Vous êtes sur la page 1sur 68

République Algérienne Démocratique et populaire

 
Ministère de l’Enseignement Supérieur et de la Recherche Scientifique
Université A-MIRA Bejaia Faculté de technologie
Département de Génie Mécanique
 

  Mémoire de fin d’études


 
En Vue de l’obtention du diplôme de Master en Génie Mécanique,
DépartementOption
de Génie: Mécanique

Maintenance Industrielle

Sous le thème

Outils d'Analyse et du Diagnostic des Défauts de


Roulements et d'Engrenages

Réalisé par :
MESAOUDI Khaled

SLIMANI Sofiane
Soutenu le 14/06/2015 devant le jury :

Président : Mr R. LAGGOUNE

Examinateur : Mr A. AMRI

Examinateur : Mr A/H. SAD-EDDINE

Encadreur : Mr R. ALKAMA

Co-Encadreur : Mr Y.IMAOUCHEN
Remerciement

Avant tous, nous remercions ALLAH le tout puissant pour nous avoir
donné la force et la patience pour mener à terme ce travail.

Nous tenons à remercier nos familles pour leurs sacrifices et


encouragements durant tous le parcours de nos études, sans oublier notre
promoteur Mr ALKAMA et Co-promoteur Mr IMAOUCHEN de nous
avoir encadré.
Nous tenons à remercier également l'ensemble des enseignants de
département GENIE MECANIQUE pour leurs rôles importants dans notre
formation. En particulier les membres de jury Mr. LAGGOUNE, Mr.
AMRI et Mr. SAADEDDINE qui ont accepté de juger notre travail.
Enfin, tous nos amis(e), et ceux qui ont contribué de près ou de loin pour
achever ce modeste travail.
Je dédie ce modeste travail à :
A ceux qui mon remplient de lumière, mon tout
offert, pour que je réussisse ; et que ma vie soit
prospère mes parents
A mes chères sœurs
A mes chers frères
A toute ma famille
A mes amis du club
Sans oublier tous mes amis(e) et tous ceux qui me
sont chers.

Sofiane
Je dédie ce modeste travail à :
A ceux qui mon remplient de lumière, mon tout
offert, pour que je réussisse ; et que ma vie soit
prospère mes parents
A mes chères sœurs
A mes chers frères
A toute ma famille
A mes amis du club
Sans oublier tous mes amis(e) et tous ceux qui me
sont chers.

Khaled
 
Table des Matières
 

Table des matières

Table des matières ............................................................................................................... 1


Introduction générale .......................................................................................................... 4
Chapitre I :
Avaries rencontrés sur les roulements et les engrenages....................................................... 6
Introduction ........................................................................................................................... 6
1. Défauts de roulements : .................................................................................................. 6
2. Défauts d’engrenages : ................................................................................................... 9
2.1. Défauts répartis sur toutes les dents :...................................................................... 9
2.2. Les défauts localisés sur certaines dents: .............................................................. 10
3. Effet des défauts sur les signaux .................................................................................. 12
3.1. Influence des défauts de roulements : ................................................................... 12
3.2. Influence des défauts d’engrenages : .................................................................... 14
Conclusion ........................................................................................................................... 16
Chapitre II :
Technique d’analyse des signaux vibratoires de Roulements et d’engrenages ............................. 17
Introduction ......................................................................................................................... 17
1. Notion et généralités sur les vibrations : ...................................................................... 17
1.1. Signaux vibratoires : ............................................................................................. 17
1.1.1. Structure des signaux vibratoires : ................................................................ 17
1.1.2. Signaux vibratoires : ...................................................................................... 18
2. Présentation du signal vibratoire : ................................................................................ 19
2.1. Représentation temporelle : .................................................................................. 19
2.2. Représentation spectrale (ou fréquentielle) : ........................................................ 20
2.3. Représentation d’un signal quelconque : .............................................................. 21
3. Méthodes d’analyse et traitement des signaux vibratoires ........................................... 21
3.1. Analyse spectrale .................................................................................................. 21
3.2. Analyse d’enveloppe............................................................................................. 22
3.3. Analyse cepstrale .................................................................................................. 23
3.4. Analyse statistique ................................................................................................ 23
4. Analyse Temps-Fréquence et décomposition des signaux vibratoires ........................ 25
4.1. Transformée de Fourier à court terme .................................................................. 25

1  
 
Table des Matières
 
4.2. Kurtogram et Détection des Résonances : ............................................................ 26
4.3. La transformée en ondelettes ................................................................................ 26
4.3.1. La transformée en ondelettes continue (TOC) .............................................. 26
4.3.2. La transformée d’ondelettes discrète (TOD) ................................................. 28
4.3.3. Les paquets d’ondelettes................................................................................ 28
4.4. Décomposition Empirique Modale (EMD) .......................................................... 28
4.4.1. Amélioration de l’EMD ................................................................................. 30
4.4.2. La Décomposition Modale Empirique d’Ensemble (EEMD) ....................... 30
Conclusion ........................................................................................................................... 31
Chapitre III :
Simulation des signaux vibratoires ...................................................................................... 33
Introduction ......................................................................................................................... 33
1. Signal sinusoïdal d’une seule fréquence ...................................................................... 33
2. La somme de plusieurs sinusoïdes ............................................................................... 34
3. Effet de la fréquence d’échantillonnage ....................................................................... 35
4. Effet du nombre d’échantillonnage .............................................................................. 36
5. Signal modulé............................................................................................................... 37
5.1. Signal modulé en amplitude ................................................................................. 37
5.2. Signal modulé en fréquence .................................................................................. 37
5.3. Signal modulé en fréquence et en amplitude ........................................................ 38
6. Simulation signal d’Engrenage .................................................................................... 39
6.1. Analyse spectrale et analyse d’enveloppe : .......................................................... 40
6.2. Analyse par EMD/Ensemble EMD....................................................................... 41
6.2.1. Sélection des IMFs intéressantes ................................................................... 42
6.2.2. Comparaison entre la méthode EMD et EEMD ............................................ 43
7. Simulation signal de Roulement .................................................................................. 44
7.1. Analyse spectrale et analyse d’enveloppe ............................................................ 45
7.2. Analyse par Kurtogram ......................................................................................... 46
Conclusion ........................................................................................................................... 46
Chapitre IV :                                                                                                                                                                                                                                                                                      
Analyse des signaux réels de Roulements et d’Engrenages ................................................ 47
Introduction ......................................................................................................................... 47
8. Détection des défauts d’engrenage............................................................................... 47
8.1. Présentation du banc d’essai du Cetim ................................................................. 48

2  
 
Table des Matières
 
8.2. Analyse par la méthode EEMD ............................................................................ 49
8.3. Calcul des coefficients de corrélation et choix des IMFs ..................................... 50
8.4. Analyse d’enveloppe des signaux reconstruits ..................................................... 51
9. Détection des défauts de roulements ............................................................................ 52
9.1. Présentation du banc d’essai de Roulement .......................................................... 52
9.2. Analyse spectrale .................................................................................................. 53
9.3. Analyse par Kurtogramme rapide ......................................................................... 54
10. Diagnostic dans un cas combiné............................................................................... 55
10.1. Analyse spectrale : ............................................................................................ 56
10.2. Analyse par Kurtogram ..................................................................................... 57
Conclusion ........................................................................................................................... 58
Conclusion générale........................................................................................................... 59
Références bibliographiques............................................................................................. 61
 

3  
 
Introduction générale

Introduction générale

Le monde de l’industrie et le monde des transports disposent de machines et


d’installations de plus en plus performantes et complexes. Les exigences de haute sécurité,
la réduction des coûts d’exploitation et la maîtrise de la disponibilité des équipements
donnent à la maintenance des systèmes un rôle prépondérant. Elle doit permettre de
n’intervenir qu’en présence d’éléments défectueux, de minimiser le temps de réparation, et
de fournir un diagnostic fiable et facilement interprétable malgré la complexité des
équipements.

