses deviennent de plus en plus disjointes à mesure que l’amplitude du défaut augmente, et qu’on observe une tendance à la hausse des dégradations. On suppose donc que le présent modèle devient un outil visuel efficace pour le regroupement et, potentiellement, pour le diagnostic des défauts.
Figure 1 Schéma méthodologique global de surveillance et diagnostic de santé
Figure 2 Visualisation du regroupement d’espaces latents
Détection précoce des défauts en fonction du modèle VAE et des signaux vibratoires
L’erreur quadratique moyenne (mean square error, MSE) de chaque signal reconstruit de l’ensemble 4, de gravité de défaut croissante, est comparée aux résultats obtenus avec la technique classique de surveillance, par valeur quadratique moyenne (root mean square, RMS) , comme présenté dans la figure 3, où seuls les cas sains et 1RITSC sont montrés. Les barres horizontales verte et rose représentent l’indicateur de seuil de défaut (fault threshold indicator, FTI) du modèle VAE (variational autoencoder) et de la technique respectivement, d’après les signaux de l’ensemble 2.
Avec la méthode l’erreur dépasse le dans les premiers stades du défaut (entre 0,25 % et 0,75 %). Cependant, avec la méthode , il est difficile de noter une variation importante entre le cas sain et le cas défectueux en dessous de 3 %, et une alarme est déclenchée entre 3 % et 6 % en fonction du signal utilisé. En pratique, avec les deux méthodes, le défaut est détecté avant le 1RTISC (6 %), mais avec le VAE, il est détecté plus tôt qu’avec la méthode , comme on peut le voir dans la figure 3. Par conséquent, le modèle proposé s’avère un outil puissant pour détecter les défauts à des stades plus précoces, car il est plus sensible, preuve qu’il convient à la surveillance de l’état de santé.
Figure 3 RMS et MSE variation en fonction du degré de gravité du défaut des six signaux de l’ensemble 4
Le VAE pour la surveillance de la santé et le diagnostic de défauts dans les grands alternateurs hydroélectriques
Cet article a démontré la capacité du VAE à détecter rapidement les RITSC. Le modèle a été entraîné et validé sur des signaux sains collectés in situ sur un hydrogénérateur réel. Les données étiquetées portant sur les défauts étaient insuffisantes : nous avons donc créé un ensemble de signaux défectueux en injectant le défaut (différents degrés de gravité), selon son schéma de fréquence dérivé de simulations numériques sur ANSYS Workbench®, dans un ensemble de signaux sains.
Nos résultats prouvent que l’approche proposée fournit de meilleurs résultats pour détecter de façon précoce des défauts que la technique de surveillance traditionnelle RMS. En outre, le modèle peut représenter les différents états de dégradations (sain, 1RITSC, 2RITSC et 3IRTSC) dans un espace latent 3D convivial, facile à interpréter, où chaque dégradation est représentée par une grappe facilement identifiable. Le modèle s’avère adéquat dans le cadre d’un diagnostic de défaut.
Complément d’information
Pour plus d’informations sur le sujet, lire l’article suivant :
Ibrahim et al., « Non-invasive Detection of Rotor Inter-turn Short Circuit of a Hydrogenerator Using AI-Based Variational Autoencoder, » in IEEE Transactions on Industry Applications, doi: 10.1109/TIA.2023.3281311.
