Stage - Monitoring Digital Twin des éoliennes (h/f) - France - 300866 - Siemens Gamesa - Careers Marketplace

A munkakörről

Munkaazonosító

300866

Hely

France

Normandie

Vállalat

Siemens Gamesa Renewable Energy S.A.S.

Szervezet

Wind Power

Szervezeti egység

Technology

Teljes/részmunkaidős

teljes idő

Munkatapasztalat

Pályakezdő / Frissdiplomás

ENGLISH BELOW

Développement et intégration d’outils d’analyse de flotte pour le suivi des instabilités aéroélastiques, des charges de fatigue et des indicateurs de performance

Objectif

Siemens Gamesa Renewable Energy recherche un(e) stagiaire fortement motivé(e) pour rejoindre le département Technology – Turbine Loads.

Les éoliennes modernes génèrent de grandes quantités de données opérationnelles qui peuvent être utilisées pour surveiller leur comportement, détecter des événements inhabituels et estimer leur impact sur les composants. L’intégration de modèles physiques, d’outils d’analyse et de données de flotte dans un environnement de jumeau numérique constitue un élément essentiel pour améliorer la surveillance des turbines et soutenir les décisions d’ingénierie.

Le stage vise à contribuer au développement, à l’amélioration et à l’intégration d’outils utilisés pour :

Détecter et suivre les instabilités aéroélastiques observées sur la flotte.
Évaluer leur impact potentiel sur les charges, la fatigue et la durée de vie des composants.
Faciliter le transfert de modèles et d’outils existants vers un environnement de jumeau numérique.
Automatiser l’accès, le traitement et la visualisation des données de flotte.
Développer des indicateurs de performance permettant de synthétiser le comportement des turbines et des parcs éoliens.

Le ou la stagiaire travaillera à l’interface entre les développeurs du jumeau numérique, les experts en charges, les propriétaires des modèles et outils, ainsi que les équipes Technology et Service.

Le résultat attendu est un ensemble d’outils et de méthodes reproductibles permettant d’améliorer la surveillance des événements d’instabilité, l’évaluation de leur sévérité et le suivi d’indicateurs de performance à l’échelle de la flotte.

Périmètre de travail

1. Intégration d’outils et de modèles dans un environnement Digital Twin

Comprendre l’architecture du jumeau numérique et les outils existants utilisés pour l’analyse des données de turbines.
Identifier les besoins et contraintes des développeurs, propriétaires de modèles et experts techniques.
Faciliter les échanges entre les équipes responsables du jumeau numérique et les propriétaires des outils et modèles.
Contribuer au transfert de modèles existants vers l’environnement Digital Twin.
Adapter les entrées, sorties et interfaces afin de permettre une exécution automatisée et robuste.
Vérifier la cohérence des résultats entre les outils de référence et leur version intégrée.
Documenter les interfaces, dépendances, hypothèses et limitations des modèles.

2. Amélioration des outils de surveillance des instabilités aéroélastiques

Se familiariser avec les principaux phénomènes d’instabilité pouvant affecter les éoliennes à l’arrêt ou en fonctionnement.
Exploiter les données disponibles afin d’identifier et de caractériser les événements pertinents.
Développer ou améliorer des méthodes permettant de détecter automatiquement les événements d’instabilité.
Extraire les caractéristiques principales des événements : durée, amplitude, fréquence, conditions de vent, état opérationnel et turbines concernées.
Comparer les événements entre différentes turbines, plateformes ou parcs éoliens.
Contribuer à la mise en place d’un suivi régulier des événements observés sur la flotte SGRE.
Préparer une synthèse hebdomadaire des événements importants, des nouvelles détections et des évolutions observées.

3. Évaluation de l’impact sur les charges et la fatigue

Développer des fonctionnalités permettant d’évaluer l’impact des événements d’instabilité sur les charges des turbines.
Relier les événements détectés à des indicateurs de sévérité structurelle.
Calculer ou estimer les cycles de charge et l’endommagement en fatigue associés.
Comparer l’endommagement lié aux événements d’instabilité avec celui du fonctionnement normal.
Identifier les composants potentiellement affectés, par exemple les pales, les roulements, la chaîne de transmission, la tour ou les fondations.
Contribuer à la définition de seuils permettant de prioriser les événements nécessitant une analyse détaillée.
Étudier comment la fréquence d’occurrence et la sévérité des événements peuvent être combinées pour estimer leur contribution à la consommation de durée de vie.

