L’énergie éolienne est une énergie renouvelable qui a progressée rapidement dans ces dernières années. Toute machine éolienne fournit de l’énergie électrique propre et considérable. Elle est presque sans dépenses à l’exception d’un budget de sa construction et de son entretien. Les parcs éoliens sont généralement installés dans des endroits éloignés, difficiles à l’accès, et soumis à des conditions environnementales difficiles [116]. Leur maintenance pose un problème. Pour la faciliter, un système de télésurveillance prédictive et périodique permet de surveiller son fonctionnement et de détecter ses défauts électromécaniques. Ce système de diagnostic à distance devient essentiel pour réduire les coûts de réparation et assurer la continuité de production. En effet, pour anticiper l’arrêt définitif des éoliennes, la surveillance en ligne de leur état serait la technique la plus efficace, car elle permet d’évaluer leur état de santé en fonctionnement par l’analyse de leurs signaux mesurés en permanence [117]. Différents types de capteurs peuvent leur être installés et utilisés pour générer ces signaux physiques. Plusieurs méthodes existent et permettent d’exploiter ces indicateurs, de détecter et d’identifier les défauts de ces machines [58, 59, 212, 213]. C’est pourquoi la fiabilité des éoliennes devient un sujet important dans la recherche scientifique et dans l’industrie.
La plupart des recherches récentes ont été orientées vers la télésurveillance. Pour le cas des éoliennes, on a mis l’accent sur l’étude des courants statoriques de leurs moteurs. Parmi les méthodes les plus populaires pour le diagnostic de défauts, on cite celle d’analyse de la signature du courant CSA. Elle est plus pratique et moins coûteuse [34, 38, 40, 41]. Dans ces dernières années, nombreuses études basées sur des techniques de traitement du signal ont été investies pour déceler les défauts des machines électriques avant apparition de défaillances catastrophiques. Ces techniques sont initialement développées pour les moteurs à induction électrique. Elles peuvent actuellement être facilement adaptées aux générateurs d’éoliennes.
En effet, le développement technologique des processeurs de traitement du signal numérique DSP, le diagnostic des pannes dans les machines éoliennes peut maintenant être réalisé en temps
réel [38]. Parmi les techniques de traitement du signal, existent les méthodes non paramétriques, les méthodes paramétriques et les méthodes de haute résolution HRM. Elles sont largement adoptées dans le diagnostic des machines à induction. Elles peuvent être utilisées dans l’estimation spectrale [57-61, 95]. Toutefois, les travaux de recherche, effectués avec ces méthodes HRM, ne mettent pas en évidence les paramètres de précision, le niveau de robustesse de chaque approche et le temps de calcul écoulé. Assurer l’exécution de leurs algorithmes est un paramètre clé dans leur intégration en temps réel dans toute application de détection.
Par ailleurs, une investigation focalisée sur le calcul de l’erreur quadratique moyenne MSE et sur la variance de la détection des harmoniques caractérisant les défauts est faite pour évaluer l’exactitude et la robustesse de la détection. Celle-ci est nécessaire lorsque les paramètres du signal, contenant des informations sur les défauts, subissent des changements en fonction des contraintes de l’application [43-53]. L’objectif principal de cette étude est de rechercher une méthode de détection à haute résolution efficace convenablement adaptée pour la mise en œuvre de la supervision d’état de santé d’une éolienne.