Les mesures des grandeurs vibratoires telles que la valeur efficace et la valeur crête à
crête ont été utilisées pour avoir une idée globale sur le niveau vibratoire d’une machine.
Ainsi, Les techniques classiques comme l’analyse de Fourier permettent aussi de mettre en
relation les amplitudes et les fréquences des phénomènes vibratoires stationnaires.
Cependant, certains défauts mécaniques sont représentés par des signaux transitoires de
caractère non stationnaires caractérisés par des variations complexes du spectre. Ces
défauts mécaniques ne peuvent être détectés dans les premiers stades de leurs apparition
par l’utilisation de la transformée de Fourier et les méthodes de filtrage classique. Mais ils
peuvent être détectés par l’application des méthodes de traitement du signal avancées telles
que la transformée en ondelettes, la décomposition en modes empiriques, ou par
l’utilisation d’une méthode hybride basée sur la combinaison de deux méthodes ou plus.

Dans cette perspective, nous présenterons les différents outils de traitement du signal
utilisés par les industriels. Nous décrivons les différents outils de traitement du signal
vibratoire destinés à identifier des défauts de roulements ou d’engrenages. Ensuite, nous
étalerons l’exposé sur les techniques révolutionnées récemment amélioré et plus fréquente
dans le domaine de la recherche.

Ce mémoire de fin d’étude est organisée en quatre chapitres: le premier chapitre donne un
aperçu sur les différentes anomalies rencontrées dans roulements et les engrenages et leurs
fréquences caractéristiques qui conduisent au concept d’une maintenance préventive par
analyse vibratoire. Le deuxième chapitre rappelle les principales méthodes de traitement

4  
 
Introduction générale

des signaux vibratoires non stationnaires utilisées dans la détection des défauts dans les
machines tournantes. Il est également consacré à introduire les bases théoriques des
méthodes d’analyse temps-fréquence les plus connues comme la transformée de Fourier à
court terme, la transformée en ondelettes (WT) et la transformée de Hilbert Huang (HHT)
basée sur la décomposition en mode empiriques d’ensemble (EEMD), ainsi que l’analyse
du kurtosis spectrale appelé « Kurtogram ». Le troisième chapitre concerne la simulation
de quelques signaux vibratoires, leurs analyses par les méthodes EMD et EEMD ainsi que
l’analyse d’enveloppe et kurtosis spectrale. Des études comparatives sont également faites
en montrant les inconvénients et les avantages de chaque méthode. Le quatrième chapitre
présente une analyse réalisée sur des signaux vibratoires réels dont le but de diagnostic des
défauts de roulement et d’engrenage pour des cas isolés et combinés.

Un bilan de l’ensemble des résultats est donné en conclusion en soulignant les points
des méthodes utilisées dans ce travail. Les points négatifs peuvent être améliorés par
d’autres études ultérieures.

5  
 
Chapitre I. Avaries rencontrées sur les roulements et les engrenages

Chapitre I :

Avaries rencontrées sur les roulements et les


engrenages

Introduction
Le comportement des machines tournantes, à engrenages et roulements, est de nos jours
principalement suivi par analyse vibratoire ou analyse de lubrifiant. Notre étude porte plus
particulièrement sur les méthodes d’analyse vibratoire. Les statistiques concernant les causes
de défaillances et la localisation des défauts dans les transmissions de puissance à engrenages
permettent de conclure que les organes les plus sensibles sont les engrenages et les
roulements. Les causes d’avaries sont multiples, et donnent lieu à des anomalies plus ou
moins graves. Nous dégageons ici les défauts d’engrenages et de roulements apparaissant par
fatigue, phénomène inévitable, auquel la maintenance préventive remédie par la détection
avant destruction au cours du fonctionnement du système. Les défaillances résultant de vices
de fabrication ou de montage sont écartées.

1. Défauts de roulements :
En effet les roulements sont les éléments les plus importants des machines tournantes.
Souvent, ils sont soumis à des excitations qui provoquent dans la majorité des cas des défauts
cause d’une défaillance partielle ou totale de la machine dont les conséquences sont
catastrophiques. D’après les statistiques, les roulements sont dans 19% des cas la cause de la
défaillance de la machine [1].
En réalité il est rare que le roulement lui-même soit mis en cause lors d’une défaillance
prématurée. Selon des statistiques SNR, dans 90% des cas les causes sont à chercher dans des
éléments extérieurs qu’on peut d’ailleurs résumer dans le tableau (1.1).

6  
 
Chapitre I. Avaries rencontrées sur les roulements et les engrenages

Pourcentage
Cause du défaut
(%)

Lubrification inadaptée (choix des lubrifiants, quantité, fréquence de


70
lubrification,...etc)

Pollution (poussière, détergents, liquides, …etc.) 18

Montage incorrect (brutal, jeu, désalignement, échauffement


10
excessif,…etc.)

Fatigue (charge, contraintes) 2

Tableau 1.1. Cause des défauts dans les roulements [1]

Selon SNR [1], il y a onze aspects des principales détériorations de roulements. Pour
chaque défaut cité, nous présentons une photo correspondante.

c. Grippage
a. Ecaillage de fatigue b. Ecaillage superficiel

d. Empreinte par déformation e. Faux effet BRINELL f. Usure

7  
 
Chapitre I. Avaries rencontrées sur les roulements et les engrenages

g. caractères et cannelure h. coups fissures cassures i. corrosion de contact

j. Corrosion k. Détérioration de la cage

Figure 1.1. Les différents types d’anomalies qui surviennent sur les roulements.

a). Ecaillage de fatigue : Présent sous forme de fissuration et enlèvement des fragments
de matière.
b). Ecaillage superficiel : Taches en surface provenant d’arrachement superficiel de
métal.
c). Grippage : Echauffement violent, déformation des corps roulants, laminage du métal.
d). Empreintes par déformation : Empreintes sur les pistes et les corps roulants.
e). Faux effet Brinell : Enlèvement de matière par abrasion au niveau des points de
contact internes du roulement.
f). Usure : Usure généralisée des corps roulants, des pistes et des cages, teinte grise.
g). Cratères et cannelures : Piqûres à bord net ou succession de plages étroites parallèles,
liées à un passage de courant électrique.
h). Coups, fissures, cassures : Chocs violents, enlèvement de matière en surface, fissures,
rupture des bagues.
i). Corrosion de contact : Coloration rouge ou noire sur les surfaces d’appui déroulement,
dans l’alésage et sur le diamètre extérieur.
j).Corrosion : Oxydation localisée ou généralisée, à l’extérieur ou à l’intérieur du
roulement.
k). Détérioration des cages : Déformation, usure, rupture. Des statistiques plus précises
montrent que 90% des défauts de roulements sont dus soit à la bague extérieure ou intérieure,

8  
 
Chapitre I. Avaries rencontrées sur les roulements et les engrenages

rarement la cage et la bille. En effet les deux pistes subissent les effets dus à la transmission
de charge par les éléments roulants ce qui les rend plus sujettes à la dégradation.

