117

Analyse vibratoire : Amlioration du diagnostic

manuel par lamlioration de deux
paramtres : le PeakVueTM et le coefficient
dautocorrlation

Ing. P. COLON
ISICHt MONS

Dans le cadre conomique actuel, la maintenance prdictive occupe une

place de plus en plus importante dans le monde industriel et lanalyse
vibratoire en est un outil essentiel. Cet article a donc pour objet de
dvelopper deux nouvelles techniques vibratoires et de dterminer leur
domaine dutilisation et leur efficacit.
Mots-cls : Analyse vibratoire, spectre, frquence, maintenance prdictive,
dfaut, roulement, PeakVueTM, cfficient dautocorrlation.

In regard to the present economy, predictive maintenance gets more and

more importance in the industrial world and vibration analysis is an
essential tool. This article has for goal to develop two new technical
vibrations and to determine their using field and their efficiency.
Keywords : Vibratory analysis, spectrum, frequency, predictive
maintenance, defect, bearing, PeakVueTM, Autocorrelation coefficient.
 118

1. Introduction
Dans le domaine de la maintenance prdictive, lanalyse vibratoire est un
outil majeur pour le diagnostic de dfaut. Pour cette raison, un travail de
recherche a t ralis au sein de la jeune socit I-Care, spcialise et
reconnue dans le domaine de la maintenance prdictive, au sujet de deux
nouvelles mthodes dont le but est damliorer le diagnostic. Ces deux
techniques ont t dveloppes par la socit Emerson1 et sont : le
PeakVueTM et le coefficient dautocorrlation.

La premire consiste en une analyse vibratoire dans le domaine spectral

permettant le diagnostic des dfauts de hautes frquences et/ou des dfauts
naissants avant quils naient une quelconque incidence sur le rendement de
la production. Cette technique possde plusieurs paramtres. Le travail aura
pour objectif de dterminer la combinaison idale de ceux-ci en fonction des
diffrents types de machines analyses.

Le but de la seconde mthode est doffrir aux personnes utilisant lanalyse

vibratoire un nouvel outil leur permettant une efficacit, une rapidit et une
prcision accrues dans les rsultats. Cette technique permettrait de
dterminer la prsence dun dfaut ventuel partir dune reprsentation
particulire des donnes rcupres. Ce travail aura donc pour but den
comprendre la thorie et de tester la technique en pratique afin den tirer un
maximum dinformations et de conclusions.

Il est important de prciser que toutes les recherches ont t effectues

laide du matriel et des techniques utilises par les employs dI-Care.
Deux outils primordiaux (le collecteur de donnes 2130 ainsi que le logiciel

1
Emerson Process Management : Socit base aux Etats-Unis proposant
de larges gammes de produits et des solutions dautomatisation aux
entreprises. Une alliance stratgique lie I-Care cette entreprise.
 119

danalyse de ces donnes Machinery Health Manager = MHM) permettent

dafficher trois graphes distincts permettant la dtection des dfauts :

- La forme donde (= les donnes brutes issues du capteur) Domaine

- Le coefficient dautocorrlation temporel
- Le spectre ou le spectre sous sa forme PeakVueTM Domaine
frquentiel

2. PeakVueTM :
Comme dit prcdemment, le PeakVueTM est une mthode de reprsentation
et de transformation du spectre dveloppe par la socit Emerson
permettant de dtecter des dfauts naissants et/ou des dfauts de hautes
frquences.
Il est possible den faire varier plusieurs paramtres mais jusqu prsent I-
Care utilise la configuration unique conseille par la socit cratrice de
cette technique, sans quelle nait jamais t rellement ni explique, ni
justifie.
Le premier but de ce travail est donc de tester tous ces paramtres aprs les
avoir dfinis correctement afin de choisir la configuration optimale pour
certains types de machine. Nous allons donc commencer par dcrire
brivement cette mthode ainsi que les diffrents paramtres afin de
comprendre leur raison dtre.

