recherches

Dtection de dfauts d'engrenages

par analyse vibratoire
Fault dtection in gears by vibratory analysis
Karim Drouiche, n le 29 juin 1964 Bjaa, Algrie . Diplm
Ingnieur en lectronique, juin 1988, l'Universit des Sciences et de
la Technologie d'Alger (USTA). Titulaire du D.EA d'Automatique et
Traitement du Signal, septembre 1989, Universit d'Orsay, Paris XI .
Actuellement en prparation d'une Thse de Doctorat dans le
domaine du Traitement du Signal, au dpartement Signal de l'ENST,
Tlcom-Paris, sous la Direction de Mr . Yves Grenier.
Domaine d'intrt : maintenance conditionnelle et prdictive pour le
contrle non destructif.

K. DROUICHE
Telecom-Paris, Dept. Signal,
46, rue Barrault, 75634 Paris Cedex 13

Menad SIDAHMED, Ingnieur (Tlcom - Paris), Docteur Ingnieur, est

au sein du service Machines, Responsable de l'activit Vibrations,
Maintenance Conditionnelle . Domaines d'intrt : Traitement du
signal en mcanique, Maintenance conditionnelle et prdictive,
surveillance des machines, mthodes de diagnostic automatique .

M . SIDAHMED
CETIM (Centre Technique des
Industries Mcaniques)
52 avenue Flix Louat - 60304 Senlis
Cedex

tions, Tlcom Paris , depuis 1984, aprs y avoir t matre de

confrences.
Il a effectu des recherches sur la reconnaissance de la parole,
l'identification du locuteur, et l'adaptation au locuteur des systmes
de reconnaissance de parole. Depuis 1977, il a travaill sur la
modlisation des signaux, l'analyse spectrale ainsi que sur l'estimation de modles non stationnaires, et de reprsentations tempsfrquence, appliqus la parole, et aux signaux sismiques et sonar.
Depuis 1985, il tudie la modlisation des signaux vectoriels, et le
filtrage d'antennes large bande, avec des applications l'acoustique, la prise de sons multi-microphones, et la localisation de sources .
Il a t co-organisateur d'un sminaire SFA (ex GALF) sur l'analyse de
signaux de parole, en dcembre 1983, et a organis un sminaire
CNRS sur la modlisation non stationnaire, Nice, en juin 1984 . Il a
t l'diteur d'un numro spcial de la revue Signal Processing
consacr l'analyse spectrale, janvier 1986 . Il est membre du SFA et
de IEEE et participe au GRECO-TSI .

Y. GRENIER
Telecom-Paris, Dept. Signal,
46, rue Barrault, 75634 Paris Cedex 13

Yves Grenier est n Ham, Somme, France, en 1950. Ingnieur de

l'cole Centrale de Paris, en 1972, et Docteur-Ingnieur de l'cole
Nationale Suprieure des Tlcommunications, Paris, en 1977, il est
aussi titulaire du Doctorat d'tat s Sciences Physiques, depuis 1984 . Il
est professeur l'cole Nationale Suprieure des Tlcommunica-

RSUM
Dans cet article, nous prsentons des applications de techniques de
traitement du signal pour le diagnostic prcoce de l'caillage dans les
dentures d'engrenages . Nous prsentons tout d'abord des mthodes
d'analyse spectrale haute rsolution, ensuite une mthode de dtection
de non-stationnarits utilisant la modlisation AR adaptive est expose,
enfin le test de sphricit est introduit . Des essais sont effectus sur des
signaux vibratoires recueillis sur des machines tournantes du CETIM .
Les performances du dtecteur bas sur le test de sphricit sont
analyses .

MOTS CLS
Signaux vibratoires, engrenages, analyse spectrale, modlisation autorgressive, test de sphricit .

331
Traitement du Signal

volume 8 - n 5

echerches
Dtection de dfauts d'engrenages par analyse vibratoire

- ABSTRACT
This paper deals with signal processing techniques for non-destructive fault
detection on gears . First we describe high resolution spectral analysis
techniques, then an adaptive AR method is proposed for fault detection, in
the end the sphericity test is presented . Their performance is evaluated on
vibratory signais provided by CETIM (on industrial rotating machineries) .
The results indicated that the sphericity test out performed the other
methods, by scoring a high detection rate, 90 % to 100 % of cases .

KEY WORDS

1.

des techniques d'analyse spectrale haute rsolution, qui

l'heure actuelle n'ont pas vu d'applications sur des signaux
vibratoires de machines tournantes (en particulier les
mthodes de Capon et de Lagunas) . Sont ensuite dveloppes, des mthodes de dtection de non-stationnarits
utilisant la modlisation AR adaptive d'une part, et le test
de sphricit d'autre part . Ces diffrentes techniques sont
appliques pour la dtection prcoce de l'caillage partir
d'essais conduits sur des rducteurs du CETIM, de grandeur industrielle (300 kW) et sur lesquels on peut parfaitement corrler dfaut et signature vibratoire . Enfin les
performances du dtecteur, bas sur le test de sphricit
sont analyses .