2. Défauts d’engrenages :
Nous pouvons utiliser les engrenages pour transmettre le mouvement et la puissance
mécanique entre deux arbres parallèles ou non parallèles, concourants ou non concourants et
perpendiculaires ou non perpendiculaires.  

Les principaux défauts survenant sur un couple d’engrenages d’un réducteur simple sont
les défauts répartis sur toute la denture et les défauts localisés sur une partie de la denture [2].
2.1. Défauts répartis sur toutes les dents :
a) Usure abrasive et adhésive :
Enlèvement de matière du au glissement des deux surfaces de contact. Le développement
de cette usure est lié à la charge mécanique à transmettre et à la vitesse de glissement, ainsi
qu’à la présence d’éléments abrasifs dans le lubrifiant.
Une usure anormale est produite lorsque le lubrifiant est pollué de particules abrasives ou
lorsqu’il est corrosif. Elle conduit à un mauvais fonctionnement voir à une mise hors service.

(a) Usure courante (b) Usure par adhésion

9  
 
Chapitre I. Avaries rencontrées sur les roulements et les engrenages

(c) Usure par abrasion


Figure 1.2. Les différents types d'usure d’engrenages: (a). Courante, (b). Adhésion,
(c). Abrasion [2].

b) Pitting (piqures) :
Il s’agit de trous plus ou moins profonds qui affect toute les dents, en particulier dans la
zone du cercle primitif. Cette avarie se produit surtout sur des engrenages en acier
déconstruction relativement dur, et donc plus fragile, sensible aux effets cumulatifs de sur
contraintes (avance de fissures). Le pitting est moins à craindre lorsque la viscosité du
lubrifiant est importante, car dans ce cas, le film d’huile séparant les surfaces en contact est
plus épais. Cette avarie peut apparaitre à la suite de légers désalignements d’axes par
exemple, à cause de surpression locale.

Figure 1.3. Piqure évolutive sur les dents d’engrenages [2].

2.2. Les défauts localisés sur certaines dents:


a) Ecaillage :

Il s’agit également de trous mais ceux-ci sont moins nombreux, plus profonds et plus
étendus que ceux du pitting. Les dégradations sont produites par fatigues en sous-couche, au
point de cisaillement maximal. On rencontre ce type d’avarie dans les engrenages cémentés

10  
 
Chapitre I. Avaries rencontrées sur les roulements et les engrenages

(couche superficielle durcie) [2]; ces engrenages sont actuellement très répandus car ils
permettent de passer des couples importants dans des dimensions raisonnables. L’écaillage
qui est le défaut principal, évolue très rapidement vers la rupture, sans passer par une phase
d’usure.

Figure 1.4. Ecaillage sur les dents d’engrenages [2].

b) Le grippage :
Il est la conséquence directe de la destruction brutale du film d’huile, sous l’effet de la
température résultant d’un frottement sous charge. Le grippage est favorisé essentiellement
par des vitesses élevées, de gros modules, un faible nombre de dents en contact. La
probabilité de grippage est influencée par l’état physico-chimique du lubrifiant et par les
conditions de mise en service.

Figure 1.5. Grippage généralisé et destructif d'une roue d'engrenage [2].

c) Fissure :
Elle progresse à chaque mise en charge, et elle est située en pied de dent. Elle apparait sur
des aciers fins et durcis, qui sont sujets aux concentrations de contraintes. Leur apparition est
due à un dépassement de la limite élastique en contrainte au pied de dent du côté de la dent en
traction.

11  
 
Chapitre I. Avaries rencontrées sur les roulements et les engrenages

Figure 1.6. Défaut de fissure d’une dent d’engrenage [2].

3. Effet des défauts sur les signaux


Les roulements et les engrenages sont des organes soumis des efforts et de mouvement
par contact physique entre pièces. Ce type de transmission émet naturellement bruit et
vibrations. Ainsi les vibrations principales sont produites par les chocs d’entrée en contact des
dents d’engrenages. La fréquence d’apparition de ce phénomène est la fréquence
d’engrènement.
Les types de défauts choisis sont des avaries liées à des enlèvements de matière se
produisant par usure par frottement de glissement pour le défaut réparti d’engrenages et par
transmission de charge par contact quasi ponctuel pour l’écaillage. Chaque fois qu’une avarie
participe à un contact, elle modifie les caractéristiques vibratoires, sonores et cinématiques
(erreur de transmission pour l’engrenage) du système. En analysant les mesures
d’accélérations et d’erreur de transmission, nous allons identifier et quantifier ces
modifications afin d’établir une relation entre les mesures, le type et la géométrie du défaut.
Chaque défaut participe régulièrement à la transmission d’efforts et de mouvement. La
fréquence d’apparition peut alors être connue à partir de la géométrie et de la cinématique du
système.
Dans un système de transmission de puissance à engrenages, il est possible de connaître
la vitesse de rotation de chaque arbre ainsi que la géométrie des roulements et engrenages.
3.1. Influence des défauts de roulements :
Le signal vibratoire mesuré sur une machine tournante contient toutes les informations
sur son état de santé. Les grandeurs mesurées sont le déplacement, la vitesse ou l’accélération
le plus souvent utilisée pour les roulements. Ce signal est donc la signature vibratoire
caractéristique de la machine ou de chacun de ces éléments. Lors de l’apparition d’un défaut
sur le roulement cette signature est modifiée, en effet une impulsion se produit à chaque
passage de l’élément roulant sur le défaut, le signal résultant est donc un signal modulé

12  
 
Chapitre I. Avaries rencontrées sur les roulements et les engrenages

typique de chocs périodiques dont la période est fonction de la nature du défaut (bague
extérieure ou intérieure).
Pour les défauts dus à la détérioration de l’élément roulant cette périodicité n’est pas
toujours évidente à cause de son roulement chaotique, encore moins évidente pour les défauts
de cage qui n’induisent pas forcément des chocs périodiques. Malheureusement ces
impulsions sont souvent noyées dans le bruit aléatoire ainsi que les autres composantes de la
machine notamment lorsque le défaut est naissant, alors que pour un défaut de grande gravité
les vibrations induites sont d’un niveau supérieur à ceux des autres composantes (balourd,
désalignement, mauvais serrage, …etc.) et de ce fait les impulsions sont très claires sur le
signal d’accélération. Les figures (1.7.a), (1.7.b) et (1.7.c) représentent respectivement les
signaux d’accélération d’un roulement saint, avec un petit et un grand défaut sur la bague
extérieure.
Les roulements, à une rangée de billes, sont montés sur un banc d’essais et tournent à 30
Hz. Des impulsions, inexistantes dans le cas sans défaut, commencent à naître pour le cas du
petit défaut et s’accentuent pour celui de grande gravité.

Figure 1.7. Signaux d’un roulement : (a) Sans défaut, (b) Avec un petit défaut et (c) Avec un
grand défaut sur la bague extérieure.

Rares sont les cas où on peut détecter le défaut directement à partir du signal temporel
comme c’est le cas pour les signaux de la figure (1.7), c’est pour cette raison qu’on a
généralement recourt à l’analyse des fréquences contenues dans le signal, appelée analyse
spectrale.

