Liste de contrôle de préparation des preuves CBM pour transformateurs

La maintenance conditionnelle des transformateurs de puissance ne naît pas de l’achat d’un outil d’IA. Elle naît en rendant les preuves de transformateur suffisamment fiables pour que les ingénieurs puissent les utiliser.

Cela paraît simple jusqu’à ce qu’une compagnie d’électricité, un TSO ou un DSO tente de constituer un véritable dossier d’examen. Les rapports DGA peuvent résider dans un système. Les notes d’inspection peuvent être stockées sous forme de PDF. Les mesures PRPD peuvent nécessiter un contexte de qualité. Les traces SFRA peuvent nécessiter une référence. L’historique de maintenance peut se trouver dans une GMAO. La criticité de l’actif peut être connue des planificateurs mais absente du dossier de diagnostic. Le transformateur peut avoir un identifiant de plaque signalétique clair dans un système et un identifiant légèrement différent dans un autre.

C’est là qu’une liste de contrôle des preuves de maintenance conditionnelle des transformateurs devient utile. Elle donne à l’équipe un point de départ concret avant de demander à l’intelligence artificielle de résumer, de comparer ou de rédiger une formulation de planification de maintenance.

Utilisez le vérificateur interactif ci-dessus comme aide au cadrage exécutée uniquement côté client. Il ne téléverse aucun fichier, ne transmet aucune valeur d’outil sélectionnée à GridAPM et ne diagnostique pas l’état du transformateur. Les statistiques de site optionnelles, lorsqu’elles sont acceptées, n’enregistrent que l’usage au niveau de la page et ne reçoivent pas les valeurs d’outil sélectionnées.

Pourquoi la préparation des preuves précède l’assistance de l’IA

Les systèmes d’IA agentique sont les plus performants lorsqu’ils fonctionnent à l’intérieur de flux de travail bornés, avec un accès aux outils clair, des critères de réussite clairs et un examen humain. Les travaux d’OpenAI sur les agents et les recommandations d’Anthropic sur la conception d’agents efficaces mènent tous deux à cette leçon pratique : les agents ne sont pas des machines à verdict magiques ; ce sont des participants au flux de travail.

Pour l’APM et la CBM des transformateurs, cela signifie que l’IA ne devrait aider à organiser les preuves et à rédiger le matériel d’examen qu’une fois que l’équipe comprend quelles preuves existent, d’où elles proviennent et qui peut approuver le lot de travaux qui en résulte.

Le NIST AI Risk Management Framework offre un prisme de gouvernance utile pour ce problème. Le risque lié à l’IA ne peut pas être géré uniquement au niveau du modèle. Il doit être géré au sein du flux de travail : ce que le système est autorisé à faire, ce que les humains examinent, quelles preuves sont conservées et quelles limites sont communiquées.

GridAPM applique ce modèle aux transformateurs. L’orientation de la plateforme n’est pas le contrôle autonome. Il s’agit d’un atelier d’ingénierie local d’abord, revu par des ingénieurs, qui aide les compagnies d’électricité à évaluer des flux de travail d’APM et de CBM centrés sur les preuves.

Matrice de préparation des preuves de transformateur

La matrice ci-dessous est un moyen concret de préparer un premier pilote. Elle est délibérément opérationnelle : chaque ligne demande si la preuve peut être examinée, tracée et transformée en une discussion de planification de maintenance.

Domaine de preuve	Ce qu'il faut confirmer	Pourquoi c'est important pour la CBM	Lacune fréquente en pilote
DGA et qualité de l'huile	Date d'échantillonnage, laboratoire source, unités de gaz, paramètres de qualité de l'huile et continuité de la tendance.	La DGA peut soulever des questions d'examen ciblées lorsqu'elle est interprétée avec du contexte et une discipline respectueuse des normes.	Rapports ponctuels sans contexte de tendance ou de maintenance suffisant.
PRPD et décharges partielles	Configuration de mesure, voies, qualité d'acquisition, hypothèses de filtrage et fichiers sources.	Les preuves de décharges partielles ne peuvent avoir de valeur que lorsque la qualité de mesure et le contexte d'essai sont visibles.	Motifs intéressants accompagnés de notes de configuration insuffisantes.
SFRA et essais électriques	Disponibilité de la référence, trace de comparaison, position de prise, conditions d'essai et historique des événements.	Les preuves de réponse en fréquence dépendent d'une comparaison pertinente et d'un contexte mécanique.	Absence de référence fiable ou configuration d'essai peu claire.
Thermique et charge	Charge, mode de refroidissement, contexte ambiant, hypothèses de point chaud et période d'exploitation.	La contrainte thermique peut modifier l'urgence de maintenance et l'interprétation du vieillissement.	L'historique de charge existe mais n'est pas aligné sur les événements d'état.
Inspections et notes de terrain	Photos, observations, fuites, jauges, alarmes, notes de traversées, notes de l'OLTC et actions ouvertes.	Le contexte de terrain explique souvent pourquoi un signal est urgent, connu, différé ou déjà atténué.	Les notes sont disponibles mais non reliées à la chronologie de l'actif.
Historique de maintenance	Ordres de travail, enregistrements d'indisponibilité, réparations, traitement de l'huile, inspections et suivis non résolus.	La planification CBM doit savoir ce qui a déjà été fait et ce qui reste en suspens.	Les enregistrements de la GMAO sont difficiles à rapprocher des preuves de diagnostic.
Criticité et conséquence	Stratégie de réserve, impact d'indisponibilité, rôle dans le réseau, exposition environnementale et conséquence pour les clients.	Des preuves d'état identiques peuvent conduire à des priorités de planification différentes selon la conséquence.	Les données d'état sont examinées sans la criticité de l'actif.
Provenance et approbation	Propriétaire de la source, horodatages, unités, historique des versions, rôle de l'examinateur, état d'approbation et voie d'escalade.	Les résumés assistés par IA doivent rester défendables et modifiables par des personnes qualifiées.	De bonnes données existent mais la responsabilité de l'approbation n'est pas claire.