2.1. Le fonctionnement du PeakVueTM :

Avant toute chose, la premire question se poser est : quel est la

problmatique davoir des dfauts naissants et/ou de haute frquence ? Il
faut savoir que la principale caractristique de ces dfauts est quils crent
des impacts trs courts et dgageant peu dnergie. Ces impacts sont en fait
trop courts et de trop haute frquence pour tre dtects lors dun
chantillonnage classique.
Les diffrentes tapes du PeakVueTM sont illustres sur le schma ci-
dessous. En effet, si on considre la sinusode de basse frquence comme
 120

tant la vibration intrinsque de la machine, les courtes oscillations

apparaissent clairement comme tant les impacts mettre en vidence.

Figure 1 - Les tapes du PeakVueTM

Le PeakVueTM est compos de 4 tapes :

1. Un filtre passe-haut pour liminer les basses frquences (= la
sinusode)
2. Un redressement pour densifier limpact
3. Un filtre passe-bas correctement calibr pour obtenir la courbe
enveloppe de limpact.

Si on effectue un chantillonnage classique ce stade, on nobtiendra aucun

rsultat probant comme illustr ci-dessous (les lignes verticales
correspondant chaque chantillon) :

A,t)

Figure 2 - Echantillonnage classique

 121

Chaque chantillon est compos de deux informations : lamplitude et le

temps (A,t)

4. La particularit du PeakVueTM est de raliser un scan 100kHz entre

chaque chantillon. Si une valeur suprieure est dtecte entre deux
chantillons, la valeur de lamplitude de lchantillon suivant sera
remplace par lamplitude maximale dtecte. (A,t) devient donc
(Amax, t). On parle donc ici de scan car on ne modifie que la valeur de
lamplitude laide dun comparateur.

(Amax,t)

Figure 3 - Scan du PeakVueTM

On est donc capable prsent de dterminer la priode du dfaut et donc sa

nature.

Cette dernire tape est la principale diffrence avec la technique de

lenveloppe car il sagit de la seule mthode effectuant ce scan et nous
permettant ainsi de mettre en vidence lamplitude maximale du dfaut.

2.2. Le choix des paramtres :

Il existe quatre paramtres du PeakVueTM permettant de faire varier la

manire dont est prise cette mesure :
1. Le nombre de lignes de rsolution de lchantillonnage initial ( la
prcision du spectre)
2. Le nombre de formes donde (bloc de donnes analogiques limit dans
le temps) pour calculer le spectre appel moyenne
 122

3. Les pr-filtres (= premire tape du PeakVueTM )

4. Le type de moyenne

Pour chacun de ces paramtres, il existe diverses valeurs au sein du logiciel

MHM qui offre au total 448 combinaisons possibles. Chacune a t teste
sur au moins 5 machines pour 3 catgories de celles-ci. Les machines dont
la vitesse de rotation est :
- V < 300 tr/min
- 300 tr/min < V < 1500 tr/min
- 1500 tr/min < V < 3000 tr/min

Par exemple, concernant le nombre de moyennes pour les machines dont la

vitesse est comprise entre 300 et 1500 tr/min, il est apparu quil tait plus
intressant de faire des mesures avec 5 moyennes plutt quavec 1 moyenne
comme Emerson le prconisait. Ceci est mis en vidence dans le graphe ci-
dessous.

Figure 4 Comparaison mesure avec 5 moyennes et configuration Emerson

On constate qu gauche, non seulement les pics sont plus fins, donc plus
prcis, mais en plus le bruit de fond a considrablement diminu. Il nest
cependant pas intressant de raliser des mesures avec encore plus de
moyennes car dans ce cas, les temps de mesure et de traitement augmentent
 123

de manire importante alors que le gain au niveau du spectre nest pas

marquant (on peut passer de quelques secondes plusieurs minutes pour
prendre une mesure).