13  
 
Chapitre I. Avaries rencontrées sur les roulements et les engrenages

3.2. Influence des défauts d’engrenages :


Les deux défauts envisagés sur l’engrenage sont : un défaut localisé sur une dent, et un
défaut d’usure réparti sur toutes les dents des deux roues de l’engrenage. La figure
1.8présente l’allure du signal d’accélération mesurée sur un palier à proximité de l’engrenage.
Les signaux temporels bruts sont présentés soit pour une durée de 0.01 sec, correspondant à
10 périodes d’engrènement (Fig. 1.8.a. à 1.8.c), soit pour une durée de 0.1 sec, correspondant
à 4 périodes de rotation de l’arbre moteur (Fig. 1.8.d. à 1.8.f).Le couple d’engrenage produit
des vibrations à travers tout le système mécanique. Le signal d’accélération avec un
engrenage sans défaut est constitué de deux caractéristiques principales: il contient un signal
périodique à la période d’engrènement (Fig. 1.8.a.) et une modulation d’amplitude de période
de rotation d’arbre (Fig. 1.8.d.).
En présence du défaut réparti, la composante correspondant à la fréquence d’engrènement
du signal devient prépondérante (Fig. 1.8.c.). De plus, l’amplitude due à la modulation
d’amplitude à la fréquence de rotation d’arbre est augmentée (Fig. 1.8.f.). Dans le cas du
défaut local d’engrenage, l’amplitude générale du signal due à la modulation d’amplitude est
également plus importante que dans la configuration sans défaut (Fig. 1.8.e.). L’analyse du
signal sur une petite plage temporelle (Fig. 1.8.b.) montre que la composante d’engrènement
est plus marquée que pour la configuration sans défaut mais moins nette que dans la
configuration avec défaut réparti. D’autre part, le signal présente par endroit des pics
correspondant à l’enregistrement par l’accéléromètre de la participation de l’adent
endommagée à l’engrènement. D’une manière générale, les défauts d’engrenages entraînent
une augmentation d’amplitude visible qualitativement sur l’ensemble des figures 1.8 (de
l’ordre de 50 % par rapport à la configuration sans défaut).

14  
 
Chapitre I. Avaries rencontrées sur les roulements et les engrenages

Figure 1.8. Influence de l’état de l’engrenage sur le signal temporel d’accélération (2300
tr/min 60 N.m)

Les défauts d’engrenages et de roulements ont une incidence sur les vibrations du
système, car les engrenages constituent les organes principaux de transmission de puissance
elles roulements sont des organes de liaisons et de rigidité [3].
Les vibrations générées au sein d’un roulement sont de faible amplitude, ressemblant un
bruit aléatoire. Lors de l’apparition d’une avarie, une impulsion se produit chaque fois quelle
défaut participe à un contact. L’avarie a donc une fréquence caractéristique qui dépend delà
géométrie du roulement et de l’emplacement de l’écaillage (sur la bague intérieure, sur la
bague extérieure, ou sur un élément roulant).
Cependant, les amplitudes des vibrations induites par les défauts ne sont pas d’un niveau
très élevé. Elles sont noyées parmi les composantes plus énergétiques du système comme
celles des engrenages ou celles liées un déséquilibre ou un balourd, par exemple. Le spectre
d’une mesure d’accélération sur un palier avec un roulement défectueux ne présente pas de
pic à la fréquence de roulement, mais présente notamment un niveau plus élevé dans la bande
haute fréquence (de 1 kHz à 10 kHz), ainsi que des bandes latérales autour des fréquences
prédominantes (engrènement) [3].
Les vibrations induites par les engrenages sont d’amplitude importante. Même en
l’absence de défauts, les impulsions données à chaque engrènement provoquent des vibrations
émergeant nettement du niveau global du bruit. Les défauts d’usinage des dents, les faux

15  
 
Chapitre I. Avaries rencontrées sur les roulements et les engrenages

ronds, les déformations d’arbre provoquent une modulation d’amplitude, alors que les
variations de vitesse (usure des dents de l’engrenage) entraînent une modulation de phase.
Ces phénomènes existent même pour un engrenage sain. Le spectre présente alors des
raies de modulation sur une bande étroite autour de la fréquence d’engrènement et de ses
harmoniques.
Pour un engrenage présentant un écaillage local, des phénomènes de modulation
d’amplitude et de phase se produisent. Ils sont de période égale à celle de l’élément
défectueux. Dans le spectre, il apparaît alors des raies sur une large gamme fréquentielle. Les
défauts d’usure survenant sur les organes mécaniques tels que les engrenages et les
roulements produisent essentiellement des phénomènes de modulation sur les signaux.

Conclusion
Dans le milieu industriel, une maintenance mixte est en général appliquée aux systèmes.
L’optimisation de la maintenance consiste à trouver un compromis entre la maintenance
préventive et la maintenance corrective tout en respectant les objectifs fixés. Il faut alors
déterminer les instants de maintenance et les actions à effectuer. Pour la maintenance
conditionnelle, c’est l’ensemble de la chaîne qui fait la qualité de la mesure. Sans qualité
démesures, il ne peut exister de surveillance fiable et de diagnostics pertinents.
L’étude théorique des organes mécaniques permet de trouver des modèles qui sont
simulés l’aide de l’outil informatique. Cette étude donne une idée sur les impacts des défauts
présentés par les signaux à analyser et par le choix de la méthode de traitement du signal à
utiliser.

16  
 
Chapitre II. Techniques de diagnostique vibratoire des défauts
 

Chapitre II :

Techniques de Diagnostique Vibratoire des


défauts de roulements et d’engrenages

Introduction
Certains défauts dans les machines tournantes sont caractérisés par des chocs se
traduisant par des non-stationnarités locales sur les signaux vibratoires; c'est le cas dans les
roulements et les engrenages où l'écaillage et la fissuration des surfaces en contact produisent
des chocs localisés lors de fonctionnement. Ces chocs peuvent être de faibles amplitudes
lorsque le défaut est naissant. Ce type de défauts évolue rapidement vers la rupture, donc il est
nécessaire de les détecter de façon précoce, pour pouvoir planifier une maintenance efficace
d'une part, et pour des raisons de sécurité d'autre part, d'où le recours aux techniques de
détection des non-stationnarités qui ont montré de meilleures performances que les techniques
classiques fondées sur l'analyse de Fourier.

1. Notion et généralités sur les vibrations :


On appelle une vibration c'est la variation cyclique d’une grandeur physique autour de sa
valeur moyenne. Un système mécanique est dit en vibration, lorsque il est animé d’un
mouvement de va et vient, autour d’une position d’équilibre (de repos).
Les vibrations sont la manifestation la plus évidente de l’apparition de contrainte sur une
machine tournante. C’est la réponse de la structure à l’excitation des forces internes et
externes. Une vibration se caractérise principalement par sa fréquence, son amplitude et sa
nature.
1.1. Signaux vibratoires :

1.1.1. Structure des signaux vibratoires :

17  
 
Chapitre II. Techniques de diagnostique vibratoire des défauts
 
Les signaux vibratoires relevés sur les systèmes mécaniques en fonctionnement
contiennent l’information nécessaire relative à l’état des composants des machines, tout le
problème consiste à isoler l’information relative à chaque élément. En effet, les signaux ont
une structure complexe et sont constitués de différentes composantes :
- Une partie du signal provient des phénomènes cycliques se produisant dans le
système, comme la rotation des arbres, les chocs des engrenages, les mouvements
existants au sein d’un enroulement…;
- Une partie aléatoire, due aux phénomènes parasites générés lors du fonctionnement
d’un système.

