Vous êtes sur la page 1sur 92

N dordre :

UNIVERSITE * MOHAMED BOUDIAF * DE MSILA


FACULTE DES SCIENCES ET SCIENCES DE LINGENIEUR
DEPARTEMENT DELECTRONIQUE
MEMOIRE
Prsent pour lobtention du diplme de
MAGISTER
Spcialit : Gnie lectronique
Option : Contrle
Par
BDIRINA EL KHANSA

SUJET


DIAGNOSTIC DE DEFAUTS D'ENGRENAGE
PAR ANALYSE SPECTRALE


Soutenue publiquement le / / 2006 Devant le jury compos de :

Dr BOUAMAR Mohamed M.C. Universit de M'sila Prsident
Dr CHIKOUCHE Djamel Prof. Universit de Stif Rapporteur
Dr BENARIOUA Younes M.C. Universit de M'sila Examinateur
Dr BOUZIT Nacereddine M.C. Universit de Stif Examinateur
Dr BENZID Redha C.C. Universit de M'sila Examinateur

A-PDF MERGER DEMO


RESUME Toutes les machines en fonctionnement produisent des vibrations qui permettent en
effet de caractriser la plupart des efforts dynamiques et en particulier ceux engendrs par un
fonctionnement anormal .Ainsi l'analyse des vibrations est devenue une technique trs rpandue
pour apprcier l'tat de sant d'une machine afin d'viter la dfaillance et n'intervenir qu' bon
escient et pendant des arrts programms de production. Les techniques classiques de dtection
de la dfaillance dans les machines tournantes, bases sur l'analyse de Fourier ont prouves leurs
limitations en termes de rsolution spectrale (fluctuation d'une grande vitesse), ce qui ncessite
l'utilisation des nouvelles techniques donnant une analyse plus performante. Dans ce travail,
nous appliquons les techniques paramtriques base des modles AR et les mthodes de
dcomposition harmoniques sur un signal vibratoire mis par un systme d'engrenage constitu
de deux roues dentes fonctionnant sous des conditions constantes .Les rsultats sont
encouragent, et le diagnostic de dfaut s'effectue travers l'observation des variations de la
frquence d'engrenage dans l'volution du spectre de puissance durant les 13 jours d'observation
de la machine.
Mots cls: signaux vibratoires d'engrenage, analyse spectrale, diagnostic de dfauts, modle de
Prony, modle de Pisarenko, modle de Levinson.


SUMMARY All machinery in working produce vibrations that permit to characterize most
dynamic efforts indeed and in particular those generated by an abnormal working. So the
analysis of the vibrations became a very widespread technique to appreciate the state of health of
a machine in order to avoid failing and to intervene only good knowledge and during
programmed stops of production. The classic techniques of fault detection in the rotating
machinery, based on Fourier's analysis proved their limitations in terms of spectral resolution
(fluctuation of a high speed), what requires the use of new techniques, giving more effective
analysis. In this work, we apply parametric techniques such as AR models and the harmonic
methods of decomposition, on a vibratory signal given out by a gearing system constituted of
two gear wheels operating under constant conditions. The results are encouraging, and fault
diagnosis takes place through the observation of the gearing frequency's variations in the
evolution of the power spectrum during the 13 days of the machine's observation.
Keywords: vibration signal processing, spectrum analysis, gear fault diagnosis, Prony's model,
Pisarenko's model, Levinson's model.

=-- - '-----'- .-' - '-` `` . ,-- -'-,-' ,-' . ,,-- --,- _-- -'= ,
='- =-'-' = .'=' `'= . - -' '= `` ',---' -= '----' -- .,'=- --, = ''=' -,-
'`' ,=-' =' -=' ','-- '== - ,,' ,, - _='-- -, ' '--` . ,-`' ',---'
'--` ,--' `` '== , '-'- =,--' =` -- ,-=- _'= --- ,, .,'=- _'=
.,'=-'' ---''- -,=' , '--= ` .,'=- -,-= ',--- '--- -=,-- '-- . - `= .-' -
',---' ,-=-- ,-- ,'-'' ,=,--' `= - AR _'= -,-' ,---' = '- ,--- =-'-
--- '=- = - ,- ,----- ,-'== , --'` - -=- .- . ' _-'--' =-- -- , ,=--
' '== - ,- ==`- '-` - ---' '` ==`-' '-,, -= `'`' '-`
'=-=~-- : ` ---'' ,----' '- , -,=' .,'=-' , '==' ,=-- , -- ,-,= , ,-,=
,-,'-- , ,---,' ,-,= .



Universit de M'sila 2005/2006





Remerciements


Mes remerciements et ma gratitude se portent tout d'abord vers Monsieur
D.CHIKOUCHE, Professeur et Vice Doyen charg de la post graduation, la
recherche scientifique et les relations extrieures au niveau de la Facult des
sciences de l'Ingnieur, Universit F.A de Stif, qui m'a encadr et guid
quotidiennement pendant ma thse et a su m'orienter vers les axes les plus
pertinents. Je le remercie pour ses comptences, son ouverture d'esprit et sa
grande disponibilit. Toutes les recherches menes pendant cette anne se
sont appuyes sur son expertise qui a guid nombre de mes choix et
conclusions.

Mes penses se tournent ensuite tout naturellement vers les membres du
jury de l'intrt qu'ils ont clairement manifest pour ce travail, et des
remarques et corrections qu'ils ont apportes ce document :
Monsieur M.BOUAMAR matre de confrence l'U.M.B de M'sila, m'a fait
un grand honneur en acceptant de prsider le jury de cette thse.
J'exprime toute ma gratitude : Monsieur Y.BENARIUOA matre de
confrence l'U.F.A de Stif, Messieurs N.BOUZIT matre de confrence et
R.BENZID charg de cours lU.'M.B de M'sila pour avoir accept d'tre les
examinateurs de ce mmoire.

Enfin, je tiens exprimer ma reconnaissance Monsieur
N.Haloui(SUPELEC de Paris) et Monsieur R. Hadjar professeur
l'universit de Riad pour leur contribution et la pertinence de leurs
remarques.
Je n'oublie videmment pas toutes les personnes qui m'ont soutenue durant
ce travail spcialement mon trs cher pre.





















SOMMAIRE




LISTE DES FIGURES
LISTE DES TABLEAUX
INTRODUCTION GENERALE..01

CHAPITRE I : LES SYSTEMES D'ENGRENAGES
INTRODUCTION....04
I.1. LES ENGRENAGES..04
I.2.DEFAILLANCE.....06
I.2.1.Causes de dfaillance06
I.2.2.Dfauts d'engrenage......07
I.2.2.1. Les dfauts rpartis sur toutes les dents...07
I.2.2.2. Les dfauts localiss sur des dents particulires...08
I.3.SIGNAUX VIBRATOIRES DELIVRES PAR UN ENGRENAGE.....08
I.3.1.Engrenage sans dfauts....08
I.3.2.Engrenage avec dfauts.09
I.3.3.spectre d'engrenage09
I.3.4.Principale s sources de vibrations dans un engrenage...10
I.4.MAINTENANCE....10
I.4.1. Maintenance ractive11
I.4.2. Maintenance prventive11
I.4.3. Maintenance conditionnelle ou prdictive11
I.4.4. Maintenance adaptative ou marginale.12
I.5.DIAGNOSTIC D'ENGRENAGE......12
I.5.1Classification des mthodes de diagnostic.13
I.5.1.1 Les mthodes internes de diagnostic.13
I.5.1.2.Les mthodes externes de diagnostic...14
I.5.2.Mthode de diagnostic..14
I.5.3.Diagnostic par analyse spectrale...15


I.5.3.1. Mthodes non paramtriques d'analyse spectrale....16
I.5.3.2. Mthodes paramtriques d'analyse spectrale....17
I.5.3.3. Mthodes de dcomposition harmonique...19
CONCLUSION.19

CHAPITRE II: L'ESTIMATION SPECTRALE PAR LES METHODES DE
DECOMPOSITION HARMONIQUE

INTRODUCTION....22
II.1. ESTIMATEURS D'HARMONIQUES...22
II.2.METHODE DE PRONY....23
II.3.METHODE DE PISARENKO....27
II.4.DETERMINATION DE L'ORDRE.........29
II.5. SIMULATION............30
II.5.1.Programme de simulation........30
II.5.2.Dfinition du rapport signal sur bruit..33
II.5.3.Signaux simuls...33
II.6. RESULTATS ET INTERPRETATIONS....35
II.6.1. Modle de Prony........35
II.6.2. Mthode de Pisarenko.........38
CONCLUSION.40

CHAPITRE III: L'ESTIMATION SPECTRALE PAR LES
METHODESPARAMETRIQUES BASEES SUR LE MODELE AR

INTRODUCTION........43
III.1. REPRESENTATION DU MODELE AR...43
III.2. RESOLUTION RECURSIVE DE LEVINSON DURBIN.........44
III.3. SIMULATION ET PROGRAMME.....48
III.4. RESULTATS ET INTERPRETATIONS.....50
CONCLUSION........55








CHAPITRE IV : DETECTION DES DEFAUTS D'ENGRENAGES PAR ANALYSE
SPECTRALE

INTRODUCTION .......58
IV.1.PRESENTATION DU SYSTEME ETUDIE........59
IV.2.PROGRAMME ET SIMULATION DU DIAGNOSTIC.......60
IV.2.1.Reprsentation temporelle62
IV.2.2.Rsultats et interprtation du spectre de puissance..63
IV.2.2.1.Mthode de Pisarenko.63
IV.2.2.2.Mthode de Prony.......65
IV.2.2.3.Mthode de Levinson..67
IV.3. ETUDE COMPARATIVE.........70
CONCLUSION...70

CONCLUSION GENERALE

BIBLIOGRAPHIE

ANNEXE A
ANNEXE B

Liste des figures

Fig I.1 : Systme d'engrenage.05
Fig I.2 : Les diffrents types d'engrenages..06
Fig I.3 : Causes de dfaillances lies la construction07
Fig I.4 : Dfaillances lies au phnomne de corrosion..07
Fig I.5 : Comparaison dun signal dengrenage sain et celui dtrior ..10
Fig I.6 : Structure de la maintenance conditionnelle12
Fig I.7 : Les diffrentes tapes du diagnostic industriel......13
Fig I.8 : Principe du diagnostic interne..14
Fig I.9 : Modle paramtrique.18
Fig II.1 : gnration du signal de test...31
Fig II.2 : Gnration de la DSP du signal test.....32
Fig II.3 : Reprsentation temporelle du signal modle 134
Fig II.4 : Reprsentation temporelle du signal modle 234
Fig II.5 : Spectre de puissance obtenu par la mthode de Prony
pour un processus somme de deux sinusodes bruit..36
Fig II.6 : Spectre de puissance obtenu par la mthode de Prony
pour un processus d'ordre quatre bruit37
Fig II.7 : Spectre de puissance obtenu par la mthode de Pisarenko
pour un processus somme de deux sinusodes bruites.38
Fig II.8 : Spectre de puissance obtenu par la mthode de Pisarenko
pour un processus d'ordre quatre bruit38
Fig III.1 : Organigramme de simulation...49
Fig II.2 : Spectre de puissance obtenu par la mthode de Levinson
pour un processus somme de sinusodes bruites53
Fig II.3 : Spectre de puissance obtenu par la mthode de Levinson
pour un processus d'ordre quatre bruit...55


FigIV.1 : Principe de lchantillonnage angulaire..59
Photos n
o
1: Capteur Acclromtre, Codeur Optique,
Amplificateur de Charge, le Chssis ses modules...60
FigIV.2 : Organigramme de simulation.61
Fig IV.3 : Signal mis par le systme tudi.63
Fig IV.4. : Spectres de puissances obtenus par la mthode de Pisarenko..65
Fig IV.5 : Spectres de puissances obtenus par la mthode de Prony......67
Fig IV.6 : Spectres de puissances obtenus par la mthode de Levinson .69


Liste des tableaux


Tableau I.1 1 : Les statistiques sur les causes de dfaillance
dans les lments engrenage.....08
Tableau II.1 : Dtection frquentielle par la mthode de Prony..................37
Tableau II.2 : Dtection frquentielle par la mthode de Pisarenko.......40
Tableau II.1 : Dtection frquentielle par la mthode
de Levinson modle154
Tableau III.2 : Dtection frquentielle par la mthode
de Levinson modle 2.56
Tableau IV.1 : Evolution du pic principal..67
Tableau IV.2 : Evolution du pic principal.....69


Introduction ggnrale
1

INTRODUCTION GENERALE

Sous la pression de la concurrence mondiale, les installations de production ont vu leurs
performances crotre rgulirement. Les machines sont de plus en plus sollicites, vitesse de
rotation, dures de fonctionnement et efficacit augmentent. Il s'ensuit une augmentation des
dgts et des pannes qui entranent des arrts non programms. Les cots d'arrt de production
sont dans ces cas nettement suprieurs aux cots de rparation et de remise en tat. Ainsi la
prvention des dgts des machines a pour chaque entreprise une grande signification
conomique. [1]
Continuit dans la production, maintien de l'outil, respect de l'environnement et succs
conomiques ne peuvent tre garantis dans le temps qu' l'aide d'une maintenance qui prvient
efficacement les dgts et les pannes, et qui utilise de faon optimale le potentiel des machines.
Ces deux conditions ne peuvent tre remplies que par la mise en uvre de la maintenance
conditionnelle. [2]
L'objectif principal d'une bonne surveillance est de dtecter les anomalies de fonctionnement
avant qu'elles ne prsentent un risque pour la machine. Lorsqu'un dfaut est dtect, il faut tre
capable de prciser s'il est grave, si l'on peut continuer exploiter la machine, et dans ce cas
combien de temps on peut la laisser en fonction (tourner) avant de l'arrter. [3]
Pour assurer cette surveillance, on dispose d'informations reprsentatives (symptmes) des
dfauts surveiller. Ces informations sont videment celles qui sont accessibles la mesure:
Tempratures, pressions, dbits, vibrations, etc. [4]
En effet la disponibilit de l'appareil de production, son tat de fonctionnement ainsi que sa
maintenance sont des soucis majeurs de l'industrie actuelle. A travers la mesure, le stockage, et
l'analyse des signaux vibratoires, il est possible de mettre au point des procds efficaces de
surveillance et de diagnostic des machines. [5]
La surveillance par les vibrations peut se rvler une mthode efficace pour parvenir aux
rsultats, et parfois moindre frais. Ce dernier point qui reprsente l'aspect conomique de la
surveillance n'est pas ngligeable pour un industriel. L'utilisation des vibrations fait intervenir
une phase d'analyse du signal vibratoire recueilli sur la machine surveiller. [6]
Certains dfauts dans les machines tournantes sont caractriss par des chocs se
traduisant par des non-stationnarits locales sur les signaux vibratoires; c'est le cas dans les
engrenages o l'caillage et la fissuration de dents produisent des chocs localiss lors de
Introduction ggnrale
2
l'engrnement des dents incrimines. Ces chocs peuvent tre de faibles amplitudes lorsque le
dfaut est naissant. Ce type de dfauts voluant rapidement vers la rupture, il est ncessaire de
les dtecter de faon prcoce, pour pouvoir planifier une maintenance efficace d'une part, et pour
des raisons de scurit d'autre part, d'o le recours aux techniques de dtection des non-
stationnarits qui ont montr de meilleures performances que les techniques classiques fondes
sur l'analyse de Fourier .Cette dernire donne de bons rsultats pour des dfauts que l'on pourrait
qualifier de (simple), tels que le balourd. Elle est souvent inefficace lorsque les dfauts sont
caractriss par des variations complexes du spectre, et plus particulirement par des non-
stationnarits dans le signal vibratoire. Par ailleurs, il faut noter que les signaux vibratoires sont
trs riches en harmoniques; d'o la difficult d'apprciation des variations dues aux non-
stationnarits. Une autre limitation d'analyse de Fourier est due au fentrage des donnes qui se
manifeste lors du traitement par FFT. Ce fentrage a pour effet de cacher certains dtails
spectraux qui sont rellement prsents [3]. Ce sont les raisons pour lesquelles il faut utiliser des
outils de traitement du signal capables de suivre dans le temps des changements rapides de
caractristiques [7].
Ce travail de magister a pour but de prsenter l'apport des mthodes paramtriques pour la
surveillance et le diagnostic des dfauts, bases sur l'analyse spectrale par les modles
autorgressifs (AR) et Prony des signaux vibratoires mis par un rducteur engrenage de deux
roues dentes.
Le mmoire est organis en quatre chapitres:
Le premier chapitre prsente des gnralits sur les systmes d'engrenages, les notions de
maintenance et les diffrentes techniques de contrle des machines industrielles. Il
justifie galement le choix des vibrations comme moyen de diagnostic et de surveillance
des machines tournantes.
Le deuxime chapitre est consacr aux mthodes de dcomposition harmoniques, de
Pisarenko et de Prony, alors que les mthodes autorgressives seront dveloppes dans le
troisime chapitre. Toutes ces mthodes sont values l'aide des signaux modles.
Le dernier chapitre prsente les rsultats de simulation de l'application des mthodes
tudies en deuxime et troisime chapitre au traitement des signaux vibratoires produits
par le systme d'engrenage sous test.
Et on termine par une conclusion gnrale.
Introduction ggnrale
3


Les systmes d'engrenages
4


CHAPITRE I

LES SYSTEMES D'ENGRENAGES


















INTRODUCTION

Les rducteurs engrenage sont des lments de transmission importants dans les lignes
d'arbre des machines tournantes. On les rencontre dans tous les types d'industrie, comme
l'industrie automobile (boite de vitesse), la petite et grosse industrie de processe par exemple les
cimenteries o les roues atteignent des diamtres de 3 4 mtres lorsque il s'agit de transmettre
des puissances d'une dizaine de M watts. Ce sont des lments mcaniques trs sollicits [8,9],
complexes dimensionner et raliser (calcul, choix et traitement des matriaux, taillage des
dents,..), qui peuvent prsenter des dfaillances limitant leur dure de vie. Afin d'viter des
ruptures soudaines et pour diminuer les cots de maintenance en milieu industriel, des mthodes
particulires de diagnostic ont fait l'objet de dveloppements spcifiques, notamment pour
rsoudre les problmes vibratoires des machines tournantes.
Dans ce chapitre, nous allons prsenter les caractristiques des systmes d'engrenages et les
techniques de diagnostic des dfauts qu'ils peuvent subir.