2.3. Combinaisons optimales :

En ralisant une dmarche similaire pour chaque paramtre, il a t possible

de dterminer une configuration optimale pour chaque type de machine.
Elles ont t rsumes dans un tableau rcapitulatif permettant aux
employs dI-Care de les appliquer facilement. La mthode danalyse tant
purement pratique et visuelle, la dmarche doptimisation du paramtre est
elle aussi base sur laugmentation de la lisibilit du graphique (donc le gain
de prcision ou la diminution de bruit de fond, par exemple) par rapport au
temps pris pour faire chaque mesure.

De plus, bien quon ait prsent la meilleure configuration, il est important

de prciser que celle dEmerson tait universelle. En effet, elle ntait pas
idale dans tous les cas mais permettait dobtenir des rsultats satisfaisants
dans de nombreuses situations.

3. Le coefficient dautocorrlation :
Lors dune mesure classique de vibration sur une machine tournante, la
mesure et lacquisition dun bloc de donnes analogiques limit dans le
temps sont effectues. Ce bloc appel forme donde est transform en
donnes spectrales laide de la transforme de Fourier. Lanalyse cible
ensuite principalement les donnes spectrales pour dtecter des dfauts
ventuels.
En plus de cette technique, un paramtre danalyse calcul partir du bloc
de donnes brutes, nomm coefficient dautocorrlation, peut tre utilis. Ce
coefficient, par ailleurs largement utilis en statistique, a t dvelopp pour
lanalyse vibratoire afin de permettre lidentification des :
1. Dfauts apparaissant un bas niveau priodique.
2. Dfauts priodiques ou alatoires.
3. Dfauts sur base de la forme du graphique.
 124

3.1. Dfinitions mathmatiques :

La force thorique du coefficient dautocorrlation dfini ci-aprs rside

dans sa capacit identifier des vnements bas taux de rptition avec
une basse amplitude. Une autre force est sa capacit sparer les
vnements priodiques des vnements alatoires.
Soit le signal vibratoire x(t). La fonction dautocorrlation Rx() pour un
retard est dfinie par :

lim 1 + t max
Rx ( ) = x(t ) x(t + )dt
2t max t max
t
max

Il sagit de lexpression continue de la fonction dautocorrlation.

1 1
Notons que la prsence du rapport 2t = + t (t ) est justifie par la
max max max
volont de normaliser la fonction. Il est gal linverse de la diffrence des
bornes de lintgrale. Cette diffrence reprsente la largeur du bloc de
donnes.
Une valeur dautocorrlation leve, pour un retard dtermin, signifie que
le signal est priodique avec ce retard comme priode. Pour chaque
variation du retard, la valeur dautocorrlation variera.
En pratique, la prise de mesure est limite dans le temps et un
chantillonnage est effectu.
lim
La limite t de la formule thorique perd alors tout son sens.
max

La formule discrte correspond par dfinition lexpression finie dans le

temps.
Pour N chantillons, le retard maximum que nous pouvons atteindre est de
N/2. En effet, le principe est de comparer un chantillon avec un chantillon
dcal dun temps de retard, donc, si nous dpassons cette valeur de N/2,
nous sortirons du domaine des chantillons mesurs.
 125

Par exemple, si nous comparons le N/2me chantillon avec son

correspondant, un retard de N/2 aprs, nous aurons le Nme chantillon. Il
sagira donc du dcalage maximum que lon pourra calculer. Cette situation
est schmatise la page suivante.

Figure 5 - Illustration du temps de retard maximum

N/2 tant le retard maximum, seuls les N/2 premiers chantillons sont
traits, ce que lon pourra aussi constater sur le graphe de lautocorrlation
car lchelle de temps vaut la moiti de celle de la forme donde (voir
observations pour chaque dfaut).
 126

Voici donc lexpression discrte de lautocorrlation utilise pour N

chantillons :
N

R ( j ) = xi xi + j
2 2
N i =1
Avec
N N
i = 1,2,K et j = 0,1,...,
2 2
xi = x(t = it ) ,
xi + j = x(t = [i + j ]t ) ,
Sous son expression discrte, lintgrale devient une somme car le nombre
dchantillons de mesure est limit. La somme va donc de i = 1
(lchantillon un temps nul nexistant pas en pratique), i = N/2
(puisquon ne peut pas dpasser le N/2me chantillon). En outre, comme
1
nous avions prcdemment un coefficient 2t devant lintgrale, nous
max

