Wind Turbine Maintenance Log Labelling Framework: LLM-Driven Data Correction and Enrichment via Semantic Extraction of Reliability Intelligence

Résumé Technique : Correction et Enrichissement de Données par LLM pour les Journaux de Maintenance des Éoliennes

Énoncé du Problème
À mesure que les parcs éoliens vieillissent, l'optimisation de l'exploitation et de la maintenance (O&M) devient cruciale pour prolonger la durée de vie opérationnelle et réduire le coût actualisé de l'énergie. Cependant, un goulot d'étranglement important existe dans le secteur de l'ingénierie de la fiabilité : une intelligence de défaillance précieuse est piégée dans des entrées de langage naturel non structurées au sein des journaux de maintenance historiques. Ces enregistrements, stockés dans des systèmes de gestion de la maintenance assistée par ordinateur (CMMS), souffrent de problèmes systémiques de qualité de données, notamment des codes de système hiérarchiques manquants ou incorrects, une ambiguïté sémantique et des étiquettes de type de maintenance génériques ou inexactes.

Les méthodologies de fiabilité traditionnelles, telles que l'Analyse des Modes de Défaillance et de leurs Effets (AMDE/FMEA), reposent fortement sur le jugement subjectif d'experts pour organiser les modes de défaillance et assigner des paramètres de risque, car la vérité empirique reste verrouillée dans le texte non structuré. De plus, les approches automatisées existantes utilisant le traitement automatique du langage naturel (NLP) et l'apprentissage automatique (ML) traditionnels nécessitent de vastes ensembles de données d'entraînement étiquetées manuellement et introduisent souvent des erreurs de classification algorithmique qui faussent les calculs de fiabilité en aval. L'industrie manque d'un pipeline automatisé et évolutif capable de transformer ces observations qualitatives de terrain en métriques de fiabilité quantitatives et exploitables par machine.

Méthodologie
L'article présente un nouveau cadre agnostique vis-à-vis du modèle qui exploite les grands modèles de langage (LLM) pour corriger, structurer et enrichir de manière autonome les journaux de maintenance. La méthodologie repose sur un ensemble de données de 16 316 journaux de maintenance provenant de 280 éoliennes réparties sur 32 parcs terrestres, surveillées sur neuf ans (2017–2026).

Le pipeline automatisé exécute un processus séquentiel en plusieurs phases :

1. Intégration et Prétraitement des Bases de Données : Le système fusionne les données des tables WORKORDER, WORKLOG et FAILURECODE pour créer une description chronologique unifiée pour chaque intervention, en supprimant le bruit syntaxique et les identifiants sensibles.
2. Alignement de la Taxonomie et Corrections de Codes de Système : En utilisant le Système de Désignation de Référence pour les Centrales Électriques (RDS-PP) comme base de référence, le LLM effectue un audit en trois étapes : correction des erreurs de classification du système de pitch (souvent incorrectement classées sous les pales du rotor), récupération des codes de système manquants et audit des divergences sémantiques entre les codes assignés et les descriptions textuelles.
3. Extraction Sémantique de Taxonomies Empiriques : Les journaux sont regroupés par codes de système corrigés et par topologies de composants spécifiques (ex: systèmes de pitch électriques vs hydrauliques). Le LLM analyse ces lots pour construire des dictionnaires fondés sur des preuves des actions de maintenance et des modes de défaillance, définissant les modes de défaillance par un nom, un mécanisme dominant, un symptôme observé et une cause potentielle.
4. Étiquetage Granulaire : Le LLM traite les journaux individuels pour appliquer les taxonomies dérivées. Il reclassifie les types de maintenance (distinguant par exemple les réparations correctives, les inspections et les réinitialisations) et assigne des étiquettes d'action spécifiques. Crucialement, le système utilise un cadre de raisonnement par chaîne de pensée (Chain-of-Thought - CoT), exigeant que le modèle génère un raisonnement et un score de confiance auto-assigné avant de finaliser une étiquette.
5. Garde-fous et Validation : Le pipeline intègre des règles déterministes pour gérer les événements de non-défaillance (ex: inspections de routine) et des « catégories d'échappement » pour les données non informatives. Un échantillon randomisé de 300 journaux a été revu manuellement, montrant un taux d'accord de 80 à 90 % entre les sorties du LLM et le jugement d'experts.