Les systmes d'engrenages
5

I.1. LES ENGRENAGES [10]

L'engrenage est un dispositif lmentaire constitu de deux organes rigides et dents R1 et
R2 gnralement cylindriques ou coniques, appels roues, possdant N1 et N2 dents qui tournent
aux vitesses V1 et V2 autour d'axes fixes, des frquences de rotation f1 et f2 respectivement et
une frquence d'engrnement donne par:

feng= N1 f1=N2 f2....(I.1)

Les engrenages servent principalement transmettre un mouvement circulaire ou de rotation
entre deux arbres. S'ils sont munis de roues engrenant des sections dentes rectilignes, ils
transforment un mouvement rectiligne, alternatif ou non, en mouvement de rotation, et
inversement. Le rapport des vitesses de rotation de ces deux arbres, appel rapport de
transmission, est constant et inversement proportionnel au nombre de dents de chacune des deux
roues de l'engrenage.

Fig I.1: systme d'engrenage



On classe les nombreux types d'engrenages existants comme suit [9]:
Engrenage cylindriques : dont les arbres de deux roues sont parallles.
Engrenage coniques: les deux arbres sont conus de tel sorte que les prolongements de
deux axes se recoupent.
Engrenage gauches: les deux arbres occupent des positions relatives quelconques.
La crmaillre : c'est un segment d'engrenage dont l'axe de rotation est rejet l'infini.
Pignon vis sans fin: ils sont constitus par une paire de pignon avec une vis sans fin.

Les systmes d'engrenages
6




Fig I.2: Les diffrents types d'engrenages




I.2.DEFAILLANCE [3,11,12]

Une dfaillance est l'altration ou la cessation de l'aptitude d'un ensemble accomplir ses
fonctions requises avec les performances dfinies dans les spcifications techniques. Les
dfaillances peuvent tre classes selon diffrents critres:

Dfaillance progressive ou soudaine, selon la rapidit de leur manifestation.
Dfaillance partielle ou complte ou intermdiaire, selon l'amplitude (la fonction est
dgrade ou absente).
Dfaillance prcoce, taux constant ou d'usure, selon le moment d'apparition dans le
cycle de vie du matriel.
Dfaillance mineure, significative, critique ou catastrophique, selon leur effet sur le
systme, l'environnement et l'homme.
Dfaillance premire, seconde et de commande, selon les causes des dfaillances.

I.2.1.CAUSES DE DEFAILLANCE

La norme dfinit la cause de dfaillance par "Les circonstances lies la conception, la
fabrication ou l'emploi et qui ont entran la dfaillance". Pour montrer la difficult de la matrise
des mcanismes de ruine les figures (I.3) et (I.4) reprsentent les principales causes de
dfaillance induites lors de la construction ou lies aux phnomnes de corrosion


Les systmes d'engrenages
7




Fig I.3: Causes de dfaillances lies la construction





Fig I.4: Dfaillances lies au phnomne de corrosion




I.2.2.DEFAUTS D'ENGRENAGE

Vu l'importance des rducteurs et la complexit de ces systmes mcaniques, l'analyse des
dfaillances de ces lments a t ralise. Le tableau (I.1) prsente des statistiques sur les causes
de dfaillance et la localisation des dfauts dans les lments engrenage.


Corrosion

Localise

Gnralise

Haute
tempratures

Piqre

Fissuration

Uniforme

Slective

Corrosion
sche

Oxydation
Causes lies
la
construction

Fabrication
incorrecte
Sous
dimensionne
ment
Contrle
incorrect de
fabrication

Matriau

Traitement
thermique

Dessin

Choix des
matriaux

Procdures
incorrectes
Matriel de
contrle
insuffisant
Les systmes d'engrenages
8


Origine des dfauts
Pourcentage

Localisation des
dfauts
Pourcentage
Fabrication (calcul,
assemblage, matriaux, etc..)
40% Dentures 60%
Exploitation
(maintenance)
43% Palier 19%
Autres (machines
adjacentes)
17% Arbre 10%

Carter

07%

Autres

04%



Tableau I.1 1: Les statistiques sur les causes de dfaillance dans les lments engrenage.




I.2.2.1. LES DEFAUTS REPARTIS SUR TOUTES LES DENTS

L'usure : due au glissement entre les lments qui est la consquence d'un enlvement de
matire de l'ordre de quelque microns [3,8,13].
Le grippage : due une mauvaise lubrification qui engendre une forte adhrence des
surfaces en contact.
Le pitting : C'est une dtrioration superficielle qui se manifeste par de trs fortes piqres
et mme parfois des trous la surface des dentures, pouvant voluer suivant les
matriaux vers la destruction de l'engrenage. Ce processus volue gnralement
lentement en comparaison avec la dure de vie des rducteurs.


I.2.2.2. LES DEFAUTS LOCALISES SUR DES DENTS PARTICULIERES

Fissuration : c'est la fissuration de dents (gnralement par fatigue) qui conduit
rapidement la rupture de la dent.
L'caillage : On le trouve dans les engrenages ciments tremps (dont la couche
superficielle est durcie). C'est le principal dfaut qui volue galement trs vite vers la
rupture. Il est caus par une pression superficielle trs importante malgr que la marge
prise lors des dimensionnements ne peut tre matrise (exemple couple au dmarrage).


Les systmes d'engrenages
9

I.3.SIGNAUX VIBRATOIRES DELIVRES PAR UN ENGRENAGE

La vibration consiste en un mouvement de va et vient d'une machine ou d'un de ses lments
depuis sa position de repos. Les vibrations d'un engrenage sont produites principalement par le
choc entre les dents des deux roues qui le composent. Ce choc est affaibli au maximum par une
optimisation de la forme des dents, une dveloppante de cercle lgrement corrige pour tenir
compte de la dflexion sous la charge. Mais cette optimisation n'est valable que pour une charge
donne et de plus, l'usure dtriore peu peu cette forme.
D'autre part, cette vibration appele signal d'engrnement, qui est la source du bruit rayonn
par les machines, subit un filtrage et des dformations causes par la structure de la machine,
entre la source et le point d'engrnement.

I.3.1. ENGRENAGE SANS DEFAUTS

Considrons un engrenage avec des dents parfaitement identiques sans dfauts. Des
excitations se produiront chaque engrnement d'une paire de dents. Le signal vibratoire
engendr par cet effort est recueilli au niveau du palier.

Le signal vibratoire d'un engrenage idal est de type :

) 2 . ........( .......... .......... .......... .......... )......... ( ) 2 sin( ) (
1
I t e t Zf a t x
i R
N
i
i
+ + =

=


O

e(t): bruit blanc

i
: la phase initiale du mouvement.
f
R
: la frquence de rotation de l'arbre.
Z : nombre de dents d'une roue dente.
i : nombre des harmoniques.

I.3.2.ENGRENAGE AVEC DEFAUTS

Pour tenir compte de l'effet de certains dfauts ou de vibration de torsion, le modle (I.1) va
s'crire en supposant l'existence de modulations d'amplitude et de phase:
) 3 . .........( .......... .......... .......... .......... )......... ( )) ( 2 sin( ) ( ) (
1
I t e t t Zf t a t x
i R
N
i
i
+ + =

=


Les systmes d'engrenages
10

I.3.3.SPECTRE D'ENGRENAGE [14]

Dans un engrenage idal, chacune des roues est forme de dents identiques et rgulirement
espaces. Le signal acclration tant priodique, son spectre est compos d'harmoniques de la
frquence d'engrnement f
eng
=Ni f
i
avec f
i
la frquence de rotation de la roue Ri et Ni le nombre
de dents de la roue. Une priodicit apparatra en cas de dtrioration d'une dent. Donc les
harmoniques de f
i
correspondant la dent dfectueuse viennent s'ajouter au spectre prcdent.
En pratique, un engrenage sain n'est pas idal en raison de disparits gomtriques; il possde
un spectre compos des harmoniques d'engrnement. La dtrioration de la surface de contact
donne naissance une fluctuation de la charge transmise qui se traduit par une modulation
d'amplitude du signal vibratoire. Un dfaut de denture rendra l'intervalle entre deux dents
irrgulier; ce qui entrane une frquence d'engrnement instantane variant autour de la valeur
f
eng
=Ni f
i





FIG I.5 :COMPARAISON DUN SIGNAL DENGRENAGE SAIN ET CELUI DETERIORE [39]



I.3.4.PRINCIPALES SOURCES DE VIBRATIONS DANS UN ENGRENAGE

Parmi les sources essentielles d'excitation d'un engrenage en mouvement on peut noter [3,
4,14]:

L'erreur de coaxialit dans les roues engrenage qui provoque des vibrations (balourd).
La modification du profil due l'erreur de fabrication et la dformation des dents.

Les systmes d'engrenages
11

L'influence des arbres et grandeurs des masses (accouplement, moteur,) sur la charge
dynamique.
Les chocs entre les dents l'amorce de l'engrnement lorsque la dent non dforme
supporte une fraction de la charge tandis que les autres dents se dchargent.
La dformation variable des dents produit la variation de la charge le long des profils des
dents et une variation de la charge travers la ligne d'engrnement pour une paire de
dents en contact.
Les forces de frottement variables en sens.
L'expulsion de l'huile et de l'air de l'entre dent.
Les fluctuations de la charge des dents surviennent durant l'engrnement des dents mme
dans les conditions de la charge constante.

I.4.MAINTENANCE [3, 4, 12]

La maintenance des machines a une grande signification conomique pour toute entreprise.
La continuit dans la production, la sauvegarde du capital, le respect de l'environnement et le
succs conomique ne peuvent tre garantis que par une maintenance qui anticipe les dgts et
les catastrophes. Pour la maintenance des machines, on distingue trois stratgies:


I.4.1. MAINTENANCE REACTIVE

Appele maintenance corrective selon la norme AFNORNFX60-010, maintenance effectue
aprs altration d'un bien accomplir la fonction requise (donc aprs la dfaillance). Ce type de
maintenance est le plus rpondu, mais il consiste intervenir une fois que le mal est fait, en
effectuant des rparations : il est donc le plus coteux. De plus, les dfaillances survenant de
manire non prvisible, l'organisation de cette activit est limite.

I.4.2. MAINTENANCE PREVENTIVE

Appel maintenance systmatique selon la nome AFNORNFX60-100 effectue selon des
critres prdtermins, dans l'intention de rduire la probabilit de dfaillance d'un bien ou la
dgradation d'un service rendu (donc avant la dfaillance). Cette maintenance est systmatique,
dans le sens o les visites d'entretien vont tre programmes selon une exploitation statistique
des donnes recueillies sur les artefacts. Le surcot entran par des visites systmatiques est
pondr par la planification qui peut en tre faite, et par la diminution des arrts de productions
due la limitation de la maintenance corrective.
Les systmes d'engrenages
12

Dans certains cas, cette maintenance est vitale pour assurer la scurit du systme et de son
environnement (transports ariens, centrales nuclaires)

I.4.3. MAINTENANCE CONDITIONNELLE OU PREDICTIVE

Elle consiste surveiller et analyser de faon continue l'tat de fonctionnement et son
volution dans le temps des installations ou des machines en pratique; ce qu'on appelle une
surveillance de l'tat des machines et ceci pendant les phases de dmarrage, de fonctionnement et
d'arrt. La connaissance et le traitement de ces donnes permet de dceler les anomalies de
fonctionnement et de dcider les interventions ncessaires.

Cette mthode prsente donc l'avantage d'viter la surprise, de permettre gnralement la
planification de l'intervention et de limiter au strict minimum les arrts des machines. En outre,
la grance des pices de rechange est facilite et la dure des arrts est limite.




Traitement Mesure de Machine
serveiller vibration du signal





Conditions
Oui limites
acceptables



NON


Action





Fig I.6:Structure de la maintenance conditionnelle



Les systmes d'engrenages
13
Diagnostic
Dcision
Mesure
et
observation
I.4.4. MAINTENANCE ADAPTATIVE OU MARGINALE

Elle est non dfinie par l'AFNOR. Cette maintenance, apparue grce au dveloppement des
cercles de qualit, a pour objectif l'amlioration de la dure de vie des quipements. Ceci est
ralis en modifiant les quipements, d'aprs les remarques effectues par les oprations, par
exemple dans les cercles de qualit.

I.5.DIAGNOSTIC D'ENGRENAGE [3, 11, 12]

Le diagnostic d'aprs AFNOR est l'identification de la cause probable de la dfaillance l'aide
d'un raisonnement logique fond sur un ensemble d'informations provenant d'un contrle ou d'un
test



Validation des mesures


Caractrisation du fonctionnement


Dtection





Identification de la cause







Consignes Maintenance


PROCESSUS
INDUSTRIEL



Fig I.7:Les diffrentes tapes du diagnostic industriel


Les systmes d'engrenages
14

I.5.1CLASSIFICATION DES METHODES DE DIAGNOSTIC

I.5.1.1 LES METHODES INTERNES DE DIAGNOSTIC

Cette famille de mthodes est principalement drive des techniques utilises par les
automaticiens. A partir des modles physiques ou de comportement valids par les techniques
d'identification de paramtre, il devient possible de mettre en uvre la mthode du problme
inverse. Le diagnostic de dfaillance est possible en suivant en temps rel l'volution des
paramtres physiques ou bien en utilisant l'inversion de modle de type "boite noire". Elles
impliquent une connaissance approfondie sous la forme de modles mathmatiques qui devront
tre obligatoirement valids exprimentalement en trois grandes familles:

Les mthodes du modle.
Les mthodes d'identification de paramtres.
Les mthodes d'estimation du vecteur d'tat.


u y
Processus
Entres , X Sorties


Estimation de
Paramtre ou d'tat
Modle
Simplifier

,X


Temps


Fig I.8:Principe du diagnostic interne



I.5.1.2.LES METHODES EXTERNES DE DIAGNOSTIC

Ces mthodes supposent qu'aucun modle n'est disponible pour dcrire les relations de cause
effet. La seule connaissance repose sur l'expertise humaine conforte par un solide retour
d'exprience. Dans cette catgorie, on retrouve toutes les mthodes bases sur l'intelligence
artificielle.

Les systmes d'engrenages
15

I.5.2.MTHODE DE DIAGNOSTIC

I.5.2.1. METHODE DE DIAGNOSTIC DE DEFAILLANCE PAR MODELISATIONS FONCTIONNELLES ET
MATERIELLES

Le principe des mthodes de modlisation des dfaillances fonctionnelles est d'tablir a priori
de manire formelle et exhaustive les liens entre les causes initiales des dfaillances et de leurs
effets mesurables par les oprateurs ou les systmes de traitement de l'information.

I.5.2.2.METHODES DE DIAGNOSTIC PAR MODELISATION PHYSIQUE

Contrairement aux mthodes de l'analyse fonctionnelle qui dcoulent des analyses de sret de
fonctionnement, ces mthodes proviennent des domaines de l'automatisation de procds et de la
simulation numrique. Elles impliquent une connaissance approfondie du fonctionnement sous
la forme de modles mathmatiques qui devront tre obligatoirement valids exprimentalement
avant toute utilisation industrielle. Elles se regroupent en trois grandes familles:

La mthode du modle : la mthode de diagnostic de dfaillance par la mthode du
modle consiste comparer les grandeurs dduites d'un modle reprsentatif du
fonctionnement des diffrentes entits du processus avec les mesures directement
observes sur le processus industriel.