1 1 2
avons prsent un rapport = = qui reprsente toujours la largeur
N N N
0
2 2
du bloc de donnes.
A partir de lexpression discrte de la fonction dautocorrlation ci-dessous,
N

R ( j ) =
2
2
xi xi + j
N i =1
il est possible de montrer que la valeur de R ( o ) )est la variance :
N N
2 2 2 2
R ( ) = xi xi = xi2
N i =1 N i =1
La srie somme R ( j ) peut avoir des valeurs positives et ngatives (sauf
quand j=o ) et donc aucune de ses valeurs ne peut tre suprieure R ( o ) ,
qui est par dfinition, la variance. Cette proprit introduit donc une
nouvelle fonction appele coefficient dautocorrlation dfinie par :
 127

R( j )
A( j ) =
R( o )
Avec A( o ) = 1.0 et - 1.0 A( j ) 1.0
Car R ( j ) R ( o ) pour tout j = 0,1,..., N
2
Cest le coefficient dautocorrlation A( j ) et non la fonction
dautocorrlation R ( j ) qui est utilis comme outil dinterprtation des
donnes de vibration.

Nous pouvons justifier la reprsentation graphique du coefficient

dautocorrlation. En ordonne, sa valeur est comprise entre -1.0 et 1.0
puisquil est calcul en faisant la somme des produits R ( j ) de lamplitude
de deux chantillons divise ensuite par la variance R ( o ) qui est la valeur
maximale. Il suffit alors de calculer la racine carre de la valeur absolue de
lordonne pour connaitre linfluence exacte de lnergie fournie par le
dfaut au sein de la forme donde.

En abscisse, nous avons les diffrentes valeurs de retard puisquil sagit de

la variable de la formule. Donc, si une priode particulire est mise en
vidence, nous aurons un pic cette valeur.
Pour un retard gal un multiple de , nous aurons nouveau un pic, ce qui
signifie donc que nous aurons une srie de pics espacs de .

Sur le graphe ci-dessous correspondant un signal dun dfaut de piste

externe, la prsence de pics espacs de linverse de la frquence
caractristique de ce dfaut (=1/BPFO = Ball Pass Frequency Outer Race)
est observable.
 128

1/BPFO

Figure 6 Coefficient dautocorrlation dun dfaut de piste externe

En ordonne, nous avons lchelle de -1.0 1.0 et en abscisse, le retard en

msec.

Pour le retard correspondant 1/BPFO, nous avons un pic important. Ceci

signifie que nous avons un phnomne qui apparat systmatiquement
cette priode. Il est en de mme aprs 2, 3, 4, priode de ce dfaut.

De plus, les donnes priodiques de faible priodicit peuvent tre montres

de manire fort marque grce au coefficient dautocorrlation puisquun
pic lev la frquence correspondante sera alors visible, mme sil sagit
de trs basse frquence. Les donnes priodiques plus hautes frquences
sont beaucoup plus visibles en analyse spectrale quen autocorrlation car si
ces frquences sont trop leves, le signal risque dtre trop dense et donc
peu lisible.

Enfin, les proprits principales du coefficient dautocorrlation sont :

1. Pour des donnes priodiques avec pas (ou peu) de bruit, la valeur de
A( j ) approchera 1.0 j = priode des donnes priodiques.
 129

2. Pour des donnes alatoires, la valeur de A( j ) approchera 0 signifiant

quil ny a presque pas de composante priodique pour cette valeur.
3. Le niveau de A( j ) peut tre trs utile dans lidentification du type de
dfaut puisque si ce niveau est trs lev, cela signifie que la priode du
signal est fort marque, et il suffit donc de retrouver quel dfaut elle
correspond. En effet, avoir un haut niveau implique que la majorit de
lnergie de la forme donde provient du dfaut correspondant cette
priode.