1.1.2. Signaux vibratoires :

On désigne, sous ce vocable très général [4], toute grandeur pouvant avoir un effet sur
une structure pour modifier son équilibre ou son comportement : force, tension, accélération,
vitesse, pression acoustique, etc. En simplifiant, on peut classer les différents signaux dans
l’une des catégories suivantes :

a) Signaux harmoniques :

Une vibration harmonique est une vibration dont le diagramme amplitude-temps est
représenté par une sinusoïde (Figure II.1). Le meilleur exemple d’une vibration harmonique
est celle générée par le balourd d’un rotor en mouvement.

Figure II.1 : La représentation des différentes amplitudes (vibration sinusoïdale)

b) Signaux périodiques non harmoniques :

Un signal périodique non harmonique est une somme de signaux harmoniques de


différentes amplitudes maximales (constantes) mais dont les pulsations sont multiples d’une
pulsation dite fondamentale, comme l’illustre la (Figure II.2). Le signal est [4] connu à

18  
 
Chapitre II. Techniques de diagnostique vibratoire des défauts
 
l’instant ‘t’ et se retrouve rigoureusement identique à l’instant ‘t±nT’ (n : étant un nombre
entier).

Figure II.2 : La représentation d'un signal périodique non harmonique [4].

c) Signaux transitoires et aléatoires :

La Figure (II.3) : montre deux exemples de signaux non périodiques. Les signaux
transitoires se produisent pendant un intervalle de temps limité. Les signaux aléatoires ont
leurs caractéristiques d’amplitude et de fréquences qui changent aléatoirement en fonction du
temps.

Figure II.3 : Exemples d'un signal transitoire et d'un signal aléatoire [4].

2. Présentation du signal vibratoire :


2.1. Représentation temporelle :
L’amplitude du signal vibratoire est représentée en fonction du temps (Figure II.4). La
figure montre un exemple de cette représentation pour un signal sinusoïdal. Si l'on décrit
mathématiquement un signal sinusoïdal, nous obtenons :
a(t) = A.sin(ω0.t + φ0) (II.1)

Où :

Variable a(t) : c’est la valeur instantanée de la grandeur considérée.


Module A : est l'amplitude maxi du signal

19  
 
Chapitre II. Techniques de diagnostique vibratoire des défauts
 
Période T : c’est l’intervalle de temps au bout duquel la variable x(t) reprend la même valeur
dans la même direction.

ω : la pulsation (ω =2π f) [rd/s]

φ: La phase à l'instant t = 0.

Pour décrire complètement ce signal, il suffit de connaître :

A : Amplitude maximal du signal ;

φ : Phase, elle est représentative du temps qui s’écoule entre une référence que l’on se donne
et l’instant que l’on considère. Elle est exprimée en unité d’angle.

Figure II.4 : Représentation temporelle

2.2. Représentation spectrale (ou fréquentielle) :


Le spectre est le concept fondamental de l'analyse en fréquence (Figure II.5). C'est la
représentation d'un signal dont l'amplitude ne serait plus donnée en fonction du temps mais en
fonction de sa fréquence [4].

!! = 1/T [Hz] (II.2)

Fréquence!! : c’est le nombre de périodes par unité de temps.

Figure II.5 : La représentation spectrale d’un signal sinusoïdal.

20  
 
Chapitre II. Techniques de diagnostique vibratoire des défauts
 
2.3. Représentation d’un signal quelconque :
Un signal quelconque A(t) peut toujours être considéré comme la somme de Signaux
sinusoïdaux :

A(t) = A0.cos( ω0.t + φ0)+ A1.cos( ω1.t + φ1)+….+An.cos( ωn.t + φn) (II.3)

La représentation temporelle de ce signal est souvent complexe et devient vite


inexcitable. Seule la représentation spectrale convient dans ce cas (Figure II.6).

Figure II.6 : représentation spectrale d’un signal quelconque

3. Méthodes d’analyse et traitement des signaux vibratoires


Il existe différents outils d‘analyse vibratoire permettant de détecter et de diagnostiquer
l’apparition des défauts dans les roulements et l’engrenage. De nombreuses publications
synthétisent ces différentes méthodes ou outils.

3.1. Analyse spectrale


C’est sans doute la technique la plus ancienne, ses bases mathématiques remontent au
dix-septième siècle suite aux travaux de Sir Isaac Newton, le premier qui a introduit le mot
spectre comme terme scientifique. Ce n’est qu’en 1822 que l’ingénieur Français Jean Baptiste
Joseph Fourier introduisît sa célèbre transformée qui porte d’ailleurs toujours son nom [4].

L’analyse spectrale basée sur la transformée de Fourier (TF) est définie


!!
! ! = !!
! ! exp −!2!"# !" (II.4)  
La transformée de Fourier fournit une bonne description des signaux stationnaires et pseudo-
stationnaires et elle contient la même information que le signal temporel.
La transformée de Fourier inverse est donnée par :

!!
               ! ! = !!
! ! exp !2!"# !" (II.5)  

21  
 
Chapitre II. Techniques de diagnostique vibratoire des défauts
 
Le module au carré de la TF «X(f) » est connu sous le nom de la densité spectrale de
puissance qui offre pour les signaux stationnaires une caractérisation simple et facile à
interpréter. Malgré que la transformée de Fourier est la plus utilisée dans le traitement de
différents types de signaux stationnaires, elle ne permet pas l’analyse du comportement local
des signaux ni la détection de l’apparition ou l’extinction d’une fréquence. La figure II.7
montre la représentation temporelle et la densité spectrale du signal x1(t) donné par :

(II.6)  

Fig. II.7. a) Représentation temporelle du signal x1(t), b) son spectre.

Le principe de l’analyse spectrale en vibrations est le fait que chaque composante de la


machine induit une fréquence caractéristique fonction de la vitesse de rotation. Chaque défaut
possède sa propre composante fréquentielle qui le distingue d’un autre et permet sa détection
facilement sur le spectre. Ainsi les signatures fréquentielles des différents défauts qui peuvent
se manifester sur une machine tournante ont été définies.
3.2. Analyse d’enveloppe
Une méthode, qui se classe parmi les techniques de traitement de signal les plus
performantes, appelée analyse d’envelopperont les fondements remontent aux travaux de
McFadden [5] qui lui a donné le nom de High Frequency Resonance Technique (HFRT). Tout
au long de ces dernières années elle a été largement utilisée et permettait une détection
précoce.