La mthode de diagnostic par identification de paramtres : cette mthode s'applique au
cas trs particulier o l'on souhaite suivre l'volution de certains paramtres physiques
critiques pour le fonctionnement d'un processus et qui ne sont pas mesurables
directement.
La mthode de diagnostic par estimation du vecteur d'tat: La gnralisation du principe
de diagnostic de dfaillance par la mthode de l'identification de paramtre a t rendue
possible en considrant les modles physiques d'un processus sous la forme d'quation
d'tat.

I.5.2.3. METHODES DE DIAGNOSTIC PAR ANALYSE DES SIGNATURES EXTERNES

Ces mthodes s'appliquent dans les situations o la modlisation des mcanismes reliant les
causes des dfaillances et des dgradations ne sont pas techniquement modlisable. Les
mthodes se classent en deux familles suivant la population des matriels diagnostiquer. En
prsence d'un parc important de matriels identiques, l'utilisation de techniques statistiques

Les systmes d'engrenages
16

appliques aux donnes de retour d'exprience permet d'tablir posteriori des corrlations entre
les dfaillances identifies aprs rparation et les signatures externes. Par contre, en prsence
d'un nombre rduit, l'expert humain est le seul capable, partir des signatures externes d'tablir
les diffrentes corrlations pour tablir le diagnostic de la dfaillance par classification des
signatures.

I.5.3.DIAGNOSTIC PAR ANALYSE SPECTRALE [4, 15]

Le spectre est le concept fondamental de l'analyse en frquence dont le signal
amplitude/temps est converti en amplitude/frquence. Il est reprsent sous forme d'un graphique
montrant l'amplitude de la vibration chaque frquence. A partir des caractristiques d'une
machine surveille, et des frquences auxquelles apparaissent les anomalies, il est donc possible
de dtecter l'origine d'un dfaut et d'en suivre l'volution. Les anomalies spectrales peuvent tre
classs en trois catgories:

Pics apparaissant des frquences multiples ou sous multiples de la vitesse du rotor.
Pics apparaissant des vitesses indpendantes de la vitesse du rotor.
Densit spectrale provenant de composantes alatoires de la vibration.


I.5.3.1. METHODES NON PARAMETRIQUES D'ANALYSE SPECTRALE [15, 16, 17]

Ce sont des mthodes qui ne mettent pas en jeu la considration d'aucun modle
paramtrique. L'estimation spectrale s'effectue directement partir de la transforme de Fourier
du signal, ou de son autocorrlation. Nous exposons ici les mthodes les plus connues d'entre
elles:
a- Priodogramme :

La mthode la plus simple de calculer une estimation de densit spectrale de puissance d'un
signal x(n) est sans doute d'utiliser la technique dite du Priodogramme, qui est tout simplement
le module carr de la transforme de Fourier discrte du signal analys, soit :

) 4 . ..( .......... .......... )......... ( ) (
1
) 2 exp( ) (
1
) (

2
1
0
I f x f x
N
f j n x
N
f P
N
n
n pd
= =

=


O N est le nombre d'chantillons du signal.

Les systmes d'engrenages
17

Il s'agit d'un estimateur non biais mais non consistant, ce qui est un inconvnient majeur si
l'on recherche une rsolution apprciable. On peut rduire cette variance en estimant le
priodogramme moyenn : il s'agit de diviser le signal analys en k tranches et d'estimer pour
chacune des priodogrammes et de retenir comme estimation finale du priodogramme la
moyenne des k estimations. La variance s'en trouve ainsi divise par k, mais cela est au dtriment
de la rsolution frquentielle qui s'en trouve affaiblie puisqu'on rduit de k la proportion
d'chantillons utiliss pour l'estimation de chaque priodogramme.

b- Corrlogramme:

Le Corrlogramme [4] est en fait une simple discrtisation sur une fentre d'analyse contenant
N donnes de la formule d'estimation de la densit spectrale de puissance pour un signal continu,
il vient donc :
) 5 . ( .......... .......... .......... .......... .......... .......... ) (
1
1
2
I e R f P
N
N
jnf
n cor

=



O Rn est l'autocorrlation du signal x
n
. L'inconvnient majeur du Corrlogramme est d'abord
qu'il peut conduire l'estimation d'une densit spectrale de puissance ngative, due videmment
aux erreurs numriques de la discrtisation, par ailleurs son pouvoir de rsolution est faible.

c-Le cepstre:

L'analyse cepstrale est une mthode qui a un grand champ d'application surtout dans le
diagnostic des signaux vibratoires. Elle peut dtecter les priodicits dans un spectre (spectre
d'engrenage par exemple). On peut dire que les techniques cepstrales sont trs efficaces pour
dtecter la prsence d'chos. Ces chos sont gnralement espacs.
Cette mthode est dfini comme le transforme de Fourier inverse du logarithme de la densit
spectrale de puissance :

) 6 . .......( .......... .......... .......... .......... .......... ))........ ( (ln(
1
I f P F x
x cep

=


O x
cep
et P
x
sont le cepstre et la densit spectrale du signal x(n). Cette mthode est trs
efficace du point de vue rsolution d'un train d'harmoniques de frquences trs proche et
quidistantes. En outre, l'application du cepstre au mme signal dengrenage permet la dtection

Les systmes d'engrenages
18

du dfaut travers l'observation de l'augmentation de l'amplitude relative du pic principal situ
la qufrance de valeur gal l'inverse de la frquence d'engrnement.

I.5.3.2. METHODES PARAMETRIQUES D'ANALYSE SPECTRALE [7, 15, 18]

Ces mthodes se ramnent la slection du modle, l'estimation de ses paramtres et la
substitution des valeurs estimes dans l'expression thorique de la densit spectrale. Il existe
principalement trois grandes classes de modles:

a- Estimateur ARMA :
Souvent les processus alatoires sont modliss par un processus dit ARMA , o l'on suppose
la srie temporelle x
n
gnre par l'excitation d'un filtre linaire invariant par un bruit blanc e
n
fig (I.9).

e (n) Modle x(n)

Fig I.9 : modle paramtrique

) 7 . ..( .......... .......... .......... .......... ..........
0 1
I e b x a x
q
l
l n l
p
i
i n i n
=

= +


O b
0
=1 et e
n
est un bruit blanc centr, et de variance
2
. Ce modle est dit autorgressif
moyenne ajuste (ARMA), souvent not ARMA (p,q), o p et q sont respectivement les ordres
des modles AR et MA. x
n
est donc la sortie du filtre dont la transforme en z de la rponse
impulsionnelle est:
) 8 . ...( .......... .......... .......... .......... .......... .......... .......... ..........
) (
) (
) ( I
z A
z B
z H =


O

+ =
p
i
i
i
z a z A
1
1 ) ( et
l
q
l
l
z b z B

=

=
0
) ( . On dduit de l'quation (I.8) l'expression de la densit
spectrale de puissance de x
n
:
( )
( )
) 9 . ......( .......... .......... .......... ..........
2 exp 1
2 exp 1
) (
2
1
2
1 2
I
t f i j a
t f l j b
t f p
p
i
i
q
l
l
ARMA
+
+
=

=
=


Les systmes d'engrenages
19


O t est la priode d'chantillonnage. L'estimation de la densit spectrale de puissance de x
n

ncessite l'estimation des paramtres a
i
, b
i
et
2
. Ce modle est adapt n'importe quel type de
signaux.

b- Modle MA:

En annulant les a
i
, on obtient le modle moyenne ajuste, ou ARMA (0, q) plus connu sous
l'abrviation MA (q):
) 10 . .........( .......... .......... .......... .......... .......... ..........
0
I b x
q
l
l n l n
=

=


Il vient par l'quation (I.9) que la densit spectrale de puissance de x
n
s'exprime par la relation
suivante:


) 11 . ....( .......... .......... .......... .......... .......... 1 ) (
2
1
2 2
I e b t f p
q
l
t jll
l MA
=

+ =


Ce modle est bien adapt aux signaux dont la puissance est nulle dans certaines bandes de
frquences.


c- Modle AR :

En gnral en mettant les b
l
(l >0) zro, on aboutit donc la modlisation autorgressive
note ARMA (p, 0) ou plus communment AR (p) :


) 12 . ....( .......... .......... .......... .......... .......... ..........
1
I x a x
n
p
i
i n i n
= +




De mme, il dcoule de l'quation (I.9) que la densit spectrale du modle autorgressif est :

( )
) 13 . ...( .......... .......... .......... .......... ..........
2 exp 1
) (
2
1
2
I
t f i j a
t
f p
p
i
i
AR
+



Ce modle est bien adapt aux signaux composs de raies pures dans du bruit blanc.

Les systmes d'engrenages
20

I.5.3.3. METHODES DE DECOMPOSITION HARMONIQUE [7, 15, 18]

Cette mthode suppose que le signal est compos d'un certain nombre de raies spectrales dont
il convient de trouver les frquences et les puissances

CONCLUSION
La surveillance et le diagnostic des fatigues et des endommagements dans les structures
mcaniques et les machines tournantes est un domaine d'intrt grandissant dans plusieurs
secteurs industriels. L'analyse spectrale est l'outil majeur pour l'tude des signaux vibratoires des
machines tournantes, dans le cadre de la maintenance dite prventive conditionnelle des
machines. Bon nombre de problmes lis la dtection de dfauts sur les organes des machines
peuvent tre rsolus par les techniques classiques fondes sur l'analyse de Fourier. Nanmoins, il
existe des cas o l'analyse spectrale aux cas des signaux comportant des non stationnarits
locales (cas d'engrenage par exemple), la transforme de Fourier n'est pas adapte de telles
situations car il est difficile de mettre en vidence les non stationnarits locales qui sont
gnralement brves sur ce type de signaux.
Dans le chapitre suivant, nous allons montrer que l'utilisation des techniques d'analyse
spectrale par les mthodes de dcomposition harmonique permet d'offrir des meilleures
performances que les techniques classiques fondes sur l'analyse de Fourier.
L'estimation spectrale par les mthodes de dcompositions harmoniques
22
CHAPITRE II

L'ESTIMATION SPECTRALE PAR LES
METHODES DE DECOMPOSITION
HARMONIQUE






INTRODUCTION

Certains signaux rencontrs sur des processus industriels ne peuvent pas tre
analyss avec les outils classiques de traitement du signal soit, parce que la
transforme de Fourier s'avre tre inadapte, soit parce que les hypothses de
stationnarit et d'ergodicit ne sont pas valables. Pour ces raisons, des mthodes
particulires ont fait l'objet de dveloppements spcifiques pour rsoudre les
problmes des machines tournantes.
Ce chapitre prsente les principales techniques de dcomposition harmoniques:
Les mthodes de Prony et de Pisarenko.

II.1. ESTIMATEURS D'HARMONIQUES [15]

De nombreux processus physiques engendrent des signaux harmoniques. Un signal
harmonique est une somme de sinusodes dont les frquences sont des multiples
entiers de la frquence fondamentale. A titre dexemples, on peut citer trois
L'estimation spectrale par les mthodes de dcompositions harmoniques
23
problmes, non exhaustifs, pour lesquels la connaissance des paramtres caractrisant
les signaux harmoniques est trs utile :

Le premier est la dtection de dfauts dans un processus industriel vue travers
certains signaux. Ainsi, par exemple, le suivi de lvolution des caractristiques
des courants (amplitudes, frquences) issus dune machine tournante permet de
dtecter lapparition de dfauts, lorsque ceux-ci se traduisent par la modification
de composantes harmoniques.
Le deuxime est la classification de signaux en diffrentes classes. Une classe se
caractrise par les paramtres de modlisation des signaux harmoniques qui
doivent tre estims. On trouve des applications importantes dans la classification
de signaux de parole et de musique.
Dans le contrle de certains processus physiques, lestimateur de signaux
harmoniques, qui peut tre insr dans une boucle de rgulation permet dadapter
les gains de commande certains paramtres des composantes harmoniques.

En prsence des signaux composs d'une somme de fonctions sinusodales pures
ou de fonctions exponentielles modules par des fonctions trigonomtriques, il est
particulirement intressant d'identifier chacune des composantes. Les mthodes de
modlisation de Prony et de Pisarenko rpondent prcisment ses objectifs et sont
des auxiliaires prcieux dans le domaine de la mcanique en analyse modale
exprimentale pour l'tude des vibrations.

II.2.METHODE DE PRONY [7, 15, 19, 20, 21, 22]

Cette mthode, remontant 1795, connat un regain d'intrt d'une part grce
l'volution des moyens de calculs et d'autre part grce ses capacits rsoudre des
problmes dans les domaines o les mthodes classiques sont inefficaces. Dans cette
mthode, le signal x(n) est suppos tre constitu d'une somme de P exponentielles
amorties. L'hypothse de dpart s'crit donc:

=
=
p
k
n
k k
II Z b n x
1
) 1 . ......( .......... .......... .......... .......... .......... ) (
L'estimation spectrale par les mthodes de dcompositions harmoniques
24
Dans ce modle, les exponentielles {Z
k
} (notes ples du modle) sont porteuses
de quatre types d'informations familires en traitement du signal et en modlisation de
systmes :
) 2 . ......( .......... .......... .......... .......... ..........
) 2 (
II e Z
t f j
k
k k
+
=



) 3 . .( .......... .......... .......... .......... .......... ..........
) (
II e A b
k
j
k k

=
Avec

A
k
: l'amplitude

k
: la phase en radians.

k
: le facteur d'amortissement.
f
k
: la frquence d'oscillation en HZ.
t reprsente le pas d'chantillonnage en seconde

On peut alors exprimer le polynme :


=

=
= = =
p
i
i p
i
p
k
k
II a avec Z a Z Z Z
0
0
1
) 4 . .......( .......... 1 .......... .......... ) ( ) (

D'aprs l'hypothse de dpart sur x (n) on a :
) 5 . .....( .......... l - N i - n 0 ........ .......... .......... ..........
1
II Z b x
p
l
i n
l l i n
=

=



En multipliant cette quation par a
i
et en effectuant une sommation sur m, il vient :

) 6 . ....( .......... pour ........ .......... ) (
0 1 0
II l N n p Z a b i n x a
m n
l
p
m
m
p
l
l
p
i
i
=

= = =



Ou encore:

Or 0
0
=

i p
l
p
i
i
Z a par dfinition des coefficients a
i
du polynme (Z) dont les racines
sont les Z
l
, d'o :
) 7 . ..( .......... .......... .......... .......... ..........
0 1 0
II Z a Z b x a
i p
l
p
i
i
p n
l
p
l
l i n
p
i
i

=

=
L'estimation spectrale par les mthodes de dcompositions harmoniques
25
) 8 . ........( .......... .......... .......... .......... .......... 0
0
II x a
i n
p
i
i
=


D'o:
) 9 . .......( .......... .......... .......... .......... ..........
1
II x a x
i n
p
i
i n
=

=
Les coefficients a
i
peuvent donc tre obtenus par la rsolution du systme linaire de
dimension N suivant :

) 10 . ....( .......... .......... ..........
.
.
) (
.
) 2 (
) 1 (
)......... 2 (
.
)..... 1 (
)......... (
) 2 (
.
.
) 1 (
1
II
a
a
N x
x
x
N x
N x
N x
N x
N x
N
(
(
(
(

(
(
(
(

+
=
(
(
(
(

+



A partir des N coefficients a
i
il est possible de former le polynme :
) 11 . .( .......... .......... .......... .......... .......... ) (
0
II Z a Z
l n
p
i
i

=

Avec a
0
=1
Et d'en extraire les p racines complexes. Les modules de ces racines donnent alors
les affaiblissements
m
tandis que les phases donnent les frquences f
m
. Une fois
qu'on a dtermin partir du polynme (II.4) les Zi, l'quation (II.1) peut s'exprimer
sous la forme d'un systme d'quations linaires dont les inconnues sont les
paramtres b
i


B= x ... (II.12)

Avec
= ) 13 . ...( .......... .......... .......... ..........
.
.
.
.
.
.
.
.
.
.
.
.
.
1 . 1 1
2
2
1
1
2 1
II
Z Z Z
Z Z Z
p N
p
N N
p
(
(
(
(
(
(
(
(



L'estimation spectrale par les mthodes de dcompositions harmoniques
26
[ ] ) 14 . ..( .......... .......... .......... .......... .......... . .
3 2 1
II b b b b B
T
p
=

[ ] ) 15 . .........( .......... .......... .......... .......... . .