3.2. Mthodologie :

Aprs avoir commenc par une phase de familiarisation avec le sujet grce
la lecture de lensemble des documents relatifs lautocorrlation, ltude
dun maximum de situations pratiques a pu dbuter dans le but den ressortir
les diffrents cas et la forme des graphes en fonction des dfauts quil est
possible danalyser avec ce nouvel outil.

Figure 7 - Mesure avec un 2130

Source : Brochure 2130 EMERSON

Au sein de la socit I-Care, lors de chaque analyse, lensemble des donnes

rcoltes est sauv sur support externe. Il est donc ais de reprendre ces
informations et de les retravailler par la suite. Le principe de ce travail a t
de travailler sur des dfauts diagnostiqus par les employs dI-care et ayant
ncessit une intervention, le but tant dobtenir les mmes conclusions que
ces derniers en utilisant uniquement le coefficient dautocorrlation. Ainsi,
 130

les recherches sont ralises sur des cas dont les dfauts sont connus et leur
prsence est confirme.

3.3. Observations immdiates :

Trs rapidement, il a t possible de faire diverses observations qui sont

apparues dans plus de 70% des 152 cas analyss. Ces lments sont trs
importants car ils permettent de dterminer le domaine dutilisation de ce
nouvel outil et de sy familiariser.

La premire constatation est que le facteur dautocorrlation est un outil

supplmentaire utile pour tout type de dfaut, et pas uniquement les dfauts
de roulement comme le prconise Emerson.
A linverse, rares sont les cas o cet outil seul est suffisant. En effet, les
trois reprsentations dun signal vibratoire sont utiliser de manire
complmentaire lors des analyses.

Ensuite, lautocorrlation ne permet pas de dterminer limportance du

dfaut. Cet outil nous donne la possibilit den connaitre linfluence par
rapport au reste et non son amplitude exacte. En effet, le coefficient
dautocorrlation reprsente la quantit dnergie (en pourcent) contenue
dans la forme donde due au phnomne priodique mis en vidence. Donc,
sans la forme donde, il est impossible de dterminer lamplitude exacte du
dfaut.

En outre, il ressort que, gnralement, lorsque le graphique du facteur

dautocorrlation est issu dune mesure sur laquelle on a appliqu la
technique PeakVueTM , soit aucune conclusion ne peut en tre dduite, soit
linformation qui en ressort nest pas fortement marque. Ceci est srement
d au fait que le PeakVueTM est utilis pour dtecter un dfaut naissant et
donc les ondes de chocs sont de faibles amplitudes ce qui ne favorise pas
leur visibilit dans le graphique du coefficient dautocorrlation.

De manire intuitive, on pourrait dire que lautocorrlation fonctionne un

peu comme un filtre qui nafficherait que la partie de la forme donde due
aux pics ressortant le plus dans le spectre, justifiant le fait que les dfauts
 131

naissants ne sont pas forts visibles avec ce coefficient. Cependant, il ne faut

pas perdre de vue que lautocorrlation est calcule partir de la forme
donde. Il sagit donc dune technique de filtrage de celle-ci. Son principe
mathmatique est de sommer des produits damplitudes de deux
chantillons espacs dune certaine priode. Ainsi, avec deux valeurs
leves, le produit restera lev ; inversement, avec deux valeurs faibles, le
produit restera faible ; enfin, avec une valeur leve et une faible la
priode suivante, ou linverse, le produit sera plus faible.

Toutes les valeurs changeant damplitude chaque priode vont alors tre
minores et seules les valeurs priodiques seront gardes, quelle que soit la
priode. Le signal final sera donc telle une image propre de la forme
donde dont tous les parasites alatoires seraient limins.