Dans la littérature, de nombreuses études de recherche concernant l’application des outils avancés et des techniques améliorées de traitement du signal, ont été couramment utilisées dans l’analyse de courant statorique délivré par tout générateur d’éolienne. Leur but est la surveillance et le diagnostique des pannes électromécaniques d’une telle machine. Ces pannes provoquent un effet de modulation du champ magnétique dans le générateur de l’éolienne relative. Il se traduit par l’apparition des harmoniques (sous forme de pics) dans le spectre fréquentiel du courant statorique [38-42]. Néanmoins, ces techniques sont inappropriées, parce qu’elles ont des inconvénients tels que la complexité élevée, la résolution dégradée, etc. Cependant, certains défauts sont caractérisés par des comportements non stationnaires [34, 38]. Pour cette raison, certains chercheurs s’intéressaient en particulier à des méthodes adaptées aux signaux non- stationnaires. Parmi ces méthodes, l’analyse temps-fréquence, le spectrogramme, la décomposition en ondelettes (scalogramme), la représentation de Wigner-Ville, la Transformée de Concordia CT et la Transformée de Hilbert-Huang [42], [63-73].
Le périodogramme et ses extensions, évaluées par la transformée de Fourier rapide FFT n’est pas un estimateur cohérent de densité spectrale de puissance PSD puisque sa variance ne tend pas vers zéro lorsque la longueur de données tend vers l’infini. Dans plusieurs travaux de recherche, le périodogramme a été largement utilisé dans la détection de défauts des machines électriques à induction [38], [64]. La FFT ne donne aucune information sur l’instant d’apparition de toute composante fréquentielle (pic). Par conséquent, l’approche de Transformée Fourier à
fenêtre glissante STFT est utilisée pour éliminer cette lacune. Son inconvénient est qu’elle nécessite un temps d’échantillonnage plus grand pour avoir une bonne résolution en fréquence [65]. La discrimination des composantes fréquentielles, contenues dans le signal est limitée par la longueur de la fenêtre choisie [155]. Par ailleurs, la transformée en ondelettes discrète DWT est utilisée dans [56], [100] pour diagnostiquer les défaillances liées aux conditions transitoires. Elle est en effet, appliquée dans les systèmes de conversion d’énergie éolienne pour faire des résolutions différentes des fréquences. Cette méthode facilite l’interprétation du signal, car elle tient compte de toutes les informations contenues dans le signal par une distribution temps- fréquence. Une des limites de cette technique réside dans le fait qu’elle offre en hautes fréquences, une bonne résolution temporelle et une mauvaise résolution fréquentielle. Cependant, elle fournit une bonne résolution fréquentielle et une faible résolution temporelle en basses fréquences [67, 68].
En général, les méthodes paramétriques n’ont pu améliorer la performance de résolution fréquentielle que lorsqu’elles sont affectées avec un bon rapport signal sur bruit SNR [68, 69]. Ces méthodes modernes se basent sur le calcul de la covariance matricielle du signal. La détermination de rang de cette matrice permet de diviser l’espace des données (échantillons du signal acquis) en deux ensembles. Le sous-espace signal engendré par des sinusoïdes, et le sous- espace bruit qui est son complémentaire orthogonal. Les méthodes à haute résolution HRM offrent une plus grande robustesse en comparaison avec les techniques de prédiction linéaire.
En outre, les méthodes HRM ont la capacité de détecter des fréquences à un faible SNR. Pour cette raison, elles sont souvent utilisées dans les antennes de communication. Elles ont été introduites dans le développement de diagnostic des défauts des machines électriques. Ce sont des moteurs électriques à induction et des générateurs de courant d’éoliennes. En effet, l’application de la méthode classification multiple du signal MUSIC dépendante de l’espace bruit et de ses versions zoom conjugués a amélioré la détection par l’identification d’un grand nombre de fréquences [67-73, 75-81]. En addition, les méthodes d’analyse propre sont particulièrement appropriées au cas où les composantes du signal sont des sinusoïdes corrompues par un bruit blanc additif. Ces algorithmes sont basés sur une décomposition propre de la matrice de corrélation du signal corrompu par un bruit. Une autre approche utilisée s’appuyant sur l’espace signal, est la méthode ESPRIT [74], [85]. Elle permet la détermination des composantes harmoniques avec une grande précision. En fait, on examine ici les techniques à haute résolution, les plus efficaces dans la détection des défauts d’une éolienne, à l’aide de son courant statorique.