1 2 1 0
II x x x x X
N
=
La matrice est une matrice Vander Mande. La minimisation de


2
) ( x x par
les moindres carrs donne la solution suivante:

[ ] ) 16 . ..( .......... .......... .......... .......... ..........
1
II X B
H H
=



Pour calculer
H
, on a:
1
1 ) (
*

=
j i
N
j i
ij
Z Z
Z Z
V ...(II.17)

D'o:
) 18 . ......( .......... .......... .......... ..........
. .
.
.
.
.
.
.
.
.
.
.
. .
. .
2 1
2 22 21
1 12 11
II
V V V
V V V
V V V
pp p p
p
p
H
(
(
(
(
(
(

=

Aprs avoir dtermin Z
i
et b
i
, on peut calculer l'amplitude Ai, la phase
k
, le facteur
d'amortissement
k
et la frquence f
i
:

[ ]
[ ] ) 22 . ....( .......... .......... .......... .......... 2 / ) Re( / ) Im(
) 21 . ..( .......... .......... .......... .......... .......... .......... .......... / ln
) 20 . ......( .......... .......... .......... .......... .......... ) Re( / ) Im(
) 19 . .( .......... .......... .......... .......... .......... .......... .......... ..........
1
1
II t Z Z tg f
II t Z a
II b b tg
II b A
i i i
i i
i i i
i i
=
=
=
=



Alors la fonction d'approximation devient:

) 23 . .......( .......... )]........ 2 ( exp[ ) exp( ) (

1
II t m f j t m A n X
m m
p
m
m m
+ =

=

L'estimation spectrale par les mthodes de dcompositions harmoniques
27
Finalement, on obtient d'aprs la transforme de Fourier X(f) de x(n), la densit
spectrale de puissance de Prony:

=
+
=
=
p
m
m m
m
m m
ony
II
f f
j A f X
II f X f S
1
2 2
2
Pr
) 25 . .( .......... ..........
)] ( 2 [
2
) exp( ) (

) 24 . ( .......... .......... .......... .......... .......... .......... ) (

) (



II.3. METHODE DE PISARENKO [7, 15, 18, 23]

Dans cette mthode, on suppose que le signal x (n) est constitu d'une somme de N
sinusodes s (n) et d'un bruit blanc additif e (n) :

) 26 . ( .......... .......... .......... .......... .......... )......... ( ) ( ) ( II n e n s n x + =

Sachant que toute sinusode pure sin (nw) peut s'crire sous la forme:

Sin (nw) =2 cos wsin (n-1) w- sin (n-2) w.

Alors il est possible d'crire:

=
=
N
m
m
II m n s a n s
2
1
) 27 . ( .......... .......... .......... .......... )......... ( ) (
D'o :

=
+ =
N
m
m
II n e m n s a n x
2
1
) 28 . .( .......... .......... .......... )......... ( ) ( ) (

En remplaant s(n-m) par ) ( ) ( m n e m n x , il vient :

) 29 . ......( .......... .......... .......... ) ( ) (
2
0
2
0
II m n e a m n x a
N
m
m
N
m
m
= =
=

Ce qui peut s'crire sous forme matricielle :

L'estimation spectrale par les mthodes de dcompositions harmoniques
28
) 30 . ......( .......... .......... .......... .......... .......... ) ( ) ( II A n A n X
T T
=
Avec :
T T
T T
N n e n e n e n
N n x n x n x n X
)] 2 ( ....., ),........ 1 ( ), ( [ ) (
)] 2 ( .., ),........ 1 ( ), ( [ ) (
=
=



Et



D' o:

) 32 . ( .......... .......... .......... .......... .......... .......... ) ( )) ( ) ( (
) 31 . ........( .......... ) ( )) ( ) ( ( ) ( ) ( ) ( ) (
1 2
II A n n n s E A R
II A n n n s E A n n X E A n X n X E
T
N
T T T


+ =
+ = =
+


Or, on supposant que le bruit est blanc, de variance
2
et dcorrl du mlange de
sinusodes; cette quation devient donc:

) 33 . .........( .......... .......... .......... .......... ..........
2 2
1 2
II A IA A R
N
= =
+


Le vecteur A est donc le vecteur propre associ la valeur propre 2 avec la
contrainte a0 =1 .
Ayant le vecteur A, on peut crire la transforme en Z de l'quation:


) 34 . ......( .......... .......... .......... .......... .......... 0 1 ) (
) ( ) (
2
1
2
1
II Z a Z S
m n s a n s
N
m
m
m
N
m
m
=
|
|
|
|

\
|

=


(
(
(
(
(
(
(

=
N
a
a
a
A
2
1
0
.
.
.
L'estimation spectrale par les mthodes de dcompositions harmoniques
29
Les valeurs de Z pour lesquelles cette quation est vrifie donnent les valeurs des
frquences prsentes dans le mlange. Il faut extraire les racines du polynme

N
m
m
m
Z a
2
1
1 pour obtenir les N valeurs des frquences.
Si N et
2
ne sont pas connus a priori, il suffit de surdimensionner la matrice R et
d'analyser ses valeurs propres. Thoriquement celles ci doivent, au bout de N ordres,
atteindre une valeur constante gale
2
. Il existe de nombreux critres qui
permettent de dtecter ce blocage
2
des valeurs propres.
Enfin, il est possible d'obtenir les puissances des sinusodes dtectes. En effet, il
est facile de vrifier que, dans le cas d'un mlange de N sinusodes de pulsation i et
de puissance Pi, on a :

) 35 . .......( .......... .......... .......... cos .. .......... cos cos ) (
.......... .......... .......... ..........
. 2 cos ..... .......... 2 cos 2 cos ) 2 (
cos ......... .......... cos cos ) 1 (
2 2 1 1
2 2 1 1
2 2 1 1
II Nw P Nw P Nw P N r
w P w P w P r
w P w P w P r
N N
N N
N N
+ + + =
+ + + =
+ + + =



Disposant des pulsations
i
et des coefficients d'autocorrlation r (i), il suffit de
rsoudre ce systme pour trouver les puissances respectives P
i
des raies spectrales
identifies.

En conclusion pour analyser un signal selon la mthode de Pisarenko, il faut:

Observer N valeurs du signal x (nTe).
Calculer la matrice d'autocorrlation et en faire la dcomposition en lments
propres.
Dtecter
2
et en dduire le nombre de sinusodes.
Extraire les racines d'un polynme complexe de degr 2N.
Enfin si on veut les puissances, rsoudre un systme rel de N quations N
inconnues.

L'estimation spectrale par les mthodes de dcompositions harmoniques
30

La dcomposition en lments propres reste pour l'instant l'tape la plus dlicate
raliser de manire rapide et c'est le frein principal l'emploi de cette mthode.

II.4.DETERMINATION DE L'ORDRE [7, 15, 21]

Il est ncessaire, en pratique, de postuler plusieurs ordres et de choisir l'ordre qui
semble le plus appropri. A cet effet, diffrents critres fonds sur l'erreur de
prdiction sont valus pour indiquer quel est l'ordre du modle choisir.
L'exprience montre que si le processus original est un processus d'ordre p, alors
le choix d'un modle d'ordre infrieur p entrane une estime spectrale lisse. En
fait, tout ordre fini introduit un biais du l'inadquation de la modlisation. Un
compromis doit donc tre ralis entre le dsir de choisir un ordre lev pour rduire
le biais et un ordre faible pour rduire les erreurs d'estimation.

Diffrentes mesures visant dterminer l'ordre du modle ont t proposes; elles
sont fondes sur la puissance de l'erreur d'estimation. Gnralement, elles tentent de
choisir un ordre qui minimise la puissance de l'erreur de prdiction mais en mme
temps un ordre aussi faible que possible.
Il est donc raisonnable que la puissance de l'erreur de prdiction soit l'indicateur
central pour la slection de l'ordre du modle. Deux mthodes ont t proposes par
AKAIKE pour le choix de l'ordre optimal.

La premire mthode, connue sous l'appellation de critre FPE (Erreur de
Prdiction Finale), estime l'ordre du modle qui minimise:


) 36 . .( .......... .......... .......... .......... .......... .......... ..........
1
1
II
p N
p N
E FPE
p
|
|

\
|

+ +
=
L'estimation spectrale par les mthodes de dcompositions harmoniques
31

O N est le nombre d'chantillons, p est choisi de telle faon que FPE soit
minimum. La seconde mthode, de loin la plus utilise, est base sur la minimisation


d'une fonction d'information, note AIC (Akaike information criterion) et donne par

) 37 . ( .......... .......... .......... .......... .......... .......... 2 ) ln( ) ( II p E N p AIC
p
+ =

Pour des enregistrements longs, AIC est le plus convenable; mais pour des
enregistrements courts, les critres de Akaike sont identiques. Cette mthode n'est pas
limite AR mais aussi ARMA et MA.

II.5. SIMULATION

Afin de tester l'efficacit et les performances des modles Prony et Pisarenko et
avant de passer les appliquer au diagnostic d'engrenage, nous procdons les
simuler en utilisant des fichiers de donnes gnres partir des processus
paramtriques d'ordre et de coefficients connus [19]. Les paramtres prendre en
considration pour la simulation sont:
Le nombre d'chantillons du signal simul.
Le niveau de bruit (ou le rapport signal sur bruit).

II.5.1 PROGRAMME DE SIMULATION
Le programme que nous avons implant sur un micro-ordinateur compatible PC
est dvelopp sous l'environnement du logiciel Matlab 6, qui permet l'tude et
l'analyse de signaux stationnaires et non stationnaires et ses objectifs sont orients
vers l'analyse spectrale moderne: Les mthodes de dcomposition harmoniques Prony
et Pisarenko.
Ce programme est prsent selon l'organigramme de la figure (II.1)
L'estimation spectrale par les mthodes de dcompositions harmoniques
32
















































Fig II.1 : gnration du signal de test

Dbut
Choix du signal de test
Signal sinusodal Signal paramtrique
Lecture du nombre
d'chantillons

Signal paramtrique
transitoire
Lecture des valeurs initiales
Lecture des amplitudes
Lecture des frquences
Lecture des dphasages
Lecture de la frquence
d'chantillonnage
Lecture du nombre
d'chantillons
Gnration du signal sous
forme sinusodale
Gnration du signal partir
du modle paramtrique
Tracer le signal dans le domaine
temporel
Sauvegarder les valeurs du signal
L'estimation spectrale par les mthodes de dcompositions harmoniques
33















































Fig (II.2): Gnration de la DSP du signal test
Gnration du signal de test Fig (II.1)
Lecture de la frquence d'chantillonnage et
du nombre d'chantillons (Fe, Ne)
Bruiter le signal de test
Choix de la mthode de test
Prony Pisarenko
Calcul de la DSP
Tracer le spectre de
puissance
Fin
Dbut
L'estimation spectrale par les mthodes de dcompositions harmoniques
34

II.5.2.DEFINITION DU RAPPORT SIGNAL SUR BRUIT [15]

Le bruit (SNR=Signal to Noise Ratio) utilis dans tous nos tests est un bruit blanc
gaussien de variance (Ab)
2
:
) 38 . .( .......... .......... .......... .......... .......... * ) ( II r Ab i e
dd
=

O r
dd
est un bruit blanc, gaussien, et identiquement distribu, de moyenne nulle et de
variance gale l'unit, gnr par MATLAB. Ce bruit sera additionn un signal
y(i).
Le rapport signal sur bruit est donc dfini par:

) 39 . ....( .......... .......... .......... .......... ..........
) (
) (
log 10
1
2
1
2
II
i e
i y
SNR
n
i
n
i
(
(
(
(

=
=


II.5.3.SIGNAUX SIMULES

II.5.3.1. SIGNAL MODELE 1: Somme de deux sinusodes bruites

Le premier modle est un signal priodique compos de deux sinusodes de mme
amplitude et de frquences f
1
=200 et f
2
=210Hz et d'un bruit blanc additif

Y(i)=sin(2200t)+sin(2210t)+e(t)...........................................(II.40)

Avec t=0,1,...., N sec (N=nombre d'chantillons), un pas d'chantillonnage dt=1/fe
(fe: frquence d'chantillonnage). L'obtention du processus discret se fait en
remplaant t par (1/fe)(i) :

Y(i)=sin(2(0.200).i)+sin(2(0.210).i)+e(i)...(II.41)

Les ples de ce processus sont
Z1=1.0273 exp (j2(0.1211)) ; Z2=Z1*.
L'estimation spectrale par les mthodes de dcompositions harmoniques
35
Z3=0.9487 exp (j2(0.039)) ; Z4= Z3*.
0 50 100 150 200 250 300
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
Signal y(i)
somme de deux sinusoides
y
(
i
)


FigII.3 : Reprsentation temporelle du signal modle 1


II.5.3.2.SIGNAL MODELE 2: un processus transitoire d'ordre quatre

C'est un signal apriodique, transitoire et harmonique qui se prsente sous forme
de battements (causs par deux frquences lgrement diffrentes avec la frquence
des battements gale F=F1-F2.

Y(i)= 2.7607y(i-1)-3.816y(i-2)+2.6535y(i-3)-0.9238y(i-4)+e(i)..(II.42)

Les ples de ce processus sont:

Z1=0.98exp (j2 (0.140)) ; Z2=Z1*
Z3=0.98exp (j2 (0.110)) ; Z4=Z3*.

0 50 100 150 200 250 300 350 400 450 500
-40
-30
-20
-10
0
10
20
30
40
50
Signal y(i)
signal transitoire d ordre 4
y
(
i)


L'estimation spectrale par les mthodes de dcompositions harmoniques
36
Fig II.4 : Reprsentation temporelle du signal modle 2
II.6. RESULTATS ET INTERPRETATIONS

II.6.1. MODELE DE PRONY

II.6.1.2. SIGNAL MODELE 1

0 50 100 150 200 250 300
-160
-140
-120
-100
-80
-60
-40
-20
0
20
40
DSP Prony
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
la
t
iv
e

a. N=500, SNR=inf, Fe=1000 b. N=300, SNR=inf, Fe=1000

0 50 100 150 200 250 300
-90
-80
-70
-60
-50
-40
-30
-20
DSP Prony
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
la
t
iv
e

N=300, SNR=45, Fe=1000 d. c. N=500, SNR=45, Fe=1000



0 50 100 150 200 250 300
-80
-75
-70
-65
-60
-55
-50
-45
-40
-35
-30
DSP Prony
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
la
t
iv
e


e. N=500, SNR=37, Fe=1000 f. N=300, SNR=37, Fe=1000




0 50 100 150 200 250 300 350 400 450 500
-90
-80
-70
-60
-50
-40
-30
-20
DSP Prony
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
la
t
iv
e
0 50 100 150 200 250 300 350 400 450 500
-75
-70
-65
-60
-55
-50
-45
-40
-35
-30
DSP Prony
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
la
t
iv
e
0 50 100 150 200 250 300 350 400 450 500
-200
-150
-100
-50
0
50
DSP Prony
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
la
t
iv
e
L'estimation spectrale par les mthodes de dcompositions harmoniques
37





0 50 100 150 200 250 300
-75
-70
-65
-60
-55
-50
-45
-40
-35
-30
-25
DSP Prony
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
la
t
iv
e

g. N=500, SNR=35, Fe=1000 h. N=300, SNR=35, Fe=1000


0 50 100 150 200 250 300
-70
-65
-60
-55
-50
-45
-40
-35
-30
-25
DSP Prony
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
la
t
iv
e

i. N=500, SNR=15, Fe=1000 j. N=300, SNR=15, Fe=1000

k. N=500, SNR=inf, Fe=1000 l. N=500, SNR=inf, Fe=1000
F1=200, F2=205 F1=200, F2=203






Fig II.5 : Spectre de puissance obtenu par la mthode de Prony pour un processus somme de deux
sinusodes bruites


0 50 100 150 200 250 300 350 400 450 500
-90
-80
-70
-60
-50
-40
-30
-20
DSP Prony
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
la
t
iv
e
0 50 100 150 200 250 300 350 400 450 500
-75
-70
-65
-60
-55
-50
-45
-40
-35
-30
DSP Prony
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
la
t
iv
e
0 50 100 150 200 250 300 350 400 450 500
-110
-100
-90
-80
-70
-60
-50
-40
-30
-20
-10
DSP Prony
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
la
t
iv
e
0 50 100 150 200 250 300 350 400 450 500
-120
-100
-80
-60
-40
-20
0
DSP Prony
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
la
t
iv
e
L'estimation spectrale par les mthodes de dcompositions harmoniques
38

II.6.1.3. SIGNAL MODELE 2

0 50 100 150 200 250 300 350 400 450 500
-3.5
-3
-2.5
-2
-1.5
-1
DSP Prony
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
la
t
iv
e


a. N=500,Fe=1000,SNR=inf b. N=500,Fe=1000,SNR=45

Fig II.6 : Spectre de puissance obtenu par la mthode de Prony pour un processus
d'ordre quatre bruit


Modle Figure Fe Ne F1 F2 SNR Dtection
1 II.5.(c) 1000 500 200 240 45 Oui
1 II.5.(d) 1000 300 200 240 45 Oui
1 II.5.(e) 1000 500 200 240 37 Oui
1 II.5.(f) 1000 300 200 240 37 Oui
1 II.5.(g) 1000 500 200 240 35 limit
1 II.5.(h) 1000 300 200 240 35 Non
1 II.5.(i) 1000 500 200 240 15 Non
1 II.5.(j) 1000 300 200 240 15 Non
1 II.5.(k) 1000 500 200 205 Inf oui
1 II.5.(l) 1000 500 200 203 inf Non
2 II.6.(a) 1000 500 110 140 Inf Oui
2 II.6.(b) 1000 500 110 140 45 oui

Tableau II.1 : Dtection frquentielle par la mthode de Prony

Les rsultats reprsents sur les figures (II.5) et (II.6) reprsentent les spectres de
puissance des signaux modles par la mthode de Prony. Ces figures montrent que la
0 50 100 150 200 250 300 350 400 450 500
-40
-35
-30
-25
-20
-15
-10
-5
0
5
L'estimation spectrale par les mthodes de dcompositions harmoniques
39
technique de Prony permet de discerner les frquences F1 et F2 malgr leurs valeurs
proches (F1=200, F2=240) et en prsence d'un rapport signal sur bruit satisfaisant
(>35DB), alors qu'elles ne sont pas discernes dans les deux cas suivants :

Les valeurs des deux frquences sont trs proches (F1=200, F2=203) Fig (II.6).
Le rapport signal sur bruit est satisfaisant (<35DB), Fig (II.6).

