Maintenance prédictive du parc éolien de TerraVolt

TerraVolt exploite un parc de 340 éoliennes réparties sur huit sites en France et en mer du Nord. Les pannes non anticipées coûtaient en moyenne 12 000 euros par événement — immobilisation, intervention d’urgence, perte de production. Avec un taux de panne imprévu de 6,2 % par trimestre, l’impact financier dépassait 4 millions d’euros par an. Les capteurs SCADA généraient des téraoctets de données sans qu’aucun système ne soit capable de les exploiter à des fins prédictives.

Nous avons conçu un système de maintenance prédictive basé sur des réseaux LSTM entraînés sur trois ans de données SCADA (température, vibration, puissance, vent). Le modèle détecte les signatures précurseurs de défaillance sur les composants critiques — multiplicateur, génératrice, système d’orientation — avec un horizon de prédiction de 72 heures. Un pipeline d’ingestion temps réel sur Apache Kafka alimente le modèle en continu. Les alertes sont intégrées au CMMS existant de TerraVolt pour déclencher automatiquement les ordres de maintenance.

En neuf mois d’exploitation, le taux de panne imprévu a chuté de 6,2 % à 1,8 % par trimestre. Le coût moyen d’intervention a diminué de 38 % grâce à la planification anticipée. La disponibilité du parc est passée de 94,1 % à 97,3 %. Le retour sur investissement a été atteint en sept mois. TerraVolt a étendu le système à l’ensemble de son parc européen.