Introduction (1)

Les rducteurs (ou multiplicateurs) engrenages sont trs

rpandus en mcanique ; on les trouve dans tous types
d'industries, de procds par exemple ; automobile (botes
de vitesse), aronautique (hlicoptres), cimenteries, raffineries . Ce sont des lments mcaniques trs sollicits,
complexes dimensionner et raliser (calcul, choix et
traitement des matriaux, taillage des dents, . . .), qui
peuvent prsenter des dfaillances limitant leur dure de
vie .
Vu leur importance, il n'est donc pas tonnant de voir
qu'ils aient t (et qu'ils soient) l'objet de nombreuses
tudes portant sur le calcul, le dimensionnement, l'tude
des matriaux, la lubrification, l'analyse des dfauts ([1]
[3]), sur les techniques de surveillance et de diagnostic de
dfauts, pour viter les ruptures soudaines (par exemple
dans les hlicoptres) pour diminuer les cots de maintenance en milieu industriel en pratiquant la maintenance
dite conditionnelle ([41 [9]) et enfin, des tudes consacres au contrle de qualit des engrenages en fabrication
qui a une influence directe sur leur dure de vie, mais
galement le bruit mis [10], [11], [12] .
Les techniques actuelles de surveillance des machines sont
bases sur l'analyse de Fourier . Elles donnent de bons
rsultats pour des dfauts que l'on pourrait qualifier de
simples (mais qui sont parmi les plus rpandus), tels le
balourd, certains dfauts de roulements . Elles sont souvent
inefficaces lorsque les dfauts sont caractriss par des
variations complexes du spectre, et plus particulirement
par des non-stationnatits dans le signal vibratoire . C'est
le cas pour les engrenages qui engendrent des signatures
vibratoires trs riches, dont il est souvent difficile de suivre
les volutions et qui, dans le cas de certains dfauts
(conduisant rapidement la rupture des dents) rendent
difficile la dtection prcoce . Pour d'autres types
d'lments mcaniques, plusieurs tudes ont montr
l'apport de mthodes paramtriques pour la surveillance
et le diagnostic de dfauts [13] [19] .
Dans cet article, nous prsentons des applications de
techniques rcentes de traitement du signal pour le
diagnostic prcoce de l'caillage dans les dentures d'engrenage cmentes trempes . Nous prsentons tout d'abord

(')

Cette tude a bnfici d'un financement du MRT .

Vibratory signais, gears, spectral analysis, autoregressive modelisation,

sphericity test.

2.

Mthodes d'analyse spectrale

2 .1 . INTRODUCTION
L'analyse spectrale est l'outil majeur pour l'tude des
signaux vibratoires de machines tournantes dans le cadre
de la maintenance dire conditionnelle (i .e . en fonction de
l'tat mcanique) des machines . Bon nombre de problmes
lis la dtection de dfauts sur les organes de machines
tournantes peuvent tre rsolus par l'analyse de Fourier .
Nanmoins, il existe des cas o l'analyse simple de Fourier
s'avre inefficace [20] ; nous faisons principalement allusion aux cas de signaux comportant des non-stationnarits
locales . 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 trs brves sur ce type de signaux . Par ailleurs, il faut noter que les
signaux vibratoires sont trs riches en harmoniques ; d'o
la difficult d'apprciation des variations dues aux nonstationnarits . Il est lgitime d'esprer que des mthodes
plus prcises apporteront un plus l'analyse de Fourier .
Dans ce qui suit, nous nous intressons en particulier aux
mthodes d'analyse spectrale dites de haute rsolution, la
mthode de Capon et la mthode de Lagunas . Elles
donnent une bonne approximation du spectre estim avec
un nombre d'chantillons relativement rduit . Ce sont des
mthodes d'analyse par banc de filtres ; et leur prcision
tant au niveau de la rsolution frquentielle que de
l'estimation de l'amplitude, nous laisse supposer qu'elles
sont susceptibles de mettre en vidence des dtails qui
chappent aux mthodes classiques d'analyse de Fourier .

332
Traitement du Signal

volume 8 - n 5

Dtection de dfauts d'engrenages par analyse vibratoire

Nous considrons galement la mthode du maximum

d'entropie dont la meilleure capacit de rsolution frquentielle est contrebalance par un biais au niveau de
l'estimation des amplitudes . Dans ce qui suit nous rappelons brivement les principes de ces estimateurs spectraux .

du filtre H i soit P (f i ) ; mais une hypothse supplmentaire

est introduite . On suppose que (Dx (f) est plate (varie peu)
autour de la frquence f i . Dans ce cas, on peut approximer
le rsidu
+1/2

P (.f i) _
2 .2. MTHODE DE CAPON
tant
donne
une
squence
d'chantillons
x,
n = 0, . . ., N, N tant le nombre d'chantillons analyser,
d'un signal vrifiant les conditions du thorme de Shannon, nous cherchons une estimation de la densit spectrale
de puissance 4) x (f) de ce signal .
Dans la mthode de Capon [21], [22], la densit spectrale
de puissance est estime frquence par frquence . Pour
obtenir la densit spectrale du signal la frquence
fi , (x (f i ), on applique sur le signal un filtre rponse
impulsionnelle finie . Les coefficients [ao, . . ., ap] o
p est l'ordre du filtre, sont optimiss de manire
recueillir sans distorsion la contribution du signal la
frquence f i et minimiser la contribution des autres
frquences . Les coefficients du filtre vrifient ainsi une
contrainte linaire
H i Ei = 1
et

avec

E _ [1 e

(Dx (f )

I1

H i (.f) II 2 df ,

1/

(suppos trs slectif)

par la quantit

4>x(fi) IIHi(fi)II B i , o B i est une bande passante vri-

fiant l'galit suivante

+ 1/2

BiiIHi(fi)II 2

IlHi(f)II 2 df = HTH1

1/2

(par la relation de Parseval) .

Sachant que II H, (fi) II = 1, il vient que <Dx (fi) =

P(fi)
B,

On en dduit donc l'expression suivante de la densit

spectrale de puissance du signal
EH R - ' E l.

~D x (fi) = EH R 2 E

(2 .3 .2)

HT = [ao, . . . a, ]

-27rjfi

e -27rrpfi] .