II.6.2. METHODE DE PISARENKO

II.6.2.1. MODELE 1
0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Pisarenko
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
la
t
iv
e

0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Pisarenko
frequence[HZ]
A
m
p
li
t
u
d
e

r
e
l
a
t
iv
e

a. N=500, Fe=1000, SNR=inf b. N=300, Fe=1000, SNR=inf

0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Pisarenko
frequence[HZ]
A
m
p
li
t
u
d
e

r
e
l
a
t
iv
e

0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Pisarenko
frequence[HZ]
A
m
p
li
t
u
d
e

r
e
l
a
t
iv
e

c. N=500, Fe=1000, SNR=45 d. N=300, Fe=1000, SNR=45

0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Pisarenko
frequence[HZ]
A
m
p
li
t
u
d
e

r
e
l
a
t
iv
e

e. N=500, Fe=1000, SNR=37 f. N=300, Fe=1000, SNR=37
0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Pisarenko
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
la
t
i
v
e
L'estimation spectrale par les mthodes de dcompositions harmoniques
40

0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Pisarenko
frequence[HZ]
A
m
p
lit
u
d
e

r
e
la
t
iv
e


g. N=500, Fe=1000, SNR=inf h. N=500, Fe=1000, SNR=inf
F1=200, F2=205 F1=200, F2=203

Fig II.7 : Spectre de puissance obtenu par la mthode de Pisarenko pour un processus somme de deux
sinusodes bruites

II.6.2.2. MODELE 2:

0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Pisarenko
frequence[HZ]
A
m
p
lit
u
d
e

r
e
la
t
iv
e

a. N=500, Fe=1000, SNR=inf b. N=300, Fe=1000, SNR=45

Fig II.8 : Spectre de puissance obtenu par la mthode de Pisarenko pour un processus d'ordre quatre bruit

Modle Figure Fe Ne F1 F2 SNR Dtection
1 II.7.(c) 1000 500 200 240 45 Oui
1 II.7.(d) 1000 300 200 240 45 Oui
1 II.7.(e) 1000 500 200 240 37 Non
1 II.7.(f) 1000 300 200 240 37 Non
1 II.7.(g) 1000 500 200 205 Inf Oui
1 II.7.(h) 1000 500 200 203 inf Oui
II II.8.(a) 1000 500 110 140 Inf Non
II II.8.(b) 1000 300 110 140 45 Non

Tableau II.2 : Dtection frquentielle par la mthode de Pisarenko
0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Pisarenko
frequence[HZ]
A
m
p
lit
u
d
e

r
e
la
t
iv
e
0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Pisarenko
frequence[HZ]
A
m
p
lit
u
d
e

r
e
la
t
iv
e
L'estimation spectrale par les mthodes de dcompositions harmoniques
41
Les spectres de puissance des signaux obtenus par la mthode de Pisarenko sur les
figures (II.7) et (II.8) dmontrent la puissance de la mthode de Pisarenko sparer
deux sinusodes de frquences trs proche (F1=200, F2=203) en absence du bruit
Fig(II.7.h). Pour les frquences (F1=200, F2=240), la mthode donne des rsultats
moins nets sur les figures (II.7.e) et (II.7..f) quand le rapport signal sur bruit diminue
(SNR<37DB). Nous remarquons la prsence de spectres avec de fortes fluctuations en
amplitude pour qu'ils puissent faire l'objet d'une analyse prcise.

CONCLUSION

L'utilisation des deux mthodes dcrites dans ce chapitre (Prony et Pisarenko),
pour l'estimation de la densit spectrale de puissance (DSP) est principalement
motive par le fait que cela aboutit de meilleurs estimateurs spectraux que les
mthodes d'analyse spectrale dites classiques. Ceci est obtenu particulirement
lorsqu'on dispose d'un enregistrement court du processus. Elles sont plus efficaces
dans le cas de signaux riches en harmoniques, suffisamment espaces. Celles-ci sont
parfaitement mises en vidence par des pics aux frquences correspondantes.
La rsolution frquentielle par ces deux mthodes est fonction du rapport signal
sur bruit (SNR) et elle se dgrade relativement vite au fur mesure que ce rapport
dcrot.
La simulation montre, qu'en prsence de bruit, la mthode de Prony offre une
bonne rsolution dtecter deux composantes de frquences trs voisines, mais la
mthode de Pisarenko semble plus performante. Par contre, cette dernire est moins
performante en rsolution frquentielle en cas de la prsence de bruit.
Dans le chapitre suivant, nous allons tudier les performances des mthodes
paramtriques d'analyse spectrale par le modle AR.
L'estimation spectrale par les mthodes paramtriques bases sur le modle
AR

43

CHAPITRE III

L'ESTIMATION SPECTRALE
PAR LES METHODES PARAMETRIQUES BASEES
SUR LE MODELE AR









INTRODUCTION

L'analyse spectrale par les modles AR, MA et ARMA est sans conteste la plus connue des
techniques paramtriques haute rsolution en traitement de signal car elle permet de
reprsenter toute l'information spectrale par un faible nombre de paramtres. Plusieurs efforts
ont t concentrs au cas spcifique du modle ARMA. Cet intrt de la modlisation AR est
d la simplicit de sa structure Yule Walker et la disponibilit d'algorithmes efficaces pour
l'estimation des paramtres de ce modle.
L'objectif de ce chapitre consiste tester l'efficacit et les performances du modle AR en
utilisant l'algorithme rapide de Levinson Durbin pour le calcul de ses paramtres.
III.1. REPRESENTATION DU MODELE AR [7, 15, 16, 18, 23, 24]

L'estimation spectrale par les mthodes paramtriques bases sur le modle
AR

44
Plusieurs processus stochastiques rencontrs en pratique peuvent tre bien approchs par
un modle AR fonction de transfert rationnelle. Dans un tel modle, une squence d'entre
e(n) et une squence de sortie x(n) sont relies entre elles par l'quation aux diffrences
suivante:
) 1 . ( .......... .......... .......... .......... .......... ..........
1
III e x a x
n
p
i
i n i n
= +



La fonction densit spectrale de puissance correspondante est donne par :

( )
) 2 . ( .......... .......... .......... ..........
2 exp 1
) (
2
1
2
III
f i j a
f p
p
i
i
AR

+
=

=

Il est clair d'aprs l'quation (III.2) que la DSP p
AR
dpend des coefficients a
i
(a
1
,
a
2
,.a
p
), de la variance
2
et de l'ordre p du modle AR. L'estimation de ces derniers est
bas sur les quations de Yule-Walker dfinies par la multiplication des deux membres de
l'quation (III.1) par j n x
*
. L'application de l'esprance mathmatique sur le rsultat donne :

= +

=

=
=
0 j ) (
) 3 . .( ...... ..........
1 j ) (
) (
2
1
1
m R a
III
m j R a
j R
p
m
m
p
m
m

R est une matrice de Toeplitz, Hermitienne et dfinie positive. Ses proprits inspirent
naturellement l'utilisation d'un algorithme rapide pour dterminer les paramtres AR. C'est
l'objet de l'algorithme de Levinson Durbin.

III.2. RESOLUTION RECURSIVE DE LEVINSON DURBIN

L'approche de Levinson Durbin fournit une solution efficace au systme (III.3) en
minimisant l'erreur quadratique de prdiction linaire donne par l'quation :

E(p)= [e
2
(i)]...(III.4)
L'estimation spectrale par les mthodes paramtriques bases sur le modle
AR

45

Avec: e (i) = x(i)- ) ( i x =

p
m
m i x m a
0
) ( ) (
En remplaant e(i) dans (III.4), on obtient:

= =
=
p
m
p
j
III m j R j a m a p E
0 0
) 5 . .........( .......... .......... .......... )......... ( ) ( ) ( ) (
En utilisant la particularit de la matrice d'autocorrelation, l'application de cet algorithme
ncessite p
2
oprations seulement, alors que le plus performant algorithme d'analyse numrique
classique (Gauss par exemple) requiert p
3
oprations.
Pour calculer les coefficients de prdiction a(m) de l'quation de Yule Walker ( en prenant
la partie pour j1), on ajoute l'algorithme un nouveau indice (p) aux coefficients a(m) pour
indiquer l'ordre de prdiction :

=
= =
p
i
III p j j R i j R i p b
1
) 6 . .( .......... .......... .. .......... .......... ,..... 2 , 1 ), ( ) ( ] , [

Avec b (m)=-a (m).

Ou encore sous forme matricielle :

) 7 . ...( .......... .......... .......... .......... ..........
) 1 (
.
.
) 1 (
) (
] 1 , [
.
.
] 1 , [
] , [
III
R
p R
p R
p b
p p b
p p b
R
p
(
(
(
(
(

=
(
(
(
(
(




O
) 8 . ..( .......... .......... .......... ..........
) 0 ( . . . ) 2 ( ) 1 (
.
.
.
.
.
.
.
.
) 2 ( . . . ) 0 ( ) 1 (
) 1 ( . . . ) 1 ( ) 0 (
III
R p R p R
p R R R
p R R R
x x x
x x x
x x x
(
(
(
(
(



L'estimation spectrale par les mthodes paramtriques bases sur le modle
AR

46
O Rp est la matrice de Toeplitz et symtrique
On peut crire l'quation (III.7) sous la forme:



) 9 . ( .......... .......... .......... ..........
) 1 ( ] , [ ) 1 (
.
.
) 2 ( ] , [ ) 2 (
) 1 ( ] , [ ) 1 (
] 1 , [
.
.
] 2 , [
] 1 , [
1
III
p R p p b R
R p p b p R
R p p b p R
p b
p p b
p p b
R
p
(
(
(
(
(




=
(
(
(
(
(



En multipliant (III.9) par
1
1

p
R , on trouve :


) 10 . .......( .......... ..........
) 1 (
.
.
) 2 (
) 1 (
] , [
) 1 (
.
.
) 2 (
) 1 (
] 1 , [
.
.
] 2 , [
] 1 , [
1
1
1
1
III
p R
R
R
R p p b
R
p R
p R
R
p b
p p b
p p b
p p
(
(
(
(
(

(
(
(
(
(

=
(
(
(
(
(



En utilisant les proprits de Toeplitz de la matrice
1
1

p
R , il vient :


) 11 . ...( .......... ......... 1 - 1,....p k ], , 1 [ ] , [ ] , 1 [ ] , [ III k p p b p p b k p b k p b = =

L'quation (III.7) que l'on a mis part en (III.9) peut tre crite sous forme vectorielle comme
suit :


) 12 . ......( .......... )......... (
] 1 , [
.
.
] 2 , [
] 1 , [
)) 1 ( ),........ 2 ( ), 1 ( ( ) 0 ( ] , [ III p R
p b
p p b
p p b
p R R R R p p b =
(
(
(
(
(

+

L'estimation spectrale par les mthodes paramtriques bases sur le modle
AR

47

La substitution de (III.10) dans (III.12) donne :




) 13 . .( .......... .......... ..........
] 1 , 1 [
.
.
] 1 , 1 [
)) 1 ( )...... 1 ( ( ) 0 (
] 1 , 1 [
.
.
] 1 , 1 [
)) 1 ( )...... 1 ( ( ) (
] , [ III
p b
p p b
p R R R
p b
p p b
p R R p R
p p b
(
(
(
(



(
(
(
(



=
O

=
=
(
(
(
(


1
0
) 14 . ....( .......... )......... ( ) (
] 1 , 1 [
.
.
] 1 , 1 [
)) 1 ( )...... 1 ( ( ) 0 (
p
m
III m R m a
p p b
p b
p R R R

D'autre part, l'quation (III.5) peut tre crite sous la forme :

) 15 . .........( .......... .......... .......... .......... ) ( ) ( ) ( ) (
0 0
III m j R m a j a p E
p
j
p
m

= =
(

=
O

) 16 . ....( ... 0 j si , 0 ) ( ) ( ) ( ) ( ) ( ) ( ) (
0 1
III j R j R m j R m b j R m j R m a
p
m
p
m

= =
= = =

C'est--dire : ) 17 . ( .......... .......... .......... ... .......... .......... .......... 0 ) ( ) (
0
III m j R m a
p
m

=
=

Donc :
L'estimation spectrale par les mthodes paramtriques bases sur le modle
AR

48
) 18 . ( .......... .......... .......... .......... .......... ) ( ] , [ ) ( ) ( ) (
0 0
III m R m p a m R m a p E
p
m
p
m

= =
= =

Et l'quation (III.14) devient :

) 19 . ...( .......... )......... 1 (
] 1 , 1 [
.
.
] 1 , 1 [
)) 1 ( )...... 1 ( ( ) 0 ( III p E
p p b
p b
p R R R =
(
(
(
(



L'quation (III.15) devient :
) 20 . ....( .......... ..........
) 1 (
] 1 , 1 [
.
.
] 1 , 1 [
)) 1 ( )...... 1 ( ( ) (
] , [ III
p E
p a
p p a
p R R p R
p p a

(
(
(
(



=

D'autre part, l'quation (III.11) est quivalente :

) 21 . ........( .......... 1 - 1,....p m ], , 1 [ ] , [ ] , 1 [ ] , [ III m p p a p p a m p a m p a = + =

On a :
a [p, 0]=1 et a [p, m]= -b [p, m] pour m # 0

La combinaison de (III.20) et (III.21) avec (III.18) donne :

) 22 . ( .......... ) 0 ( ) ( ] , 1 [ . ) ( ] , 1 [ ) ( ] , [ ) (
1
1
1
1
III R m R m p a m R m p p a p R p p a p E
p
m
p
m
|
|

\
|
+ +
|
|

\
|
+ =


=

=


Ou bien :

E(p)=E(p-1)(1-a
2
[p,p])....(III.23)

L'estimation spectrale par les mthodes paramtriques bases sur le modle
AR

49
Enfin les quations (III.20), (III.21) et (III.23) constituent l'algorithme de Levinson Durbin
permettant de calculer les vecteurs a (i) partir des donnes (R (0),..R (m)).



III.3. SIMULATION ET PROGRAMME

Afin de tester l'efficacit des modles paramtriques AR l'aide de l'estimateur Levinson, un
programme crit sous environnement Matlab a t labor selon l'organigramme de la
figure(III.1) en utilisant les fichiers de donnes gnrs partir de processus paramtriques cits
au chapitre II.





