4. Accès aux données et automatisation

Comprendre la structure des bases de données de mesures et les principaux canaux disponibles.
Développer des fonctions personnalisées en SQL ou KQL afin d’interroger les bases de données.
Automatiser la récupération, le filtrage et la préparation des données nécessaires aux analyses.
Améliorer la robustesse et le temps de calcul des outils existants.
Mettre en place des contrôles de qualité permettant d’identifier les données manquantes, incohérentes ou non fiables.
Développer des scripts Python ou MATLAB réutilisables et correctement documentés.
Contribuer à la standardisation des workflows d’analyse de flotte.

5. Suivi des indicateurs clés de performance

Identifier les indicateurs pertinents pour le suivi des turbines, des parcs et des événements d’instabilité.
Créer des synthèses de haut niveau concernant notamment :
Le nombre et la fréquence des événements détectés.
Les turbines et parcs concernés.
La durée et la sévérité des événements.
La disponibilité et la qualité des données.
L’impact potentiel sur les charges et la fatigue.
L’avancement des analyses et actions associées.
Échanger avec les parties prenantes des départements Service et Technology afin de clarifier les besoins.
Relier les outils de suivi des KPI à Power BI.
Développer ou améliorer des tableaux de bord facilitant la visualisation et l’interprétation des résultats.
Rédiger une documentation permettant aux équipes de maintenir et d’enrichir les tableaux de bord après le stage.
Selon l’avancement et les compétences du ou de la stagiaire, des activités complémentaires pourront inclure l’utilisation de méthodes statistiques ou de machine learning pour classifier les événements, détecter des comportements anormaux ou améliorer la prédiction de leur sévérité.

Livrables

Scripts Python ou MATLAB permettant d’automatiser le traitement et l’analyse des données.
Fonctions SQL ou KQL permettant d’interroger efficacement les bases de données de mesures.
Améliorations apportées aux outils existants de détection et de suivi des instabilités.
Méthode permettant d’évaluer l’impact des événements sur les charges et l’endommagement en fatigue.
Interface ou workflow permettant d’intégrer au moins un outil ou modèle dans l’environnement Digital Twin.
Suivi hebdomadaire synthétique des événements d’instabilité observés sur la flotte.
Ensemble d’indicateurs clés de performance pour le suivi des turbines et des parcs.
Tableau de bord Power BI ou prototype de visualisation équivalent.
Documentation technique décrivant les outils, interfaces, hypothèses, limites et procédures d’utilisation.
Rapport synthétique présentant les travaux réalisés, les résultats, les limites et les recommandations.
Support de présentation final pour l’équipe.

Critères de succès

Intégration réussie d’au moins un outil ou modèle dans l’environnement Digital Twin.
Analyse reproductible d’un ensemble représentatif de données de flotte.
Détection fiable des principaux événements d’instabilité étudiés.
Amélioration mesurable de la robustesse, de l’automatisation ou du temps de traitement des outils.
Mise en place d’indicateurs permettant de comparer la fréquence et la sévérité des événements.
Première quantification de l’impact des événements sur les charges ou la fatigue.
Mise à disposition d’une synthèse claire et régulièrement actualisée pour les parties prenantes.
Documentation suffisante pour permettre la réutilisation, la maintenance et l’amélioration des outils après le stage.
Collaboration efficace avec les développeurs, experts techniques et représentants des départements Service et Technology.