Ils permettent de minimiser sous cette contrainte l'nergie

en sortie du filtre qui s'crit HT RH i o R est la matrice
d'autocorrlation du signal, dfinie positive et hermitienne
avec R it = E [x x + i _ j ] . On retient comme estimateur de
la densit spectrale cette nergie minimale qui vaut
P(fi) =

du filtre H i

f-

1
EHR -1 Ei

-- IDx(fi)

(2 .2 .1)

Il faut remarquer que cette mthode d'estimation spectrale

approxime la densit spectrale de puissance par l'nergie
en sortie d'un filtre qui contient la contribution la
frquence tudie (dont l'nergie est inchange pour
autant qu'il s'agisse d'une sinusode pure cette frquence) . Mais cette sortie contient aussi une erreur
rsiduelle aux autres frquences, dont l'nergie agit
comme un biais sur l'estimateur . Le biais est d'autant plus
faible que l'ordre p du filtre (c'est--dire la dimension de la
matrice R) est lev . La mthode de Capon approxime
donc la densit spectrale x (f i ) par P (f i ) qui est l'nergie
du rsidu du filtre H i .

2 .3. MTHODE DE LAGUNAS

La mthode de Capon consiste donc en une mesure

d'nergie, tandis que la mthode de Lagunas est une
mesure de puissance . Pour autant que les hypothses
admises soient vrifies, la mthode de Lagunas offre une
excellente rsolution en frquence et en amplitude . Cette
dernire tant garantie par la contrainte . La rsolution est
d'autant meilleure que l'ordre du filtre retenu est lev .
Reste remarquer que le filtre estim par la formule (2 .3 .1) est adapt au signal chaque frquence,
contrairement l'analyse de Fourier classique o le filtre
est indpendant du signal .
2 .4. SPECTRE AUTORGRESSIF
L'utilisation de modles paramtriques [24], [25], pour
l'estimation de densits spectrales de puissance de processus temporels, est motive essentiellement par deux raisons . Le spectre paramtrique autorise une meilleure
rsolution frquentielle, il s'agit d'une mthode haute
rsolution . En second lieu, l'estimation des paramtres du
modle est souvent lie la rsolution d'quations linaires, donc relativement faciles rsoudre .
Une modlisation autorgressive consiste associer la
squence de signal x,,, n = 0, . . . . N, un jeu de paramtres
ai tel que

Dans la mthode de Lagunas [23], [24], [25], le banc de

filtres ralisant l'analyse spectrale est exactement le mme
que celui de la mthode de Capon soit
R-1
Ei
H .I =
( 2 .3 .1)
-'
El
EH R
La diffrence rside dans le fait que la densit spectrale du
signal 1'x (f) la frquence f i n'est plus approxime
comme dans le cas de la mthode de Capon par le rsidu

x+

(2 .4 .1)

o e est l'erreur de prdiction linaire, dont on minimise

l'nergie .
La densit spectrale de puissance autorgressive est souvent dnomme densit spectrale au sens du maximum
d'entropie, ceci tant vrai dans le cas de processus
alatoires gaussiens dont la squence d'autocorrlation
serait connue et non estime .

333

Traitement du Signal

ai x_

i-~

volume 8 - n 5

echerches
Dtection de dfauts d'engrenages par analyse vibratoire

Son expression est donne par

x
SAR )

Q
=

2
2

1 +

(2 .4 .2)

-2wkifl

o a;, i = 1, . . ., p, sont les paramtres du modle autorgressif et v 2 la variance du bruit . L'estimation des paramtres a; et o2 du modle se fait en minimisant la variance de
l'erreur en , ce qui conduit la rsolution des quations de
Yule-Walker, par l'algorithme de Levinson .
La rsolution en frquence de cet estimateur est fonction
du rapport signal bruit, et elle se dgrade relativement
vite au fur et mesure que le rapport signal bruit (SNR)
dcrot . Nanmoins cet estimateur est trs performant en
rsolution frquentielle dans le cas d'enregistrements
courts, avec un rapport signal bruit satisfaisant
( .:> 5 dB ) . Par contre l'estimation de l'amplitude est affecte d'un biais qui reprsente le principal inconvnient de la
densit spectrale autorgressive . Elle est aussi efficace
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 de l'estimateur de densit spectrale autorgressive est fonction croissante de l'ordre p du modle choisi .
Il existe d'autres mthodes d'analyse spectrale haute
rsolution en traitement du signal comme MUSIC [29] ou
la mthode de Minimum Norm de Kumaresan et Tufts
[30] . Ces estimateurs sont moins biaiss que l'estimateur
de Capon ou de Lagunas pour l'estimation de sinusodes
pures dans du bruit, ce qui semble tre le cas de signaux
que nous traitons . Malheureusement la meilleure performance de ces estimateurs repose sur la connaissance de la
matrice de covariance du bruit . Comme celle-ci est inconnue dans notre cas nous ne pouvons pas employer ces
estimateurs .

Par ailleurs il faut noter que l'anomalie (l'instationnarit)

est porte par un signal dont la dure n'excde pas le
temps d'engrnement d'une dent qui est relativement bref .
C'est la raison pour laquelle il faut utiliser des outils du
traitement du signal capables de suivre dans le temps des
changements rapides de caractristiques . Plusieurs techniques existent pour la dtection de non-stationnarits (voir
[26], [27] pour une synthse de ces techniques) . Deux
types de mthodes ont t testes . La premire tant
l'analyse de l'nergie de l'erreur de prdiction rsultant
d'un modle autorgressif adaptatif. Nous savons qu'un tel
modle ajuste ses paramtres au fur et mesure que le
systme volue dans le temps . S'il se produit un changement dans le systme (saut de modle par exemple)
l'algorithme tentera d'ajuster nouveau les paramtres
afin d'identifier au mieux (critre oblige) le nouveau
modle . Dans cette ventualit, le passage du premier
modle au second modle ne saurait se faire sans une
perturbation plus ou moins notable sur l'nergie de
l'erreur, puisqu'il faut un certain temps (retard) pour que
les nouveaux paramtres soient estims .
La seconde technique utilise est le test de sphricit [28],
plus connu en statistique . Il se prte parfaitement la
dtection de changement de statistique (en l'occurence
changement de caractristiques) d'un processus . Lors de
l'engrnement de la dent dfectueuse, les caractristiques
du signal vibratoire se trouvent affectes . Le test de
sphrcit est une technique susceptible de mettre en
vidence un tel changement et permettra donc de le
dtecter. Nous oprons l'aide du test de sphricit une
comparaison entre deux matrices de covariance, l'une
estime sur un signal global correspondant un tour de
l'engrenage et la seconde estime sur le signal limit
l'engrnement d'une dent . Nous pouvons ainsi mesurer
l'ampleur des changements des caractristiques du signal,
survenus sur une dent quelconque par rapport aux caractristiques de la rfrence qui est le tour de roue .