3.4. Observations pour chaque dfaut :

Dans ce chapitre, deux types de dfauts avec leurs graphes correspondants

seront dvelopps. Il est important de prciser que pour chaque cas, les trois
graphiques seront prsents et diverses caractristiques observes seront
mises en vidence telles que la prsence dune priodicit ou non, prsence
de pics, forme du signal,

Nous discuterons ici de la forme du graphique du coefficient

dautocorrlation et de la mise en vidence du dfaut grce cet outil et non
de la prsence ou non du dfaut et de son amplitude. En effet, tant donn
que pour tous les cas tudis lors de cette recherche, nous avons la certitude
de travailler sur un cas o le dfaut est prsent, il est inutile de discuter de
lamplitude du dfaut.

3.5. Dfaut de piste interne

Aucun lment particulier ne ressort de la forme donde. Le graphe est

relativement dense et on ne peut dtecter de priode particulire (fig. 8).
Dans le spectre, on observe trs clairement un pic la frquence
fondamentale suivi de ses harmoniques espaces de BPFI (= Ball Pass
Frequency Inner Race), ce qui est caractristique dun dfaut de piste
 132

interne. De plus, on peut avoir des bandes latrales espaces d1xRPM.

Lamplitude justifie une intervention.

Ces diffrentes caractristiques sont aussi observables dans le graphique du

coefficient dautocorrlation. En effet, on observe trs clairement des pics
espacs de BPFI et une modulation de frquence 1xRPM sur les graphes ci-
dessous.

Figure 8 - Forme d'onde et PeakVueTM d'un dfaut de piste interne

 133

Figure 9 - Coefficient d'autocorrlation d'un dfaut de piste interne

3.6. Dfaut de balourd

En observant la forme donde, on remarque directement et trs distinctement

un signal sinusodal de priode gale la vitesse de rotation. Ceci nous
indique que lon risque davoir un pic important 1xRPM dans le spectre et
il est fort probable que le dfaut prsent ici soit un balourd.

En effet, une sinusode aussi marque et de priode gale 1 ordre est

souvent signe de dsquilibre. Il est quand mme important danalyser le
spectre et le coefficient dautocorrlation pour certifier cette conclusion.

Lorsquon est dans un cas de dsquilibre, il y a toujours un pic important

1xRPM dans le spectre. De plus, on peut constater que seul ce pic est visible
et trs important. Ceci justifie le fait que la sinusode contenue dans la
forme donde soit aussi bien marque.

Tous ces lments sont encore une fois confirms par le graphique du
coefficient dautocorrlation qui affiche une sinusode presque parfaite, sans
 134

parasite et de haute amplitude montrant bien que ce dfaut influence

presque totalement le contenu du signal.

Donc, lors dun dfaut de balourd, le signal dautocorrlation est priodique

(1xRPM) et a normalement une forme sinusodale bien prononce comme
on peut le constater sur les graphiques ci-dessous.

Figure 10 - PeakVueTM et forme d'onde d'un dfaut de balourd

 135

Figure 11 - Coefficient d'autocorrlation d'un dfaut de balourd

Il est important de prciser que deux exemples sont prsents ici mais cette
technique peut sutiliser pour tous les dfauts apparaissant sur les machines
tournantes quon peut trouver en industrie.

Ci-dessous, la liste de lensemble des dfauts qui peuvent tre traits avec
cet outil :
- Jeu
- Balourd (ou dsquilibre)
- Piste interne, externe, de cage ou dlments roulants
- Engrnement
- Accouplement
- Lubrification
- Electrique

De plus, lorsque deux dfauts sont prsents simultanment sur une machine,
ils apparaissent tout deux dans le graphique du coefficient dautocorrlation.
En effet, le graphique est alors compos de lensemble des caractristiques
des deux dfauts. Cependant, celles lies au dfaut dont la prsence est la
plus importante apparaissent de manire plus marque.
 136

4. Conclusions :
Concernant le PeakVueTM , il est possible de montrer que la configuration
gnrale conseille par Emerson nest pas systmatiquement optimale. En
effet, ce travail met en vidence une nouvelle combinaison de paramtres
fournissant de meilleurs rsultats pour chaque type de machine.