Dbut
Choix du signal de test
Modle 1
Signal sinusodal
Modle 2
Signal paramtrique
Lecture de la frquence
d'chantillonnage Fe
Lecture du nombre
d'chantillons N
Calcul de la squence
d'autocorrlation
Rsolution du systme
d'quation Yule Walker
Calcul des paramtres a (i),
2

Calcul de la DSP
L'estimation spectrale par les mthodes paramtriques bases sur le modle
AR

50









Fig III.1 : organigramme de simulation


II.4. RESULTATS ET INTERPRETATIONS


II.4.1. SIGNAL MODELE 1



0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
li
t
u
d
e

r
e
l
a
t
iv
e

D
B


a. N=500, SNR=20 ,F1=200, F2=220 b. N=250, SNR=20 ,F1=200, F2=220


0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
li
t
u
d
e

r
e
l
a
t
iv
e

D
B

0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
li
t
u
d
e

r
e
la
t
iv
e

D
B


c. N=128, SNR=20 ,F1=200, F2=220 d. N=64, SNR=20 ,F1=200, F2=220


0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
l
it
u
d
e

r
e
la
t
i
v
e

D
B
Tracer la courbe de la DSP
Fin
L'estimation spectrale par les mthodes paramtriques bases sur le modle
AR

51
0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
li
t
u
d
e

r
e
l
a
t
iv
e

D
B


e. N=500, SNR=10 ,F1=200, F2=220 f. N=250, SNR=10 ,F1=200, F2=220






0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
l
it
u
d
e

r
e
l
a
t
iv
e

D
B

g. N=128, SNR=10 ,F1=200, F2=220 h. N=64, SNR=10 ,F1=200, F2=220



0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
l
it
u
d
e

r
e
l
a
t
iv
e

D
B

0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
li
t
u
d
e

r
e
l
a
t
iv
e

D
B

i. N=500, SNR=inf ,F1=200, F2=210 j.N=250, SNR=inf ,F1=200, F2=210




0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
li
t
u
d
e

r
e
la
t
iv
e

D
B
0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
l
it
u
d
e

r
e
la
t
i
v
e

D
B
L'estimation spectrale par les mthodes paramtriques bases sur le modle
AR

52
0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
li
t
u
d
e

r
e
l
a
t
iv
e

D
B

k.N=128, SNR=inf ,F1=200, F2=210 l. N=64, SNR=inf ,F1=200, F2=210

0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
li
t
u
d
e

r
e
l
a
t
iv
e

D
B


m. N=500, SNR=45 ,F1=200, F2=210 n. N=250, SNR=45 ,F1=200, F2=210



0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
li
t
u
d
e

r
e
l
a
t
iv
e

D
B

0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
li
t
u
d
e

r
e
l
a
t
iv
e

D
B

o. N=500, SNR=20 ,F1=200, F2=210 p. N=250, SNR=20 ,F1=200, F2=210



0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
li
t
u
d
e

r
e
l
a
t
iv
e

D
B

0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
l
it
u
d
e

r
e
la
t
i
v
e

D
B
0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
l
it
u
d
e

r
e
la
t
i
v
e

D
B
0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
l
it
u
d
e

r
e
la
t
i
v
e

D
B
L'estimation spectrale par les mthodes paramtriques bases sur le modle
AR

53
r.N=500, F1=200, F2=220,F3= 240 s. N=500, F1=200, F2=210, F3=240
SNR=inf SNR=45




Fig II.2 : Spectre de puissance obtenu par la mthode de Levinson pour un processus somme de
sinusodes bruites





Figure Fe Ne F1 F2 F3 SNR Dtection
III.2.(a) 1000 500 200 220 00 20 Oui
III.2.(b) 1000 250 200 220 00 20 Oui
III.2.(c) 1000 128 200 220 00 20 Oui
III.2.(d) 1000 64 200 220 00 20 Oui
III.2.(e) 1000 500 200 220 00 10 Oui
III.2.(f) 1000 250 200 220 00 10 Non
III.2.(g) 1000 128 200 220 00 10 Non
III.2.(h) 1000 64 200 220 00 10 Non
III.2.(i) 1000 500 200 210 00 inf Oui
III.2.(j) 1000 250 200 210 00 Inf Oui
III.2.(k) 1000 128 200 210 00 Inf Limit
III.2.(l) 1000 64 200 210 00 inf Non
III.2.(m) 1000 500 200 210 00 45 Oui
III.2.(n) 1000 250 200 210 00 45 Oui
III.2.(o) 1000 500 200 210 00 20 Oui
III.2.(p) 1000 250 200 210 00 20 Non
III.2.(r) 1000 500 240 220 200 inf Oui
III.2.(s) 1000 500 240 210 200 45 Oui


Tableau II.1 : Dtection frquentielle par la mthode de Levinson 'modle 1'



II.4.2. SIGNAL MODLE 2
L'estimation spectrale par les mthodes paramtriques bases sur le modle
AR

54

0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
li
t
u
d
e

r
e
la
t
iv
e

D
B

0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
l
it
u
d
e

r
e
la
t
iv
e

D
B

a. N=500, SNR=inf ,F1=110, F2=140 b. N=250, SNR=inf ,F1=110, F2=140

0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
li
t
u
d
e

r
e
la
t
iv
e

D
B

0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
li
t
u
d
e

r
e
l
a
t
iv
e

D
B

c. N=128, SNR=inf ,F1=110, F2=140 d. N=64, SNR=inf ,F1=110, F2=140

0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
li
t
u
d
e

r
e
l
a
t
iv
e

D
B

0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
li
t
u
d
e

r
e
l
a
t
iv
e

D
B

e.N=500, SNR=45 ,F1=110, F2=140 f. N=250, SNR=45 ,F1=110, F2=140

0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
li
t
u
d
e

r
e
l
a
t
iv
e

D
B

0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
li
t
u
d
e

r
e
l
a
t
iv
e

D
B

g. N=128, SNR=45 ,F1=110, F2=140 h. N=64, SNR=45 ,F1=110, F2=140

L'estimation spectrale par les mthodes paramtriques bases sur le modle
AR

55
0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
li
t
u
d
e

r
e
l
a
t
iv
e

D
B

i.N=500, SNR=20 ,F1=110, F2=140 j.N=250, SNR=20 ,F1=110, F2=140

Fig II.3 : Spectre de puissance obtenu par la mthode de Levinson pour un processus
d'ordre quatre bruit


Figure Fe Ne F1 F2 SNR Dtection
II.3.(a) 1000 500 140 110 Inf Oui
II.3.(b) 1000 250 140 110 Inf Oui
II.3.(c) 1000 128 140 110 Inf Oui
II.3.(d) 1000 64 140 110 Inf limit
II.3.(e) 1000 500 140 110 45 Oui
II.3.(f) 1000 250 140 110 45 Oui
II.3.(g) 1000 128 140 110 45 Oui
II.3.(h) 1000 64 140 110 45 Non
II.3.(i) 1000 500 140 110 20 Oui
II.3.(j) 1000 250 140 110 20 limit


Tableau III.2 : Dtection frquentielle par la mthode de Levinson 'modle 2'


Les figures (III.2) et (III.3) reprsentent la densit spectrale du processus AR des signaux
modles par l'algorithme de Levinson. L'observation de ces figures et des rsultats des tableaux
(III.1) et (III.2) Montre que les densits spectrales sont non biaises et ont une variance
comparable. Elles dmontrent la puissance de la mthode de Levinson sparer deux sinusodes
de frquences trs proches en prsence d'un bruit blanc. Cette performance augmente en fonction
de l'augmentation du nombre d'chantillons N.

0 50 100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Levinson
Frequence HZ
A
m
p
l
it
u
d
e

r
e
la
t
i
v
e

D
B
L'estimation spectrale par les mthodes paramtriques bases sur le modle
AR

56
III.5.CONCLUSION

Dans les techniques fondes sur la modlisation AR d'un signal, les cfficients du filtre
conu partir des donnes contiennent toute l'information spectrale du signal analys. La plupart
de ces mthodes passent par une premire phase d'estimation de la matrice de corrlation.
La simulation de ces techniques par l'algorithme de Levinson nous a montr qu'il manifeste
les meilleures performances dtecter deux composantes de frquences trs voisines; cette
performance dpend du niveau de bruit blanc additif et du nombre d'chantillons du signal
modle.


Dans ce qui suit, nous allons appliquer les techniques d'estimation spectrale par les mthodes
de dcomposition harmonique et celles des modles autorgressifs AR au signal vibratoire mis
par le systme d'engrenage sous test. Nous allons essayer d'examiner la possibilit de dtecter la
prsence du dfaut par chaque mthode.
Dtection des dfauts d'engrenages par analyse spectrale

58



CHAPITRE IV
DETECTION DES DEFAUTS D'ENGRENAGES PAR
ANALYSE SPECTRALE

















INTRODUCTION

Dans le cadre de la surveillance vibratoire, et du diagnostic de dfauts dans les machines
tournantes, les engrenages ont fait et font encore l'objet de nombreuses tudes. Ce sont des
lments trs sollicits et susceptibles de prsenter des dfauts qui voluent rapidement vers la
rupture.
Certains dfauts dans les machines tournantes sont caractriss par des chocs se traduisant par
des non stationnarits locales sur les signaux vibratoires, c'est le cas des engrenages o
l'caillage et la fissuration de dents produisent des chocs localiss lors de l'engrnement des
dents incrimines. Ces chocs peuvent tre de faibles amplitudes lorsque le dfaut est naissant.
Ce type de dfaut voluant rapidement vers la rupture, il est ncessaire de les dtecter de faon
prcoce pour pouvoir planifier une maintenance efficace d'une part, et pour des raisons de
scurit d'autre part. D'o le recours aux techniques de dtection de non stationnarit qui ont
montr de meilleures performances que les dtecteurs bass sur les techniques classiques qui
Dtection des dfauts d'engrenages par analyse spectrale

59
sont peu efficaces lorsque les dfauts sont caractriss par des variations complexes du spectre
ou des non stationnarits [26, 32, 33].
Dans ce chapitre, nous allons prsenter les rsultats de l'estimation de la DSP d'un signal
vibratoire d'engrenage par les techniques paramtriques tudies au deuxime et troisime
chapitre.


IV.1.PRESENTATION DU SYSTEME ETUDIE [19, 27]

Le rducteur tudi est compos de deux roues comportant respectivement 20 et 21 dents
places sur un banc d'essais d'engrenage de grandeur industrielle de CETIM fonctionnant
24h/24h. Les conditions de fonctionnement sont fixes, l'arbre d'entranement du rducteur de test
tourne avec une vitesse de 1000tr/min soit 16,67Hz et la frquence d'engrnement est de l'ordre
de 330Hz .







Le signal vibratoire est capt par un capteur acclromtrique plac sur le rducteur
engrenages. Durant la rotation du rducteur, lchantillonnage angulaire consiste prlever N
chantillons par tours (figure IV.1). La position de rotation de larbre du moteur est contrle par
le codeur optique incrmental qui est positionn solidairement larbre primaire.
Ce codeur optique fournit un train dimpulsions de N crneaux par tour qui permet
dchantillonner le signal vibratoire. La sortie du capteur dlivre une tension proportionnelle
FigIV.1. Principe de lchantillonnage angulaire
Dtection des dfauts d'engrenages par analyse spectrale

60

lacclration qui est ensuite amplifie par lamplificateur de charge puis filtre afin de respecter
le thorme de Shannon. La photo n
o
1, montre lemplacement des capteurs et les diffrents
lments de lacquisition.



















Un enregistrement des signaux vibratoires mis par ce systme a t effectu chaque jour
pendant 12 jours partir du deuxime jour. Chaque enregistrement comporte 60160 chantillons
avec une frquence d'chantillonnage de 20KHz et le traitement se fait pour 2400 chantillons.
Au cours de l'exprimentation, l'engrenage passe de l'tat de bon fonctionnement celui
d'engrenage dtrior.

IV.2.PROGRAMME ET SIMULATION DU DIAGNOSTIC

Le logiciel que nous avons implant sur un micro-ordinateur compatible PC est prsent sous
forme d'un programme sous environnement Matlab selon l'organigramme de la figure (IV.2).
Ce programme permet l'tude et l'analyse de signaux d'engrenage. Ses objectifs sont orients
vers l'analyse spectrale par les mthodes paramtriques; celle de dcomposition harmoniques, et
les mthodes autorgressives. Les mthodes particulirement cibles sont : Pisarenko, Prony et
Levinson Durbin.



Codeur optique
Acclromtres
Rfrence angle
Conditionnement
Rducteurs
Back to Back
Signal vibratoire
Signal dchantillonnage
Codeur optique
Acclromtres
Rfrence angle
Conditionnement
Rducteurs
Back to Back
Signal vibratoire
Signal dchantillonnage
Photos n
o
1: Capteur Acclromtre, Codeur Optique, Amplificateur de Charge, le Chssis


Dtection des dfauts d'engrenages par analyse spectrale

61


















































FigIV.2. organigramme de simulation

Dbut
Chargement du fichier
de donnes vibratoires
Lecture de la frquence
d'chantillonnage Fe
Lecture du nombre
d'chantillons N
Tracer le signal dans le
domaine temporel
Estimation de l'ordre p
Choix de la mthode de
diagnostic
Mthode paramtrique AR Mthode de dcomposition
harmonique
Levinson
Prony Pisarenko
Calcul de la DSP
Tracer le graphe de la
DSP
Fin
Dtection des dfauts d'engrenages par analyse spectrale

62
IV.2.1.REPRESENTATION TEMPORELLE

Les graphes de la figure (IV.3) reprsentent la variation temporelle du signal mis par le
systme d'engrenage tudi :

0 500 1000 1500 2000 2500
-10000
-8000
-6000
-4000
-2000
0
2000
4000
6000
8000
Jour 03
Temps(s)
A
m
p
li
t
u
d
e



0 500 1000 1500 2000 2500
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
x 10
4
Jour 05
Temps(s)
A
m
p
li
t
u
d
e



0 500 1000 1500 2000 2500
-12000
-10000
-8000
-6000
-4000
-2000
0
2000
4000
6000
8000
Jour 06
Temps(s)
A
m
p
li
t
u
d
e



0 500 1000 1500 2000 2500
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
x 10
4
Jour 09
Temps(s)
A
m
p
li
t
u
d
e

0 500 1000 1500 2000 2500
-12000
-10000
-8000
-6000
-4000
-2000
0
2000
4000
6000
8000
Jour 02
Temps(s)
A
m
p
li
t
u
d
e
0 500 1000 1500 2000 2500
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
x 10
4
Jour 04
Temps(s)
A
m
p
l
it
u
d
e
0 500 1000 1500 2000 2500
-12000
-10000
-8000
-6000
-4000
-2000
0
2000
4000
6000
8000
Jour 07
Temps(s)
A
m
p
l
it
u
d
e
0 500 1000 1500 2000 2500
-1
-0.5
0
0.5
1
1.5
x 10
4
Jour 08
Temps(s)
A
m
p
l
it
u
d
e
Dtection des dfauts d'engrenages par analyse spectrale

63


0 500 1000 1500 2000 2500
-1
-0.5
0
0.5
1
1.5
x 10
4
Jour 11
Temps(s)
A
m
p
li
t
u
d
e

0 500 1000 1500 2000 2500
-1
-0.5
0
0.5
1
1.5
x 10
4
Jour 10
Temps(s)
A
m
p
li
t
u
d
e



0 500 1000 1500 2000 2500
-3
-2
-1
0
1
2
3
x 10
4
Jour 12
Temps(s)
A
m
p
li
t
u
d
e




Fig IV.3 : Signal mis par le systme tudi


Nous remarquons que les graphes conservent la mme forme jusqu'au 12
ieme
jour : des
vibrations se produisent chaque fois qu'une dent menante est en contact avec une dent mene,
avec une frquence de vibration gale la vitesse de rotation du pignon multipli par son
nombre de dents.
A partir du 12
ieme
jour, nous avons constat qu'un choc se produit une priode correspondant
la priode de rotation du systme d'engrenage et ayant une amplitude trs leve par rapport
celle du signal prlev pendant les autres jours.

IV.2.2.RESULTATS ET INTERPRETATION DU SPECTRE DE PUISSANCE:


IV.2.2.1. METHODE DE PISARENKO




0 500 1000 1500 2000 2500
-4
-3
-2
-1
0
1
2
3
x 10
4
Jour 13
Temps(s)
A
m
p
l
it
u
d
e
Dtection des dfauts d'engrenages par analyse spectrale

64


0 200 400 600 800 1000 1200 1400 1600
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Jour 01
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
l
a
t
i
v
e




0 200 400 600 800 1000 1200 1400 1600
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Jour 05
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
l
a
t
i
v
e




0 200 400 600 800 1000 1200 1400 1600
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Jour 07
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
l
a
t
i
v
e



0 200 400 600 800 1000 1200 1400 1600
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Jour 09
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
l
a
t
i
v
e

0 200 400 600 800 1000 1200 1400 1600
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Jour 03
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
l
a
t
i
v
e
4
0 200 400 600 800 1000 1200 1400 1600
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Jour 06
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
l
a
t
i
v
e
0 200 400 600 800 1000 1200 1400 1600
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Jour 08
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
l
a
t
i
v
e
0 200 400 600 800 1000 1200 1400 1600
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Jour 03
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
l
a
t
i
v
e
Dtection des dfauts d'engrenages par analyse spectrale

65

0 200 400 600 800 1000 1200 1400 1600
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Jour 11
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
l
a
t
i
v
e



0 200 400 600 800 1000 1200 1400 1600
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Jour 13
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
l
a
t
i
v
e



Fig IV.4. : Spectres de puissances obtenus par la mthode de Pisarenko


La figure (IV.4) illustre les spectres de puissance calculs par la mthode de Pisarenko. Les
dfauts tant caractriss par des non stationnarits locales sur le signal vibratoire, les spectres
estims n'ont pas pu mettre en vidence des variations caractrisant le dfaut car l'analyse
spectrale dans ce cas montre des spectres avec des fortes fluctuations trs chahuts en amplitude
pour qu'ils puissent faire l'objet d'une analyse prcise, par contre elle exhibe une bonne
rsolution frquentielle.