3 .2 . DTECTION PAR MODLISATION AR

3.

Les techniques de dtection les plus rpandues utilisent un

modle AR pour blanchir le signal . L'erreur de prdiction
linaire en est obtenue en filtrant le signal x, au travers
d'un filtre blanchissant, selon l'quation suivante

Analyse de non-stationnarits locales

3.1 INTRODUCTION
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 l'engrnement des dents
incrimin . 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 de nonstationnarits qui ont montr de meilleures performances
que des dtecteurs bass sur les valeurs RMS, crte
crte . . ., classiquement utiliss en surveillance des machines tournantes .

e n = xn +

_ g

(3 .2 .1)

Les paramtres du filtre peuvent tre connus au pralable

(modle global du signal) ou identifi de faon squentielle
l'aide d'algorithmes adaptifs . La dtection du changement est alors ralise sur l'erreur de prdiction en testant
son loignement de l'hypothse bruit blanc ou, en tudiant
les proprits de franchissement d'un seuil par l'erreur de
prdiction linaire plus apte dtecter les non-stationnarits brves . Selon la rapidit de convergence de l'algorithme, un saut plus ou moins brutal pourra tre dcel sur
l'nergie de l'erreur de prdiction linaire, celui-ci sera
rvlateur de la prsence d'une non-stationnarit locale,
autrement dit d'un dfaut sur l'engrenage .

334
Traitement du Signal

p ak x n
k=1

volume 8 - n 5

Dtection de dfauts d'engrenages par analyse vibratoire

Dans le cas de signaux non stationnaires [26], il est

impratif de tenir compte de l'volution des caractristiques, du systme tudi dans le temps . En gnral cette

adaptation consiste mettre l'accent sur les donnes les

plus rcentes . Un moyen de raliser cela est l'introduction
d'une fentre glissante dlimitant ainsi les donnes
analyser, ou un facteur d'oubli permettant d'estomper les
donnes lointaines au profit des donnes rcentes . Il existe
une grande varit de critres et algorithmes possibles ;
ceux-ci dpendent des applications et des hypothses
retenues .

Le critre testant l'hypothse de sphricit H est dans ce

cas [28]
*I1/2N
)1/2PN .

Il

p
Dans le cas pratique une estimation 1 e de 1 peut tre
obtenue comme

suit :

( X i - ) (X. - )T,

e =

vient donc que 11. * I = i e ' 1 1 .

Il existe plusieurs manires de calculer le critre du test de
sphricit . Toutefois il en existe une qui mrite d'tre
expose ici . Il s'agit de l'exploitation de la dcomposition
d'une matrice de covariance d'ordre p, soit la relation
R -1 =

ap 2 0
ap z 1

0
[Ap Ap - 1 . . . Ao]

[APAP-1 . . . Ao] T
0

i
p

. I 1/P
- IY
= 1
Tr 1

... a- 2

(3 .3 .3)
o R est la matrice de covariance dfinie comme suit
Po P1
P1 Po

R=

PP

o p i = E [Xj X~ +, ]
d'ordre i

. . . Po

et A, reprsente le rgresseur

(3 .3 . 1)

... 0

ag 1

... 0

[Ap AP - 1 . . . Ap] =

D'une manire gnrale l'hypothse H est plus souvent

nonce sous la forme : 1 = u2 y.0, o nous disposons des
observations X 1 , X2, . . ., XN de .N' (, 1) et 10 une matrice
de covariance spcifie . Il est ais de revenir la premire
formulation . En effet, soit T une matrice telle que
TEO TT = I, oprons les changements de variables suivants
W* = T N ,

.. . 0

3 .3 . TEST DE SPHRICIT

~ )i p

I * = TITT ,

Xi* = TXi

une telle matrice existe car 10 est une matrice de covariance, donc positive . Alors Xi , . . ., XN sont des observations de .NV ( *, 1 * ), et l'hypothse de sphricit H se
reformule donc comme suit : I * = u21 . Sous cette forme
le test de sphricit apparat comme la combinaison de
deux hypothses, la premire tant l'indpendance des
composantes des vecteurs alatoires X i (I matrice diagonale) . La seconde concerne les lments diagonaux de Y
qui doivent tre gaux, autrement dit les variances des
composantes alatoires de X i sont gales .

