Les éoliennes offshore flottantes (FOWTs) deviennent une composante importante des futurs systèmes énergétiques, capables de compléter les réseaux conventionnels et de soutenir la sécurité et la résilience énergétique globale. Cependant, la compréhension de l'évolution dynamique de la fiabilité des éoliennes offshore flottantes dans des conditions d'événements dangereux et de dégradation demeure largement lacunaire, constituant un défi scientifique majeur. Les systèmes de surveillance existants tels que SCADA ont une capacité limitée à identifier les causes profondes réelles des défaillances au niveau des composants. Par conséquent, les actions de maintenance peuvent ne cibler que des sources de défaillance incorrectes ou incomplètes, tandis que des causes profondes non détectées peuvent continuer à propager des dommages résiduels et accélérer la dégradation d'autres composants. Cette étude développe un cadre d'évaluation dynamique de la fiabilité orienté vers la résilience pour la gestion de la récupération des éoliennes offshore flottantes en conditions dangereuses. Un réseau bayésien est utilisé pour représenter la structure hiérarchique du système des éoliennes offshore flottantes, et la propagation des défaillances du niveau des composants aux niveaux des sous-systèmes et du système est modélisée. Lors du processus de récupération, ce cadre est capable de capturer l'impact des dommages résiduels dus à des défaillances racines non identifiées ou partiellement réparées sur l'évolution ultérieure de la fiabilité. Un module de détection profonde conditionnellement conscient est introduit pour représenter le processus de récupération basé sur la prédiction des défaillances et la gestion de la santé. Bien que cette stratégie nécessite des investissements supplémentaires en détection et en ressources de décision avant la maintenance, elle permet une identification plus précise des causes profondes et de leurs voies de propagation, soutenant des décisions de récupération plus efficaces. Une étude de cas montre que la fiabilité du système peut chuter rapidement lorsque des composants clés sont affectés par des événements dangereux. L'étude montre en outre que la récupération basée sur l'expérience peut restaurer partiellement les fonctions du système, mais ne peut éliminer les dommages résiduels lorsque les causes profondes ne sont pas complètement identifiées. En revanche, la stratégie conditionnellement consciente obtient un meilleur effet de récupération de la fiabilité en améliorant l'identification des causes profondes et l'efficacité des réparations. Les résultats soulignent l'importance d'intégrer la détection conditionnellement consciente dans la planification de la récupération post-catastrophe et mettent en valeur la valeur de l'évaluation dynamique de la fiabilité pour améliorer la résilience des éoliennes offshore flottantes. Plus précisément, cette étude fournit une base pour comprendre quantitativement comment la performance de la prédiction des défaillances et la gestion de la santé affectent les effets de récupération et l'amélioration de la résilience, soutenant ainsi l'évaluation de la valeur de la prédiction des défaillances et de la gestion de la santé dans la gestion de la récupération des éoliennes offshore flottantes après catastrophe.

Éoliennes offshore flottantes;Réseau bayésien;Récupération conditionnellement consciente;Résilience des infrastructures énergétiques;Prédiction des défaillances et gestion de la santé