Contributions Clés

• Structuration Autonome des Données : Le cadre a réussi à structurer plus de 70 % de l'ensemble de données, corrigeant de manière autonome les codes de système hiérarchiques et extrayant des profils de modes de défaillance granulaires sans nécessole de données d'entraînement préexistantes et étiquetées manuellement.
• Correction des Erreurs de Classification Systémiques : L'étude a identifié et résolu des erreurs omniprésentes, telles que la mauvaise classification des défauts du système de pitch sous les catégories plus larges de pales de rotor et l'étiquetage erroné des inspections comme réparations correctives.
• Génération de Taxonomie Fondée sur des Preuves : Contrairement à l'AMDE traditionnelle qui repose sur des panels d'experts subjectifs, cette méthode dérive des dictionnaires de modes de défaillance directement à partir de preuves historiques agrégées, capturant les mécanismes de dégradation dominants et les causes potentielles spécifiques à différentes topologies de matériel.
• Pipeline Évolutif et Rentable : L'approche démontre que les LLM peuvent traiter des données industrielles complexes pour une fraction du temps et du coût d'une revue d'expert manuelle, avec un coût de traitement total d'environ 370 $ pour l'ensemble du jeu de données (soit environ 0,0226 $ par journal).

Résultats
L'application du pipeline a produit des changements quantitatifs et qualitatifs significatifs dans les données :

• Récupération des Codes de Système : 73,0 % des journaux présentant des défauts hiérarchiques ont été re-étiquetés avec succès. Notamment, l'extraction du système de pitch a atteint un taux de réussite de 99,1 %, isolant des défauts auparavant cachés sous des codes génériques.
• Correction du Type de Maintenance : 24,50 % de l'ensemble global des données ont vu leur type de maintenance corrigé. Une découverte majeure fut la reclassification de nombreux journaux « correctifs » en catégories « préventives » ou « d'inspection », ce qui est vital pour des calculs précis des taux de défaillance.
• Granularité des Actions : Le pipeline a récupéré des étiquettes d'action spécifiques pour 8,27 % des journaux auparavant vides et a inversé le ratio historique de « réparations » par rapport aux « remplacements », révélant que les remplacements étaient bien plus fréquents que ne le suggéraient les étiquettes génériques de « réparation ».
• Extraction des Modes de Défaillance : 71,5 % de l'ensemble de données a reçu un profil complet de mode de défaillance. Le dictionnaire empiriel résultant a mis en évidence des vulnérabilités spécifiques, telles que les dommages au revêtement des pales et le détachement de capteurs de vibration, et a révélé des profils de dégradation distincts entre les systèmes de pitch électriques et hydrauliques.
• Impact Analytique : Les données structurées ont modifié le classement perçu des taux de défaillance des systèmes majeurs. Par exemple, le système de pitch est apparu comme une catégorie distincte (9,67 % des données), tandis que les taux de défaillance perçus des pales de rotor et des systèmes hydrauliques ont considérablement diminué après l'exclusion des événements de non-défaillance et la correction des erreurs de classification.

Signification
L'article affirme que cette méthodologie fournit un modèle hautement évolutif et rentable pour traduire les observations qualitatives de terrain en métriques de fiabilité quantitatives. En allant au-delà de la simple classification de texte pour atteindre un raisonnement sémantique profond, le cadre répond aux limites de la subjectivité de l'AMDE traditionnelle et aux goulots d'étranglement des approches ML classiques.

La portée de ce travail réside dans sa capacité à :

1. Libérer les Données Historiques : Rendre les décennies de journaux de maintenance non structurés accessibles pour des analyses de fiabilité avancées et des analyses de cause racine.
2. Standardiser les Pratiques de l'Industrie : Offrir une voie pour passer de taxonomies statiques et théoriques à des taxonomies de maintenance dynamiques et fondées sur des preuves, dérivées des données opérationnelles réelles.
3. Permettre des Analyses Avancées : Poser les bases d'une analyse de cause racine intégrée, d'une AMDE améliorée avec des paramètres de risque rigoureusement quantifiés (occurrence, sévérité, détection) et de stratégies de maintenance prédictive avancées dans l'ensemble du secteur des énergies renouvelables.

Les auteurs soulignent que, bien que l'étude se concentre sur les éoliennes, l'architecture modulaire est applicable à d'autres industries lourdes dépendant de CMMS, à condition qu'une taxonomie spécifique au domaine soit fournie. L'étude conclut que cette approche représente un changement systémique vers une gestion d'actifs fondée sur les preuves, réduisant la dépendance à l'estimation subjective des experts.