_ aPPaPP- 11

.. 1

et o la variance correspondant au modle autorgressif

d'ordre i . Il vient donc que le dterminant de R se calcule
comme suit :

i=P

= fl a? . Le critre de sphricit (3 .3 .2)

/=o
s'exprime alors aisment en exploitant cette dernire
formule, en effet soient R1 et R2 deux matrices de
covariance d'un processus alatoire, alors le critre de
sphricit testant l'hypothse H entre ces deux matrices
s'crit en dcomposant R 1 selon (3 .3 .3) et en prenant dans
(3 .3 .2) pour matrice de passage
I

u 11 0

. .. 0
1
... p
aP - 1, 1

T=
0

335
Traitement du Signal

il

=1

La structure en treillis est souvent utilise car plus facile

mettre en oeuvre mais aussi et surtout parce qu'elle facilite
le test de stabilit du modle (les coefficients de rflexion
k . doivent tre infrieurs 1 en module), particulirement
lorsque celui-ci est variable dans le temps . L'adaptation
s'effectue par l'introduction d'un facteur d'oubli exponentiel X (0 < X . 1), ceci est prfrable la fentre glissante,
avec laquelle le risque encouru est la rception et l'expulsion de la fentre d'informations quivalentes et cela au
mme instant ; il s'en traduirait videmment un effet nul
sur l'volution des paramtres du modle .

Le test de sphricit [28] constitue un test d'hypothse

d'galit de deux matrices de covariance de deux processus
alatoires gaussiens indpendants . Plus prcisment tant
donn N vecteurs d'observations X 1 , X 2, . . ., XN de dimensionp d'un processus alatoire gaussien X (, Y
.), il s'agit
de tester l'hypothse, H : 1 = a 2 I, o I est la matrice
identit de dimension p, a 2 un facteur de proportionnalit .
L'hypothse H est vrifie si et seulement si les racines
4 i de l'quation : I l - 4)11 = 0 sont identiques [28] . Cette
condition est quivalente dire que la moyenne arithmtique des racines 4 i est gale leur moyenne gomtrique,
soit

( 3 .3 .2)

Tr E *

volume 8 - n 5

ao-0,11

ap

..

. ap-1

echerches
Dtection de dfauts d'engrenages par analyse vibratoire

on obtient la formule suivante pour l'estimation du critre

(3 .3 .3) :

T, Application la surveillance et la dtection de

1/2

R * 11/2
P12

Tr R *
P

dfauts dans les engrenages

,= Q? 2
p/2

Tr R *
L

(3 .3 .4)
4.1 . CONDITIONS D'ESSAIS

Les tests ont t effectus sur des bancs d'essai d'engrenages de grandeur industrielle du CETIM, fonctionnant
o R* = TR2 TT et cr2 i est la variance du modle d'ordre i,
24 h/24 h (fig . 16) . Le dimensionnement des roues de
appliqu la matrice de covariance j . La formule (3 .3 .3)
l'engrenage cment tremp, ainsi que les conditions de
est particulirement intressante, car elle suggre une
fonctionnement (vitesse, couple) sont fixs de faon
structure en banc de filtres, ralise partir de modles
obtenir un caillage sur toute la largeur d'une dent (qui
autorgressifs d'ordres croissants (1 p) . C'est tout
fixe la fin de l'essai, la rupture tant imminente) en
naturellement qu'une structure en treillis s'impose pour le
environ 15 jours . Tous les jours aprs l'acquisition des
calcul de la formule (3 .3 .4), l'estimation des diffrents
signaux vibratoires, le banc est arrt pour observer l'tat
paramtres du modle se faisant dans un ordre croissant
des dents de roues . Un rapport d'expertise est ainsi rdig .
selon l'algorithme de Levinson . Le test de sphricit a t
utilis pour comparer une matrice de covariance rfLes mthodes de traitements retenues ont t testes sur
rence estime sur un tour complet d'arbre une seconde
trois sries d'essais A, B, C . Les sries A, B correspondent
test estime sur une dure quivalente au temps
des essais sur un rducteur (engrenages cylindriques) de
d'engrnement d'une dent de l'engrenage . Ainsi pour rapport 20/21 . Les essais s'talent respectivement pour la
chaque dent nous pouvons calculer le test de sphricit
srie A et B sur 12 et 10 jours, avec l'enregistrement d'un
(3 .3 .4), et cela chaque tour de roue d'engrenage . Nous signal vibratoire par jour . Quant la srie C, elle s'tale
sommes donc en mesure d'tablir une statistique du critre
sur cinq jours, et correspond un rducteur 16/16. Le
en fonction des diffrentes dents de l'engrenage et de
tableau I, rsume les observations des experts . La gravit
tracer des courbes COR (caractristiques oprationnelles
du dfaut, ici de l'caillage, est proportionnelle la
du rcepteur) qui donneront une ide de l'efficacit de ce
surface de couche superficielle arrache . En effet, dans ce
dtecteur.
type d'engrenages, la couche superficielle des dents est
Tableau 1. - Rsum du rapport d'expertise .

336

Traitement du Signal

volume 8 - n 5

I?

echerches
Dtection de dfauts d'engrenages par analyse vibratoire

durcie . La destruction de cette couche conduit la rupture

des dents . Chaque enregistrement est accompagn d'un
second signal, top-tour, enregistr simultanment avec le
signal vibratoire, pour pouvoir reprer le dbut de chaque
tour de roue et numroter les dents . La dent N 1 est celle
qui engrne au dclenchement du top-tour .

4 .2. ANALYSE SPECTRALE

Toutes les estimations spectrales ont t effectues sur un
tour d'arbre, soit environ 600 chantillons . Les figures 1
9 reprsentent des superpositions de 10 spectres, calculs
sur 10 tours conscutifs, avec respectivement les mthodes
de Capon
1, 2, 3), Lagunas
4, 5, 6), AR
7,
8, 9) .

(fig .

(fig.

(fig.

Les dfauts tant caractriss par des non-stationnarits

locales sur le signal vibratoire, les spectres estims par les
diffrentes mthodes n'ont pas pu mettre en vidence des
variations caractrisant le dfaut, hormis les cas de dgradations avances, o les fluctuations du spectre d'un tour
l'autre sont apprciables . Ceci tait prvisible, du fait que
la non-stationnarit se situe l'chelle de la dent et non du
tour. Cette analyse a permis cependant de constater le
caractre trs harmonique du signal vibratoire analys
ainsi que sa stationnarit globale (d'un tour l'autre) ; ceci
est d'autant plus remarquable sur les spectres estims par
les mthodes de Lagunas et Capon .