Le contexte normatif sans revendications excessives

Les travaux de CBM sur les transformateurs font souvent référence à des normes et guides techniques éprouvés, notamment IEEE C57.104 et IEC 60599 pour l’analyse des gaz dissous, IEC 60270 pour les mesures de décharges partielles, IEEE C57.149 pour l’analyse de la réponse en fréquence des transformateurs, et IEC 60076-7 pour les recommandations de charge.

Un article public ne devrait pas prétendre reproduire les normes, remplacer des règles de calcul propriétaires, ni émettre des interprétations d’ingénierie définitives. La meilleure posture consiste à utiliser les normes comme contexte du flux de preuves : quelles mesures comptent, quelles hypothèses doivent être consignées et quel examinateur devrait approuver une décision.

C’est aussi la posture honnête de GridAPM. Les moteurs déterministes respectueux des normes ne devraient être décrits que là où ils sont implémentés, vérifiés et acceptés pour le périmètre du pilote. Lorsqu’une fonctionnalité relève d’un aperçu de pilote ou d’une capacité de la feuille de route, le contenu public devrait l’indiquer.

De la liste de contrôle des preuves au périmètre du pilote

Un premier pilote GridAPM devrait répondre à une seule question ciblée :

Les preuves de transformateur approuvées peuvent-elles devenir un lot de travaux plus clair, plus traçable et revu par des ingénieurs que le processus manuel actuel de l’équipe ?

Parmi les bons périmètres de départ :

• La DGA associée à l’historique de maintenance pour un groupe sélectionné de transformateurs à criticité élevée.
• L’examen de la qualité de mesure des PRPD avant d’interpréter les motifs de décharges partielles.
• L’examen des preuves de référence SFRA après un transport, un défaut ou une préoccupation mécanique.
• L’examen thermique/de charge et d’inspection pour les transformateurs vieillissants soumis à un régime d’exploitation modifié.
• Le nettoyage de la provenance des preuves avant une planification de maintenance assistée par IA plus large.

Les mauvais périmètres de départ sont généralement trop larges. « Connecter tous les systèmes et prédire toutes les défaillances » paraît ambitieux, mais rend le pilote difficile à évaluer et propice aux revendications excessives.

La page pilote de GridAPM est conçue pour la voie plus restreinte : définir la population d’actifs, les preuves en entrée, les rôles d’examen, les livrables attendus et les indicateurs de réussite avant toute extension.

Comment GridAPM peut aider les compagnies d’électricité à se préparer

GridAPM aide une compagnie d’électricité, un TSO ou un DSO à évaluer si les preuves de transformateur peuvent traverser un flux de travail d’APM structuré :

• Importer ou organiser les preuves d’actifs approuvées pour un pilote contrôlé.
• Garder le contexte de la source visible pendant l’examen.
• Faire ressortir les dates, unités, éléments de provenance et responsables d’examen manquants.
• Utiliser l’IA pour rédiger des résumés, des questions et une formulation de planification de maintenance.
• Exiger l’approbation d’un ingénieur avant que les recommandations ne deviennent des décisions communicables.
• Regrouper les conclusions dans un exemple de dossier de preuves destiné à l’examen par les parties prenantes.

L’aperçu de la plateforme explique l’orientation de l’atelier. Les pages sécurité et traitement des données décrivent les hypothèses de déploiement public. L’exemple de dossier de preuves montre comment un acheteur peut évaluer le type de résultat attendu d’un pilote.

Ce modèle peut aussi aider les compagnies de production ainsi que les équipes chargées des actifs électriques du secteur pétrolier et gazier qui gèrent de grands transformateurs, mais cet article reste centré sur les compagnies d’électricité, les TSO et les DSO, car leur contexte de planification de réseau et de fiabilité constitue le principal public de GridAPM.

Le principe de la liste de contrôle

Le principe pratique est simple :

L’IA ne devrait pas compenser des preuves manquantes en se donnant un ton assuré.

Dans la CBM des transformateurs, le flux de travail le plus crédible est l’inverse. Le système devrait rendre visibles les preuves manquantes, séparer les faits issus des sources de la formulation rédigée par l’IA, et préserver la voie d’approbation. C’est ce qui transforme une fonctionnalité d’IA en un processus d’examen digne d’une compagnie d’électricité.

Lorsque les preuves sont prêtes, un pilote GridAPM peut passer d’enregistrements dispersés à un lot de travaux structuré. Lorsque les preuves ne sont pas prêtes, le pilote peut tout de même créer de la valeur en montrant précisément ce qui doit être nettoyé, relié ou encadré avant que l’on accorde sa confiance à une assistance de l’IA plus large.