Projet de fin d'étude : Détection et Classification des Défauts dans les Éoliennes à l'aide de Machines à Vecteurs de Support (SVM)
Etudiant : BENTATA AHLAME
Filière : Automatique et Enérgies Renouvelables (MAER)
Encadrant : Pr. EL YAAKOUBI ALI
Annèe : 2024
Résumé : L'énergie éolienne connaît une expansion remarquable parmi les sources renouvelables, entraînant une augmentation significative en nombre et en complexité des turbines éoliennes ces dernières décennies. la surveillance et la détection des défauts dans les éoliennes, en se concentrant sur l'utilisation des machines à vecteurs de support (SVM) comme méthode d'intelligence artificielle. Cette étude met en lumière l'importance croissante des énergies renouvelables, notamment l'énergie éolienne, qui peut être affectée par divers défauts au niveau des capteurs et des actionneurs. Ces défauts nécessitent une détection précoce pour prévenir les pannes majeures et réduire les coûts de maintenance. Les SVM sont proposées comme une méthode efficace pour détecter et classifier les défauts des capteurs et des actionneurs, permettant ainsi de prévenir les pannes majeures et de réduire les coûts de maintenance. La méthodologie comprend la présentation du mécanisme de surveillance, la collecte de données, l'entraînement des modèles et l'évaluation des performances. Les résultats obtenus indiquent que les SVM détectent avec précision et rapidité les anomalies, améliorant ainsi la maintenance préventive et réduisant les périodes d'arrêt imprévues. En conclusion, cette étude souligne l’importance critique des technologies de détection de défauts pour améliorer la fiabilité des éoliennes et assurer la production continue d’énergie propre. Mots clés : Détection de défauts ; Énergie éolienne ; Machines à vecteurs de support (SVM)