IV.2.2.2.METHODE DE PRONY

500 1000 1500 2000 2500 3000
-20
-15
-10
-5
0
5
10
15
20
Jour 03
Frquence(Hz)
D
S
P
(
d
B
)


0 200 400 600 800 1000 1200 1400 1600
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Jour 10
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
l
a
t
i
v
e
0 200 400 600 800 1000 1200 1400 1600
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Jour 12
frequence[HZ]
A
m
p
l
it
u
d
e

r
e
l
a
t
i
v
e
500 1000 1500 2000 2500 3000
2
4
6
8
10
12
Jour 02
Frquence(Hz)
D
S
P
(
d
B
)
Dtection des dfauts d'engrenages par analyse spectrale

66


500 1000 1500 2000 2500 3000
-35
-30
-25
-20
-15
-10
-5
0
5
Jour 05
Frquence(Hz)
D
S
P
(
d
B
)



500 1000 1500 2000 2500 3000
-10
-5
0
5
10
15
20
25
Jour 07
Frquence(Hz)
D
S
P
(
d
B
)
data 1



500 1000 1500 2000 2500 3000
-25
-20
-15
-10
-5
0
5
10
15
Jour 09
Frquence(Hz)
D
S
P
(
d
B
)
data 1



500 1000 1500 2000 2500 3000
-10
-5
0
5
10
15
Jour 11
Frquence(Hz)
D
S
P
(
d
B
)
data 1



500 1000 1500 2000 2500 3000
-10
-5
0
5
10
15
20
25
Jour 04
Frquence(Hz)
D
S
P
(
d
B
)
500 1000 1500 2000 2500 3000
-15
-10
-5
0
5
10
15
20
25
Jour 06
Frquence(Hz)
D
S
P
(
d
B
)
data 1
500 1000 1500 2000 2500 3000
-12
-10
-8
-6
-4
-2
0
2
4
Jour 08
Frquence(Hz)
D
S
P
(
d
B
)
data 1
500 1000 1500 2000 2500 3000
-5
0
5
10
15
20
25
30
Jour 10
Frquence(Hz)
D
S
P
(
d
B
)
data 1
Dtection des dfauts d'engrenages par analyse spectrale

67
500 1000 1500 2000 2500 3000
12
14
16
18
20
22
24
26
28
Jour 13
Frquence(Hz)
D
S
P
(
d
B
)
data 1




Fig IV.5. Spectres de puissances obtenus par la mthode de Prony


13 12 11 10 09 08 07 06 05 04 03 02 Jour
29.11 10.01 19.99 31.98 18.93 4.93 25.34 26.97 5.19 28.3 24.54 13.51
Amplitude
maximale
690 580 720 710 720 730 720 730 740 740 710 720
Frquence du
pic 1
1370 1370 1380 1360 1300 1280 1300 1300 1300 1300 1330 1330
Frquence du
pic 2
2130 2050 2060 2060 2130 2100 2050 2060 2080 2000 2070 2100
Frquence du
pic 3
3020 3040 3060 3000 3030 3010 3040 3040 3000 2980 3060 3030
Frquence du
pic 4



Tableau IV.1: Evolution du pic principal


Du 2
ieme
au 9
ieme
jour, les spectres de puissance (figure IV.5) prsentent quatre pics qui
correspondre aux frquences multiples de la frquence d'engrnement. Au 10
ieme
jour, nous
constatons une augmentation de l'amplitude relative et un dplacement du pic3.


IV.2.2.3.METHODE DE LEVINSON

500 1000 1500 2000 2500 3000
0
2
4
6
8
10
x 10
13
DSP Levinson jour:03
Frequence HZ
A
m
p
li
t
u
d
e


D
B



500 1000 1500 2000 2500 3000
-8
-6
-4
-2
0
2
4
6
8
10
Jour 12
Frquence(Hz)
D
S
P
(
d
B
)
data 1
500 1000 1500 2000 2500 3000 3500
0
1
2
3
4
5
6
7
x 10
13
DSP Levinson jour:02
Frequence HZ
A
m
p
li
t
u
d
e


D
B
Dtection des dfauts d'engrenages par analyse spectrale

68

500 1000 1500 2000 2500 3000
0
1
2
3
4
5
6
7
8
9
x 10
13
DSP Levinson jour:05
Frequence HZ
A
m
p
li
t
u
d
e


D
B



500 1000 1500 2000 2500 3000
0
1
2
3
4
5
6
7
8
x 10
13
DSP Levinson jour:07
Frequence HZ
A
m
p
li
t
u
d
e


D
B



500 1000 1500 2000 2500 3000 3500
0
0.5
1
1.5
2
2.5
3
3.5
4
x 10
13
DSP Levinson jour:09
Frequence HZ
A
m
p
li
t
u
d
e


D
B



500 1000 1500 2000 2500 3000 3500
0
2
4
6
8
10
x 10
13
DSP Levinson jour:11
Frequence HZ
A
m
p
li
t
u
d
e


D
B




500 1000 1500 2000 2500 3000 3500
1
2
3
4
5
6
7
8
x 10
13
DSP Levinson jour:04
Frequence HZ
A
m
p
li
t
u
d
e


D
B
500 1000 1500 2000 2500 3000 3500
0
2
4
6
8
10
x 10
13
DSP Levinson jour:06
Frequence HZ
A
m
p
li
t
u
d
e


D
B
500 1000 1500 2000 2500 3000 3500
0
1
2
3
4
5
x 10
13
DSP Levinson jour:08
Frequence HZ
A
m
p
li
t
u
d
e


D
B
500 1000 1500 2000 2500 3000
0
0.5
1
1.5
2
x 10
14
DSP Levinson jour:10
Frequence HZ
A
m
p
li
t
u
d
e


D
B
Dtection des dfauts d'engrenages par analyse spectrale

69
500 1000 1500 2000 2500 3000
0
1
2
3
4
5
x 10
14
DSP Levinson jour:13
Frequence HZ
A
m
p
li
t
u
d
e


D
B





Fig IV.6. Spectres de puissances obtenus par la mthode de Levinson



13 12 11 10 09 08 07 06 05 04 03 02 Jour
57.08 47.47 11.56 21.04 4.04 5.10 8.33 11.61 9.96 8.04 10.56 7.82
Amplitude
maximale
10
13

720 660 710 710 720 730 710 720 740 740 700 720
Frquence du
pic 1
1370 1360 1380 1360 1300 1280 1300 1300 1300 1300 1320 1330
Frquence du
pic 2
/ / / / 2130 2080 2050 2060 2080 2000 2070 2100
Frquence du
pic 3
3040 3040 / / 3020 3010 3040 3030 3000 2990 3050 3020
Frquence du
pic 4




Tableau IV.2: Evolution du pic principal



La figure (IV.6) reprsente les spectres de puissance obtenus par la mthode de Levinson,
o nous constatons un signal caractristique d'un impact et un spectre o figure quatre
mergences spectrales correspondant aux frquences multiples de la frquence d'engrnement
du 1
ier
au 9
ieme
jour. Durant le 10
ieme
jour, nous remarquons une augmentation importante de
l'amplitude maximale, l'absence d'un des pics (pic3), et le dplacement du pic2. Pour le 11ieme,
12ieme et le 13
ieme
jours, l'amplitude reste toujours leve, le dplacement du pic 2 continue, et
l'amplitude du pic1 sattnue pendant les deux derniers jours.




500 1000 1500 2000 2500 3000
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
x 10
14
DSP Levinson jour:12
Frequence HZ
A
m
p
li
t
u
d
e


D
B
Dtection des dfauts d'engrenages par analyse spectrale

70
IV.3. ETUDE COMPARATIVE

L'observation des rsultats montre que les densits spectrales estimes par l'utilisation de
l'algorithme de Prony et de Levinson (mthode de covariance) mettent en vidence clairement la
prsence du dfaut par un dplacement du pic correspond une valeur frquence multiple de la
frquence d'engrnement et une augmentation de l'amplitude maximale de ces harmoniques pour
les deux mthodes. De plus, nous remarquons une attnuation du pic de frquence
d'engrnement (2fe) pour la mthode de Levinson, alors que la densit spectrale estime par
l'algorithme de Pisarenko est mauvaise et ne permet pas de dtecter facilement la prsence du
dfaut.

IV.4.CONCLUSION

Dans ce chapitre, nous avons dmontr l'intrt de l'application des mthodes paramtriques
d'estimation spectrale au diagnostic des dfauts d'engrenage. Nous avons galement essay de
juger la performance de chaque mthode dtecter des dfauts dengrenages.
Du point de vu reprsentation, la mthode de Pisarenko semble trs performante car elle
manifeste une bonne rsolution frquentielle, mais les dfauts ne sont pas bien mis en vidence
dans les reprsentation graphiques; ce qui ne permet pas de faire un bon diagnostic.
D'autre part et du point de vue diagnostic, les mthodes de Prony et AR-Levinson sont plus
performantes. Dans ce cas, le dfaut se manifeste sous forme d'augmentation de l'amplitude
relative des harmoniques d'engrnement et un dplacement d'un des pics. Cela donne la
possibilit de surveiller et diagnostiquer prcocement le systme tudi par ces deux mthodes.

















Dtection des dfauts d'engrenages par analyse spectrale

71


CONCLUSION GENERALE


Ce travail avait pour but de prsenter l'apport des mthodes paramtriques d'analyse spectrale
pour la surveillance et le diagnostic des dfauts d'engrenages. En effet l'tude a t consacre
la dtection prcoce de dfauts de type caillage de dents dans un rducteur d'engrenage par
analyse des signaux vibratoires. L'importance de ce type d'lments mcaniques dans l'industrie
et la gravit de ce dfaut, qui conduit rapidement la rupture de l'engrenage entranant ainsi des
consquences fcheuses (cot de maintenance, scurit,), justifie le besoin d'une dtection
prcoce. Les techniques utilises actuellement, bases sur l'analyse de Fourier, ne sont pas
efficaces lorsque le signal analys est de courte dure ou non stationnaire.
Une analyse spectrale par des mthodes paramtriques, soit par dcomposition harmonique ou
bien les modles autorgressifs rputs plus performants, a t teste pour dtecter ce type de
dfauts caractriss l'tat prcoce par des non stationnarits locales lors de l'engrnement des
dents. En fait, l'avantage des estimateurs paramtriques se situe essentiellement au niveau de la
rsolution spectrale qui se voit sensiblement accrue.
L'application de la mthode Pisarenko aux signaux modles a montr sa capacit dtecter
des signaux stationnaires de frquences trs proche en absence de bruit, par contre elle est moins
performante en prsence de bruit et dans le cas des signaux non stationnaires et la dtection de
dfauts d'engrenages.
La rsolution en frquence des mthodes de Prony et Levinson a fourni d'excellent rsultats sur
les signaux modles tests. Elle est fonction du rapport signal sur bruit. Cette rsolution se
dgrade relativement vite au fur et mesure que le rapport signal sur bruit (SNR) dcrot.
Par contre, il faut noter que l'estimation d'amplitude est affecte d'un biais qui reprsente le
principal inconvnient de la densit spectrale autorgressive.
L'application de ces dernires mthodes aux signaux d'engrenage montre clairement la
prsence du dfaut ,sous forme d'augmentation de l'amplitude maximale; le dplacement d'un des
pics, d'une manire prcoce au 10
ime
jour avant l'caillage totale de la dent en dfaut et sa
rupture.
ANNEXE A
PRINCIPALE ORIGINES DU BRUIT D'ENGRENAGES
Les bruits rencontrs dans les engrenages sont dus:
Aux phnomnes d'amplification rsultants des caractristiques modales du systme, quand
par exemple la frquence d'excitation est proche de celles d'un des modes de flexion ou de
torsion des dentures.
Aux dfauts d'usinage.
Aux chocs qui se rptent chaque contact entre pignons menant et men, et qui peuvent la
longue entraner des ruptures par fatigue.
Examinons chacun de ces trois aspects :
1) une caractristique commune d'un pignon ou engrenage est sa facilit de produire des sons
de frquences discrtes. Il fonctionne peu prs comme une cloche qui serait excite
priodiquement. Le bruit est un bruit bande troite. Pour dterminer ces bruits, il est
gnralement ncessaire de changer la forme du pignon ou d'apporter certains
amortissements. Les pignons et les dentures sont des milieux dformables qui possdent
donc une infinit de modes propres. Les frquences basses de ces modes sont gnralement
les plus gnantes. Ces frquences naturelles sont pralablement dtermines
exprimentalement en raison des cots du calcul.
2) Une autre cause' de bruit concerne les dfauts d'usinage de la denture. Un pignon fonctionne
en ayant toujours une paire de dents en contact. Il est vident que tout dfaut de denture,
d'espacement ou de division des dents produira du bruit. Une solution pour liminer ce
problme est de tailler le profil de dent de faon glissante sans choc. Un grand soin dans la
ralisation des outillages doit tre pris pour que l'espacement des dents soit constant.
3) Il est ncessaire que, sous l'effet des charges, les dentures des pignons restent parallles. Ces
charges sont de deux types (statique ou dynamique):
-Sous l'effet des charges statiques, les arbres des pignons ont tendance flchir. Il est
alors ncessaire d'augmenter leur rigidit en augmentant le diamtre.
-Sous l'effet des charges dynamiques rsultant de la proximit d'un mode de flexion
de l'arbre, celui-ci peut galement flchir. Pour viter les amplitudes transversales
trop importantes on peut alors soit rduire soit augmenter le diamtre ce qui a pour
effet de dplacer la frquence du mode de flexion gnant.


La distance centre centre des pignons est trs importantes. Elle doit tre correcte et ne doit pas
varier en fonction des flexions de l'arbre. Cet effet est identique celui provoqu par un
excentrement. Il en rsultera des variations priodiques en rapport avec le rgime de rotation. Le
mme effet est obtenu si la grade du pignon n'est pas suffisante. Ces dfauts peuvent tre mis en
vidence par un bruit bande troite (ou priodique).
Outre ces trois causes principales de bruit, citons celles lies aux ondes de contraintes, aux poches
d'air et d'huile et aux dfauts des machines de taille.

A.1.ONDES DE CONTRAINTE
Les contacts des dents provoquent des contraintes de compression au point des lignes de contact
et des contraintes de flexion dans les autres parties, en particulier la base des dents. Quand la dent
est dsengage, ces contraintes cessent soudainement en causant une onde de contrainte qui se
propage travers le pignon. C'est une source invitable de bruit de pignon.

A.2.POCHE D'AIR
Les poches d'air sont des sources mineures de vibrations. Elles se produisent quand une dent
engrne entre deux dents du pignon complmentaire. Quand la dent se dsengage, il y'a un effet de
succion. Ce bruit de sirne se produit gnralement sur les pignons grandes vitesse. Le bruit est un
bruit alatoire bande troite la mme frquence que la frquence de passage des dents.

A.3.POCHE D'HUILE
L'effet est similaire celui des poches d'air, mais plus svre car l'huile est presque
incompressible. Comme l'huile est utilise dans les pignons grande vitesse pour la lubrification et
refroidissement, le remde consiste gnralement modifier le volume ou la pression de l'huile.

A.4.DEFAUTS DES MACHINES DE TAILLE
Il a t souvent montr que les pignons possdent des dfauts priodiques dus aux dfauts de la
machine de taille elle mme. Il arrive frquemment que les dentures soient usines trois par trois au
moyen de trois fraises travaillant simultanment. En cas de drglage de l'une d'elles, l'espacement
n'est plus respect et il en rsulte des bruits en fonctionnement.

A.5.FRICTION
La friction est probablement la source principale de bruit dans les pignons. Quand deux pignons
sont en rotation, il y a une action de pousse qui cesse brutalement quand l'action inverse
commence. Il y a inversion soudaine des forces et il en rsulte une vibration la frquence de
passage des dents. Ceci se produit invitablement chaque engrnement quelle que soit la qualit de
la fabrication.



















ANNEXE B
RAPPELS SUR LES SIGNAUX ET SPECTRES
On rappelle ici quelques notions sur les spectres pour des signaux dterministes ou alatoires.

B.1 SIGNAUX DETERMINISTES
Considrons un signal discret {x(n)}n=0,1,... que lon obtient en gnral par chantillonnage dun
signal continu. Si lon suppose que ce signal est nergie finie, cest--dire

Alors il possde une Transforme de Fourier Discrte (TFD) que lon dfinit comme suit

La Transforme de Fourier Discrte inverse scrit alors comme


Dfinissons maintenant la quantit

On a alors



Lquation prcdente est connue comme le thorme de Parseval. Elle indique que S ()
reprsente la distribution de lnergie du signal selon la frquence. Cest pourquoi on lappelle
densit spectrale dnergie (DSE). Notons que si lon dfinit la fonction de corrlation de la
squence x(n) comme

Alors on vrifie immdiatement que la DSE est la la TFD de cette squence, i.e.