Figure 2. - Analyse Spectrale,

Srie B Mthode de CAPON
Superposition de 10 Spectres
Ordre du filtre : 30,
Jour : 5 Fentre Analyse = 600 ch.

Figure 1 . - Analyse Spectrale,

Srie A Mthode de CAPON
Superposition de 10 Spectres
Ordre du filtre : 30,
Jour : 6 Fentre Analyse - 600 ch .

Figure 3. - Analyse Spectrale,

Srie C Mthode de CAPON
Superposition de 10 Spectres
Ordre du filtre : 30,
Jour : 2 Fentre Analyse - 600 ch .

337

Traitement du Signal

volume 8 - n 5

echerches
Dtection de dfauts d'engrenages par analyse vibratoire

Figure 4 . - Analyse Spectrale,

Srie A Mthode de LAGUNAS
Superposition de 10 Spectres
Ordre du filtre : 30,
Jour : 6 Fentre Analyse = 600 ch .

Figure 6. - Analyse Spectrale,

Srie C Mthode de LAGUNAS
Superposition de 10 Spectres
Ordre du filtre : 30,
Jour : 2 Fentre Analyse .-.. 600 ch .

Figure 5 . - Analyse Spectrale,

Srie B Mthode de LAGUNAS
Superposition de 10 Spectres
Ordre du filtre : 30,
Jour : 5 Fentre Analyse - 600 ch .

Figure 7 . - Analyse Spectrale,

Srie A Mthode AUTORGRESSIVE
Superposition de 10 Spectres
Ordre du filtre : 60,
Jour : 6 Fentre Analyse - 600 ch.

338

Traitement du Signal

volume 8 - n 5

echerches
Dtection de dfauts d'engrenages par analyse vibratoire

Toutefois cette tude spectrale semble montrer que la

mthode de Lagunas peut tre intressante dans le cadre
de la surveillance de machines tournantes (les signaux
exhibent un caractre trs harmonique), o il s'agit
souvent de suivre de faon prcise l'volution de raies
particulires, en amplitude et en frquence, car elle
permet d'obtenir des spectres lisss et de bonnes rsolutions en amplitude et en frquence . Quant l'analyse
spectrale autorgressive elle exhibe des spectres trop
chahuts en amplitude pour qu'ils puissent faire l'objet
d'une analyse prcise ; par contre la rsolution frquentielle, comme attendu, est nettement meilleure avec cet
estimateur.

4 .3. DTECTION DE NON-STATIONNARITS LOCALES

Les figures 10, 11, 12 reprsentent sur deux tours d'arbre
les signaux vibratoires des trois sries A, B, C et les
nergies de l'erreur de prdiction linaire correspondantes
estimes par un modle AR d'ordre 30, avec facteur
d'oubli X = 0 .995, sous une version treillis ; respectivement avant l'apparition d'un dfaut, juste lors de son
apparition et lorsque celui-ci a volu .

Figure 8. - Analyse Spectrale,

Srie B Mthode AUTORGRESSIVE
Superposition de 10 Spectres
Ordre du filtre : 60,
Jour : 5 Fentre Analyse -- 600 ch .

Pour la srie A, qui s'tale sur 12 jours, le dfaut sur la

dent 16 est trs net le dernier jour (12e), le 10e jour on
note un saut de l'nergie de l'erreur de prdiction linaire
au voisinage de la dent 16, mais celui-ci est peu marqu .
La srie B qui compte 10 jours, a t caractrise par
l'apparition de dfauts sur plusieurs dents . Le 6e jour,
nous notons un saut de l'nergie de l'erreur de prdiction ;
au niveau de l'engrnement des dents 14-16, mettant en
vidence un dfaut au voisinage de ces dents pour la srie
C, le lger dfaut qui n'a pas volu de faon significative
n'a pu tre mis en vidence ; nous n'avons constat aucun
saut notable au niveau de l'nergie de l'erreur de prdiction linaire, il apparat donc que les dfauts lgers sont
difficiles mettre en vidence par cette mthode .

4.4 . TEST DE SPHRICIT

Les matrices de covariance rfrence et test ont t
respectivement estimes sur un tour complet d'arbre
(environ 600 chantillons) et 1/20 de tour d'arbre (1/16
dans le cas de la srie C prleve sur un rducteur 16/16)
correspondant l'engrnement d'une dent . Sur chaque
tour sont donc effectus 20 tests de sphricit (16 dans le
cas de la srie C) . Pour les trois sries, les courbes COR
ont t traces en calculant le test de sphricit sur
500 tours conscutifs, et ce pour chaque enregistrement
journalier.
Nous prsentons ici des courbes COR (fig . 13, 14, 15),
attestant des performances de notre dtecteur bas sur le
test de sphricit . Les courbes COR dduites de l'analyse
des signaux vibratoires, offrent des performances remarquables puisque nous avons t capable de dtecter les
dents dfaillantes, au plus tard le jour d'apparition du
dfaut indiqu par les experts . Mis part la srie C, avec
laquelle nous avons obtenu les meilleures performances, la
dtection de la dent dfectueuse se faisant ds le premier

Figure 9 . - Analyse Spectrale,

Srie C Mthode AUTORGRESSIVE
Superposition de 10 Spectres
Ordre du filtre : 60,
Jour : 2 Fentre Analyse = 600 ch .