Profil du candidat

Étudiant(e) en dernière année de cycle ingénieur ou Master 2 en mécanique, aéronautique, énergie éolienne, informatique scientifique, science des données ou dans un domaine similaire.
Intérêt marqué pour l’ingénierie des éoliennes, les jumeaux numériques et l’analyse de données.
Expérience requise en programmation Python ou MATLAB.
Capacité à structurer, automatiser et documenter des workflows d’analyse.
Connaissances en traitement de données, statistiques ou visualisation appréciées.
Une expérience avec SQL ou KQL constitue un avantage.
Une expérience avec Power BI ou un outil similaire constitue un avantage.
Des connaissances en mécanique des structures, aéroélasticité, vibrations ou analyse de fatigue sont appréciées.
Une connaissance du secteur de l’énergie éolienne ou de l’analyse de données de turbines constitue un plus.
Capacité à travailler avec plusieurs équipes et à communiquer avec des interlocuteurs techniques variés.
Rigueur, autonomie, curiosité et aptitude à présenter clairement les résultats.
Anglais courant requis ; le français est un plus.

Qui est Siemens Gamesa

Siemens Gamesa fait partie de Siemens Energy, leader mondial des technologies de l’énergie, fort de plus de 150 ans d’innovation. Ensemble, nous œuvrons pour rendre l’énergie durable, fiable et abordable, en repoussant constamment les limites du possible. Acteur majeur de l’industrie éolienne et fabricant de turbines, Siemens Gamesa est pleinement engagé dans la transition énergétique et le développement de solutions innovantes pour répondre à la demande énergétique croissante à l’échelle mondiale. Nous recherchons en permanence des talents pour soutenir notre mission de transformation énergétique.

Découvrez comment vous pouvez faire la différence chez Siemens Energy : [1] https://www.siemens-energy.com/employeevideo

Notre engagement en faveur de la diversité

Heureusement pour nous, nous sommes tous différents. La diversité est notre moteur. Il fonctionne à l’inclusion, et notre énergie créatrice combinée est alimentée par plus de 130 nationalités. Siemens Energy célèbre la personnalité de chacun - quels que soient son origine ethnique, son genre, son âge, sa religion, son identité ou son handicap. Nous donnons de l’énergie à la société, à toute la société, et nous ne discriminons pas sur la base de nos différences.

ENGLISH

Internship – Digital Twin Tool Development for Wind Turbine Load and Instability Monitoring

Project Title

Development and Integration of Fleet-Analysis Tools for Aeroelastic Instability, Fatigue Load and Performance Monitoring

Objective

Siemens Gamesa Renewable Energy is looking for a highly motivated intern to join the Technology – Turbine Loads department.

Modern wind turbines generate large volumes of operational data that can be used to monitor turbine behaviour, detect unusual events and assess their potential impact on components. Integrating physical models, engineering tools and fleet data within a Digital Twin environment is essential to improve turbine monitoring and support engineering decisions.

The internship aims to contribute to the development, improvement and integration of tools used to:

Detect and track aeroelastic instability events observed across the turbine fleet.
Assess their potential impact on loads, fatigue and component lifetime.
Support the transfer of existing models and tools into a Digital Twin environment.
Automate fleet-data access, processing and visualization.
Develop performance indicators summarizing turbine and wind-farm behaviour.

The intern will work at the interface between Digital Twin developers, load experts, tool and model owners, and stakeholders from the Technology and Service departments.

The expected outcome is a set of reproducible tools and methodologies improving instability monitoring, event-severity assessment and fleet-level performance tracking.

Scope of Work

1. Tool and model integration within a Digital Twin environment

Understand the Digital Twin architecture and the existing tools used for turbine-data analysis.
Identify the needs and constraints of developers, model owners and technical experts.
Support the interface between Digital Twin developers and relevant tool and model owners.
Contribute to transferring existing engineering models into the Digital Twin environment.
Adapt model inputs, outputs and interfaces to enable robust and automated execution.
Verify consistency between reference-tool results and results produced by the integrated version.
Document interfaces, dependencies, assumptions and model limitations.

2. Improvement of aeroelastic instability monitoring tools

Become familiar with the main instability phenomena that may affect wind turbines during operation or standstill.
Use available fleet data to identify and characterize relevant events.
Develop or improve methods for automatically detecting instability events.
Extract the main event characteristics, including duration, amplitude, frequency, wind conditions, turbine operating state and affected assets.
Compare events across different turbines, platforms or wind farms.
Contribute to regular monitoring of relevant events observed across the SGRE fleet.
Prepare weekly status updates summarizing significant events, new detections and observed trends.