B.2 DENSITE SPECTRALE DE PUISSANCE POUR LES SIGNAUX ALEATOIRES
La plupart des signaux que lon rencontre en pratique ne sont pas dterministes et lon ne peut
connaitre exactement leur volution au cours du temps. On ne peut que faire des conjectures sur
cette volution. On les dcrit alors comme une squence alatoire qui consiste en un ensemble de
ralisations possibles et dont on a observ une ralisation.
Thoriquement, ces processus sont caractriss par une fonction de densit de probabilit. Nous
les dcrirons ici seulement au second ordre, cest--dire par leurs fonctions de corrlation. Notons
que si le processus est Gaussien, il est entirement dtermin par celle-ci. Contrairement aux
signaux dterministes, une ralisation dun signal alatoire nest pas dnergie finie. On ne peut
donc pas transposer les dfinitions du paragraphe prcdent. Par contre, il possde en moyenne une
puissance finie, ce qui fait quon dfinit la Densit Spectrale de Puissance (DSP). On rappelle
maintenant les dfinitions des termes mentionns ci avant. Supposons que {x(n)}n=0,1,... est une
squence de variables alatoires, de moyenne nulle



O E dsigne loprateur esprance mathmatique (moyenne sur lensemble des ralisations).
On dfinit la fonction de corrlation (ou de covariance puisque le moyenne est nulle) comme



qui ne dpend que de m. On suppose donc que le processus est stationnaire au second ordre. La DSP
se dfinit alors comme la TFD de la corrlation

On montre alors que


Ce qui implique en particulier que rxx(0) est la puissance moyenne de x(t). On montre de plus que la
DSP peut se redfinir de la faon suivante

la condition que






[1] G-Zwingelstein," Diagnostic des dfaillances, thorie et pratique pour les
systmes industriels", Hermes, Paris. 1995.
[2] Vibro-Meter " Analyse des comportement vibratoires des machines tournantes par
des systmes collecteurs de donnes et des systmes fixes" P/N 561-003 F-1991.
[3] Jean.Noel-Chatain, " Diagnostic par systme expert", Hermes, Paris, 1993.
[4] Vibro-Metrer " Maintenance prdictive, surveillance de l'tat des machines et
installation" 561-009-f-1990.
[5] Vibro-Meter " Les machines tournantes et leurs comportements vibratoires" P/N
561-003 F-1991.
[6] R-Bigret " surveillance et protection des machines tournantes par les descripteurs
globaux des tats vibratoires Normes", confrence international sur les problmes des
vibrations dans l'industrie, Prov1b93 Blida 28-29-30 Novembre 1993 pp 1-12.
[7] A-Ducasse, C-Mailhes, F-Castanie, "Estimation de Frquences: Panorama des
Estimation Paramtriques", Traitement du signal, 1998, 15(2) ,150-161.
[8] M-Sidahmed, Y-Grenier" Surveillance et diagnostic de rducteur engrenage"
journe CETIM-GRECO tdsi senlis 7-8mars 1990.
[9] A-Chevalier "Guide de dessinateur industriel" ed Hachete technique1981
[10] L-Bourgan, T-Bourgan, R-Dart " machines tournante et circuit pulss ", ed-
Dunod 1988.
[11] Schenck "maintenance conditionnelle" c1315f-1992.
[12] B-Dubuisson," Automatique et statistiques pour le diagnostic", dition Hermes,
2001.
[13] D-Garreau, P-Flandrin "Le non-stationnaire en mcanique : Position du Problme
Point sur Quelques Mthodes D'analyse Existantes" journe CETIM-GRECO tdsi
senlis 7-8 Mars 1990.
[14] C-Fontanive, P-Prieur "Surveillance et diagnostic des engrenages", Confrence
international sur les progrs rcents de mthodes de surveillance acoustiques et
vibratoires SENLIS 27-29 Octobre 1992.
[15] A-Ouahabi "Techniques avances de traitement du signal et application" ed-
connaissance du monde-Alger
[16] J-Max " mthodes et techniques de traitement de signal et applications aux
mesures physiques", Tome II ed-Masson- Paris.
[17] P-FLandrin " Mthodes Temps-frquence et temps-echelle pour l'analyse de
signaux vibratoires et de chocs", Confrence international sur les progrs rcents de
mthodes de surveillance acoustiques et vibratoires SENLIS 29 Octobre 1992.
[18] Dominique Gibert,"Elments de traitement du signal", Aot 1994
[19] N-Haloui, "Analyse des signaux d'engrenages par les mthodes d'estimation
spectrale modernes", Thse de magister, Universit de Stif, 2001
[20]..W.M.Steedly,C.J.Ying, "A Modified TLS-Prony Method Using Data
Decimation", IEEE Trans Sig.Proc.Sept.1994,42(9),2292-2303.
[21] A-Felkaoui, B-Fortas, A-Apostoliouk,"Sur la Slection de l'ordre dans l'analyse
Spectrale Moderne des Processus Linaire", ProcICSS'94, Alger, Algrie, 24-26,
Sept1994, vol.1, 178-181.
[22] R-Ben Oughram, "Contribution au diagnostic des machines tournantes complexe.
Application un laminoir", Thse de doctorat de l'Universit de Compigne, France,
1999.
[23] M-Terr," Traitement Numrique du Signal"; ESCPI- CNAM, EI4, Octobre
2002.
[24] S- M-Kay," Modern spectral estimation", Prentice hall signal processing series,
Englewood eliffs, New Jersey 07632, 1988
[25] Y-Bachir, A-Khodja, T-Terki " Diagnostic de dfauts mcanique par analyse
vibratoire" Confrence international sur les problmes des vibrations dans l'industrie
Provib93 Blida 28-29-30 Novembre 1993 pp 54-67.
[26] K-Drouiche, M-Sideahmed, Y-Grenier "Dtection de dfauts d'engrenage par
analyse vibratoire" traitement de signal pp-331-343 vol n: 5 1992.
[27] M-Guesdon, G-Garcin, P-Bocquet " surveillance des machines par analyse des
vibrations", CETIM INFORMATIQUE n
0
65 pp73-81-1986.
[28] E-Bekka, D-Chikouche, Pouvoir de Dtection et de Rsolution de la Mthode
AR: Application aux signaux courts, Sciences et Technologie, Universit de
Constantine, Dec.1999, 12,49-53.
[29] H-Mahgoun, "Analyse et Caractrisation des Signaux Vibratoires Cyclo-
stationnaires", Universit de Stif, Dec 2000.
[30] S-M-Kay, S-L-Marpele," Spectrum Analysis A modern perspective",
Proc.IEEE, Nov1981, 69(11), 1380-1419.
[31] J-A-Cadzow, "Spectral Estimation: An Overde Termined Rational Model
Equation Approach", Proc.IEEE, Sep 1982, 70(9), 907-937.
[32] J-Morel " Mthodes avances de surveillance" Confrence international sur les
progrs rcents de mthodes de surveillance acoustiques et vibratoires - SENLIS 27-
29 Octobre 1992.
[33] H-Mahgoun, A-Felkaoui, R-E-Bekka, " L'analyse des dfauts d'engrenage par la
transforme en ondelletes", 2ime sminaire National en Gnie-Electrique SNGE'99,
Biskra, Algrie, 1999.
[34] M-Chiollaz, P-Flandrin, N-Gache, " Utilisation de la reprsentation de Wigner-
Ville comme outil de diagnostic des dfauts de fonctionnement de moteurs
thermiques", 11
ime
colloque GRETSI sur le traitement du signal, pp.579-582,
Nice.1987.
[35] I-Bucher, D-J-Ewins, "Multidimentional decomposition of time-varying
vibration response signals in rotating machinery", Mechanical systems and signal
processing, pp. 577-601, 1997.
[36] M-Altass, J-Mahfoudh, D-Play," Vibration analysis for detection of gear faults
within gearbox, application to spur and helical gears", IFTOM. Conference, pp.1-7,
Sep .1994.
[37] C-Cpdessus " Aide au diagnostic des machines tournantes par traitement du
signal ", thse de doctorat de l'institut national polytechniques de GRONOBLE 1992.
[38] B-BOouashash " Reprsentation temps-frquence : Application la mesure de
l'absorption du sous-sol" Thse de docteur-Ingnieur, institut polytechnique de
GRONOBLE, Mai 1982.
[39] G-Garcin " Diagnostic d'organes mcaniques d'automobiles par analyse de
vibrations" Journe CETIM-GRECO Tdsi Senlis 7-8 Mars 1990.
[40] M-Kiuos, M-Djeddi " Dtection de dfauts d'engrenage par analyse spectrale et
cepstrale", COMEA'96, TLEMCEN 03-05 Dcembre 1996 Algerian journal
technologie Volume 4-1996.
[41] S-Aatila, R-Leskinen " Cepstrum analysis predicts gearbox failure" Noise control
Eng-1990 Vol -34 n
o
2, pp53-59.
[42] D-Forrester "Time-frequency analysis in machine fault detection", Time-
frequency signal analysis, method and applications, Ed, by B-BOASHASH, Longman
Cheshire 1992, pp406-423.
[43] B-Favre, M-Chiollas " Application de l'analyse de WIGNER-VILLE la
connaissance du bruit d'un bruit d'un moteur explosion ", Journe CETIM-GRECO
Tdsi Senlis 7-8 Mars 1990.
[44] E-Ryckalts" Effective enhanced techniques for early detection monitoring,
trending and diagnostic of bearing damage" Confrence international sur les progrs
rcents de mthodes de surveillance acoustiques et vibratoires SENLIS 29 Octobre
1992.
[45] D-Stegemann " Diagnostic methods for rotating machinery" Confrence
international sur les progrs rcents de mthodes de surveillance acoustiques et
vibratoires SENLIS 27-29 Octobre 1992.
[46] O-Bardou, M-Sidahmed " Dtection prcoce de fuites d'echappement-
refoulement des machines alternatives par analyse des vibrations" Confrence
international sur les progrs rcents de mthodes de surveillance acoustiques et
vibratoires SENLIS 27-29 Octobre 1992.
[47] R-Archanbault " Time-frequency analysis methods" Confrence international
sur les progrs rcents de mthodes de surveillance acoustiques et vibratoires
SENLIS 27-29 Octobre 1992.
[48] N-Tandon, BC-Nakra "Vibration and acoustic monitoring techniques for the
detection of defects in rolling element bearings a review", the shock and vibration
digest 1992-Vol 24 n
o
3-pp 3-11.
[49] Bruel & Kjaer "Detection faulty rolling-element bearing" Application Notes
1992.
[50] S-Sala, R-Buisson " Dispositif de dtection de dfauts sur machines tournantes
en service" CETIM-INFORMATION n
o
98 Dcembre 1986 pp78-84.
[51] O-Bardou " Sur les mthodes de surveillance et diagnostic de machines
alternatives", Thse de doctorat de l'institut national polytechniques de GRONOBLE
Fvrier 1994.
[52] K.J.Tugnait, Linear Model Validation and Order Selection Using Higher Order
Statistics, IEEE Trans.,Sig.,Proc.,July1994,42(7),1728-1736.
[53] L-Bourgain, T-Bourgain, R-Dart "Machines tournantes et circuit pulss" ed-
Dunod 1988.
[54] M-Bounaze " Pourquoi la surveillance des machines" Confrence international
sur les problmes des vibrations dans l'industrie Provib93 Blida 28-29-30 Novembre
1993 PP 119-129.
[55] Y-Bachir, M-Deddi, A-Khodja, B-Agous " sminaire sur le laboratoire de
vibration" l'entreprise des ciments et drivs, centre unit : maintenance industrielle,
laboratoire de vibration Dcembre 1992.
[56] M-Kious, Maintenance Conditionnelle par Analyse Spectrale, Universit Houari
Boumediene Algrie, Juin 1997.
[57] G-Dalpiaz, A-Rivola, R-Rubini, " Gear monitoring: comparison of vibration
analysis techniques", University of Bologna Italy.
[58] R-Rubini, M-Sidahmed, J-I-Lacoume, "Diagnostic of gear systems using the
spectral correlation density of the vibration signal ", Proceedings of the symposium;
on fault detection, super vision and safety for technical processes , 977-982. Hull, UK.
1997.
[59] Louay-Homsi, " Outils de modlisation, identification et traitement du signal
pour le diagnostic des dfauts dans les systmes continues", Thse de doctorat,
Institut national des sciences appliques de Toulouse, 1992
[60] Kaci . Lyazid, " Modlisation ARMA des signaux sismiques", thse de magister,
Universit des sciences et de la technologie, Houari Boumediane, 2000.
[61] M-Durnerin, N-Martin, C-Mailhes, " Dmarche d'analyse en vue d'une
interprtation automatique, application un signal d'engrenage", article GRETSI
1997.
[62] M- El badaoui, F-Guillet, " Analyse vibratoire d'un engrenage, diagnostic l'aide
de l'analyse cepstrale synchrone", Laboratoire d'analyse des signaux, Universit Jean
Monner, Paris France.
[63] M-J-Brennan and M.H. Chen, "Use of vibration measurements to detect local
tooth defects in gears", Sound and vibration, Nov. 1997.
[64] R-S- Ibrahim, E-C- Mikulcik, "A method for the direct identification of vibration
parameters from the free response", In shock and vibration bulletin, N
o
47, part.4, pp.
183-198, Sep. 1977.
[65] W-D- Tufts and R-Kumaresan, " Estimation of frequencies of multiple sinusoids:
Making linear prediction perform like maximum likelihood", Proceedings of the
IEEEm vol 70, N
o
9, pp .975-989, Sep. 1982.


[66] H-Akaike, " A new look at the statistical model identification", IEEE.
Transactions on automatic control, vol . AC-19, N
o
. 6, Dec. 1974
[67] M-Basseville, A-Benveniste, B- Gach-Devauchelle, M-Goursat, D-Bonnecase, P-
Dorey, M-Prevosto, M-Olagnon, " In situ damage monitoring in vibration mechanics:
Diagnostics and predictive maintenance ", Proc. Mechanical systems and signal, N
o

7(5), pp . 401-423, 1993.

[68] Hochmann, D-Bechhoefer, " Gear tooth crack signals and their detection via the
FM4 measure in application for a helicopter HUMS (health usage and management
system)/sup /spl Omega// ", Aerospace Conference, 2003. Proceedings. 2003 IEEE
Volume 7, March 8-15, 2003 .
[69] Banks, J-C-Lebold, "Fault localization for gear tooth failure in coupled
mechanicalsystems", Aerospace Conference, 2003. Proceedings. 2003 IEEE
Volume 7, March 8-15, 2003.
[70] Guicai Zhang; Ruxu Du , " Extracting gear fault features using integrated
bispectrum ", Robotics, Intelligent Systems and Signal Processing, 2003. Proceedings.
2003 IEEE International Conference on Volume 1, 8-13 Oct. 2003
[71] A-Raad, J-Antoni, M-Sidahmed, "Indicators of cyclostationarity: proposal,
statistical evaluation and application to diagnostics", Acoustics, Speech, and Signal
Processing, 2003. Proceedings. (ICASSP '03). 2003 IEEE International Conference on
Volume 6, 6-10 April 2003.
[72] Banks- J-C, Reichard, "Lubrication level diagnostics using vibration analysis",
Aerospace Conference, 2004. Proceedings. 2004 IEEE Volume 6, 6-13 March 2004 .
[73] Xudong Wang, Syrmos, V.L, "Application of Independent Component Analysis
forGearDiagnosis", Intelligent Control, 2005. Proceedings of the 2005 IEEE
International Symposium on, Mediterrean Conference on Control and Automation
27-29 June 2005.
[74] Wang-W, Ismail-F "A neuro-fuzzy approach to gear system monitoring", Fuzzy
Systems, IEEE Transactions on Volume 12, Issue 5, Oct. 2004.
[75] Bartelmus-W, Zimroz "Identification of optimized diagnostic features of multi-
stage gearbox condition", Systems Engineering, 2005. ICSEng 2005. 18th
International Conference on 16-18 Aug. 2005.


[76] Rajagopalan-S, Habetler- T-G "Current/Voltage Based Detection of Faults in
Gears Coupled to Electric Motors", Electric Machines and Drives, 2005 IEEE
International Conference on May 15, 2005.
[77] Zanardelli-W-G, Strangas- E-G" Methods to Identify Intermittent Electrical and
Mechanical Faults in Permanent Magnet AC Drives Based on Wavelet Analysis"
Vehicle Power and Propulsion, 2005 IEEE Conference07-09 Sept. 2005.
[78] Luo-M, Wang-D, Pham-M.; "Model-based fault diagnosis/prognosis for
wheeled mobilerobots:areview" Industrial Electronics Society, 2005. IECON 2005.
32nd Annual Conference of IEEE 6-10 Nov 2005.
[79] Hochmann-D, Bechhoefer-E "Envelope Bearing Analysis: Theory and Practice"
Aerospace,2005IEEEConference 05-12 March 2005.
[80] D-Chikouche, N-Haloui, K-Bdirina, " Dtection des dfauts d'engrenage par les
techniques autorgressives", 1
ire
confrence internationale sur les systmes
lectroniques CISE05, Batna 2005.
[81] D- Chikouche, N. Haloui, R. E. Bekka, M. Ayad, K. Bdirina "Analyse des
signaux vibratoires d'un rducteur engrenage par le cepstre synchrone en vue d'un
diagnostic prcoce" , confrence internationale sur le contrle, la modlisation et le
diagnostic ICCMD'06, Annaba Mai 2006.
[82] ] K. Bdirina, D- Chikouche, N. Haloui "Diagnostic prcoce des dfauts
d'engrenage par les techniques autorgressives" , Second international conference on
electrical systems ICES'06, Oum El Bouaghi May 2006.