339

Traitement du Signal

volume 8 - n 5

echerches
Dtection de -dfauts d'engrenages par analyse vibratoire

SIGNAUX VIBRATOIRES
MODELISATION AR(30) ADAPTATIVE

volution des signaux et de l'nergie de l'erreur sur deux tours

' Figure 13. - Test de Sphricit

Srie A Courbe COR,
Dimension de la Matrice
de Covariance = 2

340

Traitement du Signal

volume 8 - n 5

Arw

eeherches
Dtection de dfauts d'engrenages par analyse vibratoire

Figure 15. - Test de Sphricit

Srie C Courbe COR,
Dimension de la Matrice
de Covariance = 2

Figure 14 . - Test de Sphricit

Srie B Courbe COR,
Dimension de la Matrice
de Covariance = 2

1f :

Orifice

2> :

Rampe

3c' :

Vers

de
de

rampe

de lubrification

lubrification

indicateur

de

des

sous pression

des

dentures

paliers

couple

Figure 16. - Banc d'essai du CETIM .

341

Traitement du Signal

volume 8 - n 5

echerches
-

Dtection de dfauts d'engrenages par analyse vibratoire

jour (3e jour pour les experts), les sries A et B offrent des
courbes COR lgrement moins performantes . Cependant
il est utile d'en mentionner la cause essentielle . Il est
apparu en effet qu'une dent sujette un dfaut pouvait
voir son tat s'amliorer au cours du temps, et se
comporter donc comme une dent saine nouveau . Ce
phnomne amoindrit l'efficacit des courbes COR, puisque pour leur estimation nous ne tenons pas compte de
cette ventualit, car elle est difficile apprcier et
quantifier. Ceci explique donc la moins bonne performance des courbes COR sur les sries A et B o nous
avons t confront ce problme (dent 2 pour la srie A,
3 pour la srie B) .
Deux courbes COR sont disponibles pour chaque srie de
signaux . La premire est dduite de l'analyse des rsultats
du dtecteur ainsi que des observations des experts ; la
seconde tient compte uniquement des apprciations de ces
derniers . Il est noter que pour les trois sries A, B, C ; la
premire courbe se situe au-dessus de la seconde montrant
ainsi l'aptitude de notre dtecteur oprer des dtections
prcoces, autrement dit la capacit de dtecter des anomalies non visibles l'oeil nu . Cela est particulirement le cas
pour la srie B, o la dent 14 subit une rupture au
10e jour, suite une fissure interne en sous-couche, donc
non visible l'oeil nu ; notre dtecteur incrimina la dent en
question ds le 8e jour . La mme performance est noter
sur la srie C, o la dent 5 est apparue dfaillante au
leL jour pour notre dtecteur et seulement au 3e jour pour
les experts .
Les courbes COR prsentes sur les figures 13, 14, 15
donnent une ide de l'efficacit de ce dtecteur qu'est le
test de sphricit . Par la mme, elles indiquent qu'il est
parfaitement possible de choisir un seuil optimal (qui
maximise la dtection et minimise la fausse alarme) . Il faut
noter aussi qu'il est tout fait possible de fixer le seuil en
fonction de la gravit du dfaut que l'on veut dtecter .
Reste souligner l'extrme simplicit de mise en oeuvre de
ce dtecteur, ainsi que son efficacit, prouve par les
courbes COR estimes . Les calculs sont simples et un
ordre p = 2 donne dj d'excellents rsultats (rsultats
produits ici) .

Conclusion
Cette tude a t consacre, la dtection prcoce de
dfauts dans des machines tournantes par analyse de
signaux vibratoires . En particulier, nous nous sommes
intresss la dtection de l'caillage dans des rducteurs
engrenages . 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 et l'emploi de descripteurs de signaux tels les
valeurs RMS, Kurtosis, . . . ne sont pas efficaces . Nous
avons donc test des mthodes de traitement du signal
rputes plus performantes pour dtecter ce type de

dfauts, caractriss l'tat prcoce, par des non-stationnarits locales lors de l'engrnement des dents .
Tout d'abord, des techniques d'analyse spectrale haute
rsolution (Capon, Lagunas, AR) ont t appliques pour
analyser en dtail d'ventuelles volutions spectrales .
Aucune variation significative, corrle aux dfauts n'a t
observe . Toutefois, il semblerait que la mthode de
Lagunas soit bien adapte la surveillance d'harmoniques
sur des machines tournantes, o il est requis une bonne
rsolution en amplitude et en frquence ; la mthode de
Lagunas satisfait pleinement ces deux conditions .
Deux types de mthodes de dtection de non-stationnarits ont t appliques . Les mthodes bases sur l'analyse
de l'erreur de prdiction linaire d'un modle autorgressif
d'ordre 30 (cet ordre a t retenu car le spectre des signaux
vibratoires exhibe une quinzaine d'harmoniques) . La mise
en vidence des dfauts, matrialise par des sauts de
l'nergie de l'erreur de prdiction a t possible sur
certains signaux, mais hlas cette dtection n'est pas
systmatique . Par ailleurs la conception d'un dtecteur
bas sur le saut de l'nergie de l'erreur de prdiction n'est
pas a priori une tche aise .
Le test de sphricit a par contre donn des rsultats
remarquables . Dans tous les cas, nous avons t capables
de faire une dtection prcoce des dfauts . Les courbes
COR attestent de l'efficacit de ce dtecteur . Ces rsultats
suggrent aussi l'tude d'un dtecteur bas sur la comparaison de modles autorgressifs l'aide de distances
appropries, l'un estim sur un tour, le second estim sur
le signal quivalent la dure de l'engrnement d'une
dent. Cette tude est actuellement en cours et les premiers
rsultats sont fort satisfaisants .
Manuscrit reu le 26 .6 .91 .