3. Assessment of load and fatigue impact

Develop features to assess the impact of instability events on turbine structural loads.
Link detected events to indicators of structural severity.
Calculate or estimate the load cycles and fatigue damage associated with the events.
Compare instability-related damage with damage accumulated during normal operation.
Identify potentially affected components, such as blades, bearings, drivetrain components, towers or foundations.
Contribute to defining thresholds for prioritizing events requiring detailed investigation.
Investigate how event frequency and structural severity can be combined to estimate their contribution to lifetime consumption.

4. Data access and automation

Understand the structure of the measurement databases and the main available data channels.
Develop custom SQL or KQL query functions to access measurement databases.
Automate the retrieval, filtering and preparation of data required for the analyses.
Improve the robustness and computational efficiency of existing tools.
Implement data-quality checks to identify missing, inconsistent or unreliable measurements.
Develop reusable and properly documented Python or MATLAB scripts.
Contribute to the standardization of fleet-analysis workflows.

5. Key Performance Indicator tracking

Identify relevant indicators for monitoring turbines, wind farms and instability events.
Create high-level summaries covering topics such as:
Number and frequency of detected events.
Affected turbines and wind farms.
Event duration and severity.
Data availability and quality.
Potential impact on loads and fatigue.
Status of associated analyses and actions.
Interface with relevant stakeholders within the Service and Technology departments to clarify reporting needs.
Link KPI-tracking tools to Power BI.
Develop or improve dashboards supporting the visualization and interpretation of results.
Create documentation enabling the teams to maintain and further develop the dashboards after the internship.
Depending on progress and the intern’s competences, complementary activities may include the use of statistical or machine-learning methods to classify events, identify abnormal behaviour or improve severity prediction.

Deliverables

Python or MATLAB scripts automating data processing and analysis.
SQL or KQL functions enabling efficient access to turbine measurement databases.
Improvements to existing instability-detection and fleet-monitoring tools.
Methodology for assessing the effect of instability events on loads and fatigue damage.
Interface or workflow integrating at least one tool or model into the Digital Twin environment.
Weekly high-level status summary of relevant fleet instability events.
Set of Key Performance Indicators for turbine and wind-farm monitoring.
Power BI dashboard or equivalent visualization prototype.
Technical documentation covering tools, interfaces, assumptions, limitations and operating procedures.
Concise report presenting the completed work, results, limitations and recommendations.
Final presentation material for the team.

Success Criteria

Successful integration of at least one tool or model into the Digital Twin environment.
Reproducible analysis of a representative fleet dataset.
Reliable detection of the main instability events considered in the study.
Measurable improvement in tool robustness, automation or processing time.
Implementation of indicators enabling comparison of event frequency and severity.
Initial quantification of the impact of instability events on loads or fatigue.
Delivery of a clear and regularly updated overview for relevant stakeholders.
Documentation enabling the team to reuse, maintain and further develop the tools after the internship.
Effective collaboration with developers, technical experts and stakeholders from Service and Technology.

Candidate Profile

Final-year engineering school or Master 2 student in mechanical engineering, aerospace engineering, wind energy, scientific computing, data science or a related field.
Strong interest in wind turbine engineering, Digital Twins and data analysis.
Required programming experience using Python or MATLAB.
Ability to structure, automate and document data-analysis workflows.
Knowledge of data processing, statistics or data visualization is appreciated.
Experience with SQL or KQL is an advantage.
Experience with Power BI or a similar visualization tool is an advantage.
Knowledge of structural mechanics, aeroelasticity, vibrations or fatigue analysis is appreciated.
Familiarity with wind energy or wind-turbine operational data is preferred.
Ability to work across several teams and communicate with different technical stakeholders.
Rigorous, autonomous and curious, with the ability to clearly analyse and present results.
Fluent English required; French is an advantage.