22  
 
Chapitre II. Techniques de diagnostique vibratoire des défauts
 
Dans une étude de cas, elle a permis de distinguer entre une défaillance d’un roulement
d’un manque de graissage, bien que dans les deux cas l’amplitude fût très élevée et des chocs
sont induits.
Pratiquement l’analyse d’enveloppe consiste à filtrer le signal mesuré par un filtre passe-
bande autour d’une des résonances du système. Le signal filtré est ensuite traité par la
transformée de Hilbert. On applique ensuite la transformée de Fourier inverse pour obtenir
l’enveloppe qui sera le plus souvent traitée par la FFT pour obtenir enfin le spectre
d’enveloppe. Toutefois, il est tout à fait possible de calculer un spectre directement à partir du
signal issu de la transformée de Hilbert.
3.3. Analyse cepstrale
Cette technique, bien qu’elle soit utilisée beaucoup plus pour la détection des défauts
d’engrenages, a été aussi utilisée pour les roulements. Fondée sur les travaux de Randall [5],
elle consiste à calculer un vecteur appelé cepstre, verlan du mot spectre, qui représente la
transformée de Fourier inverse du logarithme du spectre.
   ! ! = !! !! log ! !
(II.7)  
τ est la variable définissant les périodicités dans le domaine pseudo-temps que représente le
cepstre, appelée quéfrence suivie de ses harmoniques. Alors que le spectre permet de
visualiser les différentes périodicités contenues dans un signal, le cepstre permet lui de
retrouver d’éventuelles périodicités dans un spectre.
Cette technique a été très utilisée pour les défauts de type chocs périodiques notamment
ceux des engrenages, car elle permet de mettre en évidence les pas séparant les harmoniques
d’un peigne de raies aussi bien pour les hautes vitesses de rotation que pour les plus basses
[5].
3.4. Analyse statistique
Rappelons, avant de parler de l’analyse statistique, qu’il est tout à fait possible dans le
cadre d’une surveillance permanente par des indicateurs globaux, d’utiliser l’accélération, la
vitesse ou encore le déplacement. D’autres paramètres ont été largement utilisés, tels que le
RMS (Root Mean Square), la valeur crête ou encore l’énergie vibratoire, désormais sans
beaucoup de succès.
En effet ces indicateurs n’ont pas une signification particulière sur l’état du composant
mécanique (Roulements, engrenages,…etc), de ce fait ils ne peuvent donc être des indicateurs
d’une dégradation, par contre leur évolution dans le temps peut avoir une signification sur
l’aggravation du défaut. De nouveaux indicateurs scalaires sont alors utilisés inspirés à partir
du RMS et de la valeur crête. Le facteur de crête et le kurtosis sont actuellement les
23  
 
Chapitre II. Techniques de diagnostique vibratoire des défauts
 
indicateurs scalaires les plus fiables. Utilisés pour la détection des défauts induisant des forces
impulsives périodiques, ils ont donné de meilleurs résultats notamment pour la détection des
défauts de roulements et d’engrenages.

Ø valeur efficace ou valeur RMS (Root Mean Square)


C’est un indicateur scalaire (large bande) très utilisé bien qu’il soit peu significatif et
s’écrit [6]:
! !!
!!""#$%$! = !!"# = !!! !(!) ²
!!
(II.8)  

Où x(n) est le signal temporel mesuré, Ne représente le nombre d‘échantillons prélevés dans
le signal. Globalement, la valeur efficace ne détecte pas tous les défauts et donne une alarme
tardive, ce qui représente un inconvénient majeur dans la maintenance prédictive.

Ø Indicateur de crête
Contrairement à la valeur efficace de l‘amplitude d‘un signal, les indicateurs spécifiques
comme le facteur de crête ou le Kurtosis sont mieux adaptés pour représenter un signal induit
par des forces impulsionnelles tels que les écaillages de roulements. Ces indicateurs sont issus
des valeurs crêtes [6] du signal temporel mesuré. Le facteur crête, défini comme étant le
rapport entre la valeur crête et la valeur efficace.

!!!"#$%$ !"# !(!)


 !" = =
!!!"## ! !!
(II.9)  
!!! !(!) ²  
!!

Le facteur crête a l‘avantage de détecter les défauts avant la valeur efficace. Ceci provient
du fait que pour un roulement sans défaut, le rapport reste sensiblement constant et augmente
lorsqu‘une dégradation apparaît alors que la valeur crête croit pendant que la valeur efficace
reste à peu près constante.

Ø Kurtosis
C‘est un indicateur permettant de caractériser la nature impulsive d‘un signal et la
détection précoce d‘un défaut de roulement. Dans le cas d‘un roulement sans écaillage, la
distribution des amplitudes contenues dans le signal recueilli est gaussienne ce qui entraîne
une valeur de Kurtosis proche de 3. Lorsqu‘un défaut est détecté, sa valeur devient supérieure
à 3 [6]. L‘analyse des défauts de roulement par le Kurtosis peut également être réalisée dans
différentes bandes de fréquences liées aux résonances de la structure.

24  
 
Chapitre II. Techniques de diagnostique vibratoire des défauts
 
! ! !
!! !   !!!
(! ! !!)
 !"#$%&'& = = ! !
!!! (! ! !!)! ² (II.10)  
! !!!

Où: M4 et M2 sont les moments statistiques d’ordre 4 et d’ordre 2, x(n) est le signal temporel,
! est la valeur moyenne des amplitudes, N est le nombre d‘échantillons prélevés dans le
signal.

4. Analyse Temps-Fréquence et décomposition des signaux vibratoires


4.1. Transformée de Fourier à court terme
Afin de remédier aux problèmes de la TF, en 1946 Gabor a proposé d’utiliser la
transformée de Fourier à fenêtre glissante (TFCT pour la transformée de Fourier à courte
terme). Cette transformée consiste à calculer la TF sur une partie du signal sélectionnée à
l’aide d’une fenêtre bien localisée en temps (Fig. 2.4) [7].

La TFCT continue d’un signal x(t) est définie par :

!!
!! !, ! = !!
! ! ! ! − ! exp  ( − !2!"#)!" (II.11)  

Ou par la forme duale :


!!
!! !, ! = exp  (−!2!"#) !!
! ! ! ! − ! exp !2!"# !" (II.12)  

Fig. II.8. Principe de la transformée de Fourier à court terme (TFCT).

La TFCT discrète est donnée par :

!! !, ! =
!! !! !!!"#
)                                K,n  ,m∈  Z               (II.13)  
!!! ! ! ! ! − ! exp  (−
!!

Np est le nombre de points du signal.

25  
 
Chapitre II. Techniques de diagnostique vibratoire des défauts
 
Les translations successives de la fenêtre permettent d’analyser localement le
comportement temps-fréquence du signal. Le choix de la bonne fenêtre est d’une importance
capitale pour l’interprétation de la TFCT. D’après le principe d’incertitude d’Heisenberg.
4.2. Kurtogram et Détection des Résonances :
Le Kurtosis spectral (KS) est un descripteur fréquentiel initialement introduit par Dwyer
[8], pour pallier l’incapacité de la densité spectrale de puissance (DSP) à détecter et à
caractériser des non-stationnarités dans un signal. L’idée consiste à calculer le Kurtosis du
signal analysé à "chaque fréquence" afin de discerner les structures non-stationnaires et
d’indiquer dans quelle(s) bande(s) de fréquences celles-ci se réalisent. Cette manière de faire
s’avère relativement robuste par rapport au bruit additif stationnaire, contrairement au
Kurtosis global. Le Kurtogram est un outil récent d’analyse spectrale à l’ordre quatre qui
permet de détecter dans un signal la présence de structures non-stationnaires, de les localiser
en fréquence et, d’une certaine manière, de les caractériser. Le paradigme se base sur
l’observation qu’à chaque type de transitoire correspond une dyade {fréquence / résolution
fréquentielle} qui maximise son Kurtosis, et donc sa détection. L’exploration de toutes les
dyades {f, Δf} est un travail considérable sur un signal donné, peu réaliste en pratique. J.
Antoni dans, propose un algorithme rapide qui échantillonne le plan (f, Δf) suffisamment
finement pour trouver la dyade qui maximise le Kurtosis, avec une complexité maximale de
l’ordre de N log(N).