Ces recherches permettent donc de nous rendre compte que la volont

dEmerson ntait sans doute pas de fournir la meilleure combinaison pour
chaque type de machine, mais plutt une configuration universelle. Les
employs dI-Care ont maintenant la capacit dutiliser les paramtres
idaux pour chaque cas, leur permettant damliorer leurs prises de mesure
et daccrotre leur efficacit lors de lanalyse des donnes.

Par ailleurs, ce travail permet de comprendre le fonctionnement thorique du

coefficient dautocorrlation et de faire le lien avec la pratique. Son tude
dbute par la comprhension approfondie de la thorie grce une collecte
dinformation importante car sans une interprtation thorique correcte, il
est impossible de raliser un travail pratique rigoureux.

Aprs cette recherche dinformations a dbut lanalyse des bases de

donnes fournies par I-Care. Grce celles-ci, laccent est mis sur de
nombreux lments parmi lesquels le fait que lanalyse de donnes ne peut
se faire avec cet outil seul. Il sagit donc dune conclusion importante qui ne
peut tre dcouverte quen utilisant intensivement le coefficient
dautocorrlation. Le coefficient dautocorrlation doit tre utilis comme
un instrument supplmentaire daide au diagnostic, au mme titre que le
spectre ou la forme donde.

Il faut prciser quil est toujours possible daller plus loin dans la rflexion.
Plusieurs voies dtudes se sont ouvertes et ce sur deux plans principaux :
- Le premier concerne lvolution des graphiques du coefficient
dautocorrlation en fonction de lvolution des dfauts.
 137

- Deuximement, il est possible dafficher le graphe du coefficient

dautocorrlation de manire circulaire. Peut-tre dautres
informations pourraient-elles maner de ce type daffichage ?

Figure 12 - Reprsentation circulaire du coefficient d'autocorrlation

Suite ces recherches et aux rsultats positifs quil en dcoule, on peut

affirmer que grce ces conclusions, lanalyse vibratoire utilisant ces deux
techniques est amliore et son efficacit sen voit accrue.
 138

5. Rfrences bibliographiques
[1] BENDAT, J. S., PIERSOL, A.G., Random Data: Analysis and Measurement
Procedures, Wiley-Interscience, 1971.
[2] BRION, F., Sminaire de vibration, I-Care, Mons, 2007.
[3] BRION, F., Les techniques de dtection des dfauts, la dmodulation et le
PeakVueTM , Formation, Emerson, document powerpoint, 2002.
[4] BRION, F., Advanced Vibration : Section 3 : PeakVueTM , Emerson,
document powerpoint, 2002.
[5] LIPSCHUTZ, S., Probabilits, cours et problmes, Paris, McGraw-Hill
Inc., (1973) 1982, coll. Srie Schaum .
[6] NUTTE, J.-C., Maintenance et vibration, cours de 1re Master, ISICHt,
Mons, 2007.
[7] ROBINSON, J. C., COLLETTE, A., Diagnostic Aid Provided By
Autocorrelation, Emerson, document pdf, 2006.
[8] ROBINSON, J. C., Autocorrlation as a diagnostic tool, Emerson,
document pdf, 2006.
[9] ROBINSON, J. C., Detection and Severity Assessment of Faults in Gear
Boxes from Stress Wave Capture and Analysis, Emerson,
http://www.mhm.assetweb.com/expertise/prodsupt.html.
[9] ROBINSON, J. C., BERRY, J. E., PeakVue reliability 2001 Conference,
Emerson, document pdf, 2001.
[10] Lautocorrlation, http://fr.wikipedia.org/wiki/Autocorrlation, 2008.
[11] Techniques digitales innovantes pour la dtection de dfauts de
roulement sur machines critiques et vitesse lente, CSI, 2001.
[12]La fonction dautocorrlation,
http://www.tsi.enst.fr/tsi/enseignement/ressources/mti/fractal/ node2.html