IA prédictive maintenance éolien

Contexte

Exploitant de parcs éoliens (600 employés, 350M€ CA, 200 turbines sur 12 sites). Maintenance préventive calendaire coûteuse : interventions systématiques toutes les 6 semaines, 20% de pannes non anticipées. Coût de maintenance : 15M€/an. Données SCADA disponibles mais non exploitées pour la prédiction.

Problème & Défi

→ Maintenance préventive calendaire, interventions systématiques toutes les 6 semaines, souvent inutiles - 20% de pannes non anticipées → arrêts non planifiés de 72h en moyenne, perte de production de 5M€/an → Données SCADA de 200 turbines collectées mais non exploitées - 50 Go/jour non analysés - Coût de maintenance de 15M€/an dont 40% en interventions préventives non nécessaires → Aucun modèle prédictif – techniciens se basent sur l'expérience et les calendriers - Disponibilité des turbines à 92% vs 97% benchmark, 5 points de production perdus

Solution & Livrables

– Modèles ML prédictifs industrialisés sur 200 turbines (random forest + LSTM sur données SCADA temps réel) – Prédiction des pannes 7 à 21 jours à l'avance - taux de détection de 85% des défaillances – Maintenance condition-based vs calendaire – interventions préventives tombées de 40% – Disponibilité turbines améliorée de 92% à 96,5% → gain de production de 3,5M€/an – Coût de maintenance divisé, passant de 25% (15M€ → 11,2M€/an). ROI en 8 mois – Dashboard maintenance prédictive temps réel par site : priorisation intelligente des interventions

Technologies