Un défaut de roulement se manifeste sur les mesures vibratoires par une série
d’impulsions généralement de faibles amplitudes par rapport au bruit de fond environnent.
Afin de les détecter, il est d’usage de démoduler le signal dans différentes bandes de
fréquences jusqu’à trouver celle qui maximise le rapport signal sur bruit. Le kurtogram
permet de substituer à cette procédure empirique, une méthodologie rigoureuse pour
rapidement trouver la bande de démodulation optimale. Une analyse d’enveloppe de Hilbert
est ensuite appliquée sur cette bande pour caractériser les fréquences de défaut en cas de
présence.

4.3. La transformée en ondelettes


La transformée en ondelettes (TO) est apparue dans les années 1980 à partir du travail de
Jean Morlet effectué en vue d’applications sismiques. Ensuite, la TO a connu de nombreux
développements mathématiques.

4.3.1. La transformée en ondelettes continue (TOC)

26  
 
Chapitre II. Techniques de diagnostique vibratoire des défauts
 
La TOC consiste à décomposer un signal en composantes élémentaires localisées à la fois
en temps et en fréquence. Cela s’effectue par translation (Fig. II.9) et dilatation (Fig. II.10)
d’une ondelette analysante appelée ondelette mère. Les coefficients de la TOC d’un signal x(t)
au temps b et une dilatation a sont donné par la formule suivante (Fig. II.11) [9] :

! !! !!!
!!"# !, ! = ! !!
!(!)Ѱ∗ !
!" (II.14)  

La synthèse de x(t) à partir des coefficients d’ondelettes est décrite par la formule :

! !! !! !"!#
 ! ! = ! !
!! !"#
(!, !)Ѱ!,!
Ѱ ! !² (II.15)  

avec c est une constante donnée par la condition d’admissibilité. La figure II.11 montre la
TOC du signal x(t) (équation II.8). Cette figure montre deux fréquences (100 Hz et 10 Hz) à
deux échelles différentes, trois impulsions dont deux correspondent aux impulsions du signal
et la troisième au temps 1 s correspond au changement brusque des deux fréquences qui
montre la discontinuité.
La transformée en ondelettes est constituée de deux grands parties : la TOC et celui des
ondelettes orthogonales et les paquets d’ondelettes (la transformée en ondelettes discrète).

Fig. II.9 Translation (changement de position) des ondelettes [9].

Fig. II.10. Changement d’échelle (niveau) des ondelettes [9].

27  
 
Chapitre II. Techniques de diagnostique vibratoire des défauts
 

Fig. II.11 Principe de la TO continue [9].

4.3.2. La transformée d’ondelettes discrète (TOD)

Du point de vue fonctionnel, il s’agit de remplacer une représentation continue (à, b) par
une représentation discrète [9]. Cela se fait en échantillonnant les coefficients de l’ondelette
sur une grille hyperbolique qui permet d’avoir une représentation non redondante et de
numériser le traitement par ondelettes.

4.3.3. Les paquets d’ondelettes

Comme pour les transformées discrètes en ondelette orthogonale, les paquets d’ondelettes
nécessitent l’emploi d’ondelettes orthogonales [9]. Le principe de la décomposition en
paquets d’ondelettes est de réitérer le processus de décomposition d’un signal en
approximation et en détail non plus uniquement sur les coefficients d’approximation.
4.4. Décomposition Empirique Modale (EMD)
La décomposition modale empirique (EMD pour Empirical Mode Décomposition) a été
introduite par l’équipe de N.E. Huang de la NASA en 1998 [10] pour étudier des données
climato-atmosphériques. C’est une méthode non linéaire d’analyse de données qui ne fait pas
appel à des hypothèses de stationnarité (propriétés statistiques constantes dans le temps). Elle
est par ailleurs intuitive, simple à mettre en œuvre et totalement adaptative, dans le sens où
l’espace de représentation est construit directement à partir du signal.

28  
 
Chapitre II. Techniques de diagnostique vibratoire des défauts
 
L’EMD permet la décomposition de signaux non stationnaires en une série de modes ou IMF
(Intrinsic Mode Function) de manière itérative. Ainsi, le s(t) peut être reconstitué par la
formule suivante:

!(!) = ℎ! (!) + !(!) (1)


!

Où les hi sont de moins en moins oscillants, et r est un résidu monotone. Définissons à présent
les notions d’enveloppes, de moyenne locale et d’IMF [11, 12].
Définition 1. L’enveloppe supérieure Emax d’un signal est l’interpolée spline cubique de ses
maxima locaux. L’enveloppe inférieure Emin interpole ses minima locaux.

Entrée : Le signal s
Sorties : Les IMFsh1, h2, . . . ,hN, le résidu r
r := s, i = 0
Tant que r possède plus de 3 extrema
Poser i := i + 1 et h := r.
Sifting Process: tant que le critère d’arrêt stop(h) n’est pas satisfait, effectuer
h := h – Mh
Poser hi := h. et r := r − h

Table 1.1 L’algorithme EMD

Définition 2. La moyenne locale d’un signal s est la demi-somme de ses enveloppes


supérieures et inférieures. On notera :

!!"# ! + !!"# [!]


ℳ[!] = (2)
2

Définition 3. Une IMF (pour Intrinsic Mode Function), ou mode, est une fonction oscillante
de moyenne nulle, c’est-à-dire une fonction :

• dont tous les maxima sont positifs, et tous les minima négatifs.

29  
 
Chapitre II. Techniques de diagnostique vibratoire des défauts
 
• dont la moyenne locale vérifie une condition de nullité approchée.

La présence de bruit dans le signal d’intérêt va aboutir à une contamination de chacun des
modes par une fraction plus ou moins grande de ce bruit. L’étude du contenu spectral et des
caractéristiques statistiques de chacun des modes, obtenus après EMD appliquée à un bruit
blanc, a permis de définir un modèle de comportement permettant la détermination du
contenu informatif de chacune des IMF [13]. Ce modèle a été généralisé par Flandrin et al.
dans le cas du bruit Gaussien fractionnaire [14]. Une erreur dans l’estimation du niveau de
bruit peut donc dégrader les performances de l’algorithme. Une de ces sources d’erreur peut
être le mixage de modes. Le mixage de modes correspond à l’alternance temporelle sur une
même IMF de plusieurs composantes du signal d’intérêt.

4.4.1. Amélioration de l’EMD


De nombreuses méthodes ont été développées pour améliorer la décomposition modale
empirique, en prenant mieux en compte les problèmes de bord, en limitant le mélange de
modes, en améliorant la détection des extrema ou l’enveloppe moyenne dans le SP. Une
approche différente qui a rencontré beaucoup de succès est l’EEMD (Ensemble EMD) [15],
une méthode de Monte-Carlo pour l’EMD, qui est très utilisée lorsque l’EMD classique ne
fonctionne pas bien. Des dizaines d’autres implémentations ont été proposées, souvent
adaptées à une application spécifique. Aussi cette section n’a pas de prétention exhaustive,
nous nous contenterons de présenter l’EEMD et des définitions alternatives pour les extrema
et la moyenne locale, qui nous seront utiles par la suite.