BIBLIOGRAPHIE

Les diffrents aspects des dentures d'engrenages

aprs fonctionnement , CETIM Information, n' 104, pp . 3643, fvrier 1980 .
[2] L . FAURE, Engrenages cments tremps : dtermination de la
pression limite de fonctionnement , CETIM Information,
n' 104, pp . 53-63, 1988 .
[3] L . FAURE, Micro Surface Damages on Tooth Flanks of
Carburized Gears , Confrence AGMA, New Orleans, USA,
FTM4, October 88 .
[4] R . B . RANDAL, Machine Health Monitoring by Analysis of
Accelerometer Derived Signais , Fase 84, invited paper,
pp . 13-29, 1984 .
[5] J . F . GAILLOCHET, Mthodes de surveillance de l'tat mcanique des machines au moyen de l'analyse des vibrations , Revue
d'Acoustique, n' 57, pp . 82-91, 1979 .
[6] P . PAPIN, Vibrations de rducteurs et multiplicateurs : mthodes modernes de diagnostic, remdes possibles , Journes
d'tudes sur l'Engrenage, mai 1979 .
[7] R . M . STEWART, Some Useful Data Analysis Techniques for
Gearboxes Diagnosis , Time Series Symposium, Southampton,
pp. 18 .1-18 .19, 1977 .
[8] R . M . STEWART, The Specification and Development of
Standard for Gearboxes Monitoring , Proc . Instr. Mech . Eng .,
pp. 353-358, 1980 .
[1] T . DANG,

342
Traitement du Signal

volume 8 - n 5

Dtection de dfauts d'engrenages par analyse vibratoire

[9] P . D. Mc FADDEN, Detecting Fatigue Cracks in Gears by

Amplitude and Phase Modulations of the Mesching Vibrations , Journal Viv . Acc. Stress, vol . 108, pp . 165-170, 1986 .
[10] D . B . PAPE, D . R. HousE, Signal Processing for Detection of
Gear Manufacturing Discrepancies , NOISE-CON Conf .,
Columbus Ohio, pp . 305-312, June 1985 .
[11] E . BARON, B . FAVRE, Analysis of Relation Between Gear
Noise and Transmission Error , INTERNOISE, Avignon,
pp. 611-614, September 1988 .
[12] G . GARCIN, Diagnostic d'organes mcaniques d'automobiles
par l'analyse acoustique et vibratoire , Journes CETIMGRECO TdSI, Senlis, pp . 167-177, 7-8 mars 1990 .
[13] L . F . PAU, Failure Diagnosis and Performance Monitoring ,
Dekher, Inc ., New York, 1981 .
[14] S . M. PANDIT and ALL, Application od Data Dependant
Systems to Diagnosis Vibration Problems , Journal of Mechanical Design, vol . 102, pp . 233-241, April 1980 .
[15] S . M . PANDIT and ALL, A Data Dependant Systems Strategy of
On-line Tool Wear Sensing , Journal of Engineering for
Industry, vol . 104, pp . 217-223, August 1982 .
[16] S . Y . LIANG and D . A . DORNFELD, Toll Wear Detection Using
Time Series Analysis of Acoustic mission , Journal oflngineering for Industry, vol . 111, pp. 199-205, August 1989 .
[17] W . GERSH, Two Applications of Parametric Time-Series
Modelling Methods in Mechanical Signature Analysis , Edited
by S . Braun, Academic Press, pp . 288-217, 1986 .
[18] G. LEVEY, Analyse modale et surveillance vibratoire de
machines tournantes , Thse de Doctorat, Universit de
Rennes, septembre 1988 .
[19] M . BASSEVILLE, A . BENVENISTE, Surveillance et Diagnostic
l'Aide de Modles : tude en Mcanique des Vibrations ,

Journes CETIM-GRECO TdSI, Senlis, pp . 97-1147, 8 mars

1990 .
[20] D . GARREAU et P . FLANDRIN, Le non-stationnaire en mcanique . Position du problme . Point sur les diffrentes mthodes
existantes , CETIM-GRECO TdSI SENLIS, pp . 75-96 7-8,
mars 1990 .
[21] J . CAPON, High Resolution Frequency Wavenumber Spectrum
Analysis , Proc .-IEEE, Vol . 57, pp . 1408-1418, August 1969 .
[22] R. T . LACOSS, Data Adaptive Spectral Analysis Methods ,
Geophysics, 36, pp . 661-675, 1971 .
[23] M . A . LAGUNAS, M . E. SANTAMARIA, A . GASULL, A . MORENO,
Maximum Likelihood Filters in Spectral Estimation Problems , Signal Processing, Vol . 10, n' 1, pp . 19-34, 1986 .
[24] S . M . KAY, S . L . MARPLE, Spectrum Analysis : a Modern
Perspective , Proc . IEEE, Vol . 69, pp . 81-87, November 1981 .
[25] S . M . KAY, Modem Spectral Analysis : Theory and Applications , Prentice Hall, Englewood Cliffs, New Jersey, 1988 .
[26] Y . GRENIER, Modles ARMA coefficients dpendant du
temps : estimateurs et applications , Traitement de Signal,
Vol. 3, n' 4-5, pp . 219-233, 1986 .
[27] M . BASSEVILLE, Detecting Changes in Signais and Systems : a
Survey , Rapport IRISA, n' 351, Rennes, 1987 .
[28] T . W . ANDERSON, An Introduction to Multivariate Statistical
Analysis , Wiley Publication in Statistics, pp . 259-262, 1958 .
[29] R . SCHMIDT, Multiple Emitter Location and Signal Parameter
Estimation , Proc . RADC Spectrum Estimation Workshop,
pp . 243-258, 1979 .
[30] R. KUMARESAN, D . W . Tur rs, Estimating the Angles of Arrival
of Multiple Plane Waves , IEEE Trans . on Aerospace & Elec.
Syst ., Vol . 19, n' 1, pp . 134-139, 1983 .

343
Traitement du Signal

volume 8 - n 5