Modéliser l'incertitude du diagnostic des défaillances des actifs en énergies renouvelables

Dans la transition énergétique du Québec, l’utilisation des énergies renouvelables est de plus en plus proéminente pour atteindre la carboneutralité. Par conséquent, une utilisation efficiente devient un enjeu stratégique. En vue de maximiser le rendement énergétique, de réduire les délais de maintenance et de minimiser les coûts opérationnels, la maintenance prédictive et la PHM pourraient offrir de solutions intéressantes.  

Le traitement des données massives provenant des capteurs et l’analyse de ses comportements complexes et parfois non linéaires nécessitent une nouvelle approche pour relever ces défis. Dans cette recherche, l’implémentation des méthodes d’apprentissage profond pour la détection d’anomalies est étudiée. L’intérêt de la présente étude, basée sur l’autoencodeur, est de tenter de quantifier le degré d’incertitude inhérent à un diagnostic spécifique. L’autoencodeur est un algorithme très intéressant pour signaler la présence d’une défaillance, cependant il n’a pas la capacité de modéliser l’incertitude de ce diagnostic. Cette information est essentielle pour prendre une décision basée sur le risque. Ce projet vise le développement d’un outil pour déterminer un indice de probabilité-occurrence pour un diagnostic. Les avancements à jour de ce projet ainsi qu’un état de l’art seront d’abord présentés. Pour terminer, le présentateur offrira une idée sur le développement d’un tel outil de diagnostic ainsi que les prochaines étapes du projet.