4.4.2. La Décomposition Modale Empirique d’Ensemble (EEMD)


L’EMD d’ensemble consiste à effectuer un certain nombre de fois l’EMD sur des
réalisations bruitées d’un signal, puis à faire la moyenne IMF par IMF. On obtient ainsi une
décomposition semblable a l’EMD, mais où l’on a amélioré la séparation fréquentielle et
réduit le mélange de modes. En effet, le bruit introduit artificiellement crée de nombreux
extrema, ce qui force la séparation ; par ailleurs en prenant un grand nombre de réalisations,
on esp ère que le mélange de mo de s’annulera, la décomposition sans mélange étant, on
l’espère, la plus probable. Notons que l’EEMD, à cause de la moyennisation, n’est pas une
décomposition complète : le signal n’est plus la somme de ses IMFs. Lorsque cet aspect est
nécessaire, il vaudra mieux utiliser l’approche alternative qui est complète.
L’EEMD parvient sans conteste à améliorer la séparation fréquentielle et réduire le
mode-mixing, ce qui en fait de cette méthode un outil fréquent sur les données réelles pour

30  
 
Chapitre II. Techniques de diagnostique vibratoire des défauts
 
lesquelles l’EMD simple ne donne pas de bons résultats. Cependant c’est au prix d’une
augmentation considérable du temps de calcul, et d’un choix judicieux de la variance du bruit
à ajouter. Comme remarqué par les auteurs eux-mêmes, le bruit permet en fait simplement de
forcer l’EMD à adopter le comportement moyen en banc de filtres, tout en restant adaptative.

Conclusion
Les différentes méthodes d’analyse d’un signal vibratoire peuvent être classées en trois
catégories différentes. La première regroupe les méthodes dites classiques, permettant surtout
d’analyser des signaux stationnaires. Dans le domaine temporel, on retrouve par exemple
l’analyse par indicateurs, tels que l’amplitude maximale du signal, ou son facteur de crête.
Des outils statistiques tels que l’histogramme, les moments d’ordre 1 ou 2, ou la recherche de
corrélations peuvent aussi être utilisés. Dans le domaine fréquentiel, la méthode la plus
employée actuellement reste l’analyse spectrale, donnant accès à la répartition de la puissance
ou de l’énergie d’un signal dans le domaine fréquentiel. Elle permet aussi de calculer les
fonctions de transfert fréquentielles éventuelles reliant différents signaux vibratoires. Enfin,
une de ses variantes, l’analyse cepstrale, elle permet de mettre facilement en évidence les
modulations d’amplitude, même aux basses fréquences. Les méthodes classées dans la
deuxième catégorie peuvent être qualifiées de modernes, et permettent l’analyse de signaux
non-stationnaires. Les principales sont les transformées temps-fréquence (spectrogramme,
Wigner-ville, scalogramme, etc). Elles ont été utilisées plus tardivement que les précédentes
du fait de leur complexité théorique, et de la puissance de calcul qu’elles nécessitent. Enfin, la
troisième catégorie regroupe les méthodes émergentes et novatrices, d’un usage encore peu
courant dans l’industrie. Ces outils concernent par exemple les techniques d’analyse
cyclostationnaire comme la corrélation spectrale, représentant les liens statistiques entre
différentes fréquences d’un même signal. En effet, on a défini dans le domaine temporel de
nouveaux indicateurs, comme des moments d’ordre supérieur à 2 (skewness, kurtosis) qui
permettent de mieux caractériser la loi de répartition de l’amplitude d’un signal.

Dans la suite de ce travail, nous allons nous concentrer sur l’application de deux
techniques récemment développées. Il s’agit, de l’analyse du kurtosis spectral (SK) en
utilisant l’algorithme du Kurtogram Rapide et la décomposition empirique modale
d’ensemble (EEMD). Un chapitre fera l’objet d’application des techniques proposées sur des
exemples simulés de signaux vibratoires de défauts de roulements et d’engrenages. Un autre

31  
 
Chapitre II. Techniques de diagnostique vibratoire des défauts
 
chapitre sera consacré au traitement de cas réels et la détection des défauts de roulements et
d’engrenages par les techniques sélectionnées.

32  
 
Chapitre III. Simulation des signaux vibratoires
 

Chapitre III :
Simulation des signaux vibratoires ;
Engrenages et Roulements
Introduction
Dans la première partie de ce chapitre, des signaux simulés qui reflètent le mouvement
vibratoire de quelques éléments mécaniques sains ou défectueux sont étudiés pour illustrer le
contenu spectral comme les modulations en amplitude et en fréquence. La comparaison entre
l’analyse spectrale et l’analyse d’enveloppe ainsi que la décomposition modale empirique
(EMD) et l’analyse du Kurtogram pour des signaux simulé qui représente des défauts
d’engrenages et de roulements. Nous avons soulevé l’effet de la fréquence d’échantillonnage
et du nombre d’échantillonnage sur la performance et l’efficacité de l’analyse spectrale.

Dans le cas d’un signal simulé d’engrenage nous avons appliqué la méthode de l’EMD
ainsi qu’une version améliorée de l’EMD qui s’appelle l’EMD d’ensemble (EEMD). Les
performances de la méthode EMD sont comparées avec celles de la méthode de l’EEMD.
Ensuite, une technique basée sur la corrélation des signaux est utilisée pour augmenter la
performance de cette méthode. Pour le signal simulé de défaut de roulements, nous proposons
l’analyse par la méthode du « Kurtogramme ». Elle est basée sur l’analyse statistique du
signal dans le domaine spectrale (le Kurtosis spectrale).

1. Signal sinusoïdal d’une seule fréquence


Soit le signal sinusoïdal x1(t) composé d’une sinusoïde de fréquence fondamentale 1000
Hz donné par :

x1 (t) = 0.5 sin (2π.1000.t) (III.1)

Ce signal est échantillonné à la fréquence d’échantillonnage Fe = 8000 Hz. Ce signal et son


spectre sont représentés dans la figure (3.1).

33  
 
Chapitre III. Simulation des signaux vibratoires
 
(a)

0.5

Amplitude
0

-0.5

0 0.005 0.01 0.015 0.02 0.025 0.03


Temps [s]
(b)
0.8

0.6
Amplitude

0.4

0.2

0
0 500 1000 1500 2000 2500 3000
Fréquence [Hz]

Figure 3.1 : a) signal sinusoïdal x1 (t), b) spectre de signal sinusoïdal x1 (t).

2. La somme de plusieurs sinusoïdes

Soit le signale x2 (t) composé de trois sinusoïdes de fréquences fondamentales 1000 Hz,
2100 Hz et 2230 Hz. La fréquence d’échantillonnages est Fe = 8000 Hz. b(t) représente le
bruit.

x2 (t)=0.5sin(2π.1000. t) + 0.75sin (2π.2100t) + 0.7sin (2π. 2230t)+ b (t) (III.2)

Comme, nous l’avons déjà exposé au chapitre 2, ces sinusoïdes sont représentées par des raies
ou piques d’amplitudes aux fréquences correspondantes à chaque sinusoïde. La représentation
temporelle du signal composé est rapportée sur la figure 3.2 (a), et la représentation des trois
piques (ou raies spectrales) sont donnée par la figure 3.2 (b).

34  
 
Chapitre III. Simulation des signaux vibratoires
 
(a)
4

2
Amplitude
0

-2

-4
0 0.005 0.01 0.015 0.02 0.025 0.03
Temps [s]
(b)
0.8

0.6
Amplitude

0.4

0.2

0
0 500 1000 1500 2000 2500 3000 3500 4000
Fréquence [Hz]

Figure 3.2 : a) le signal x2 (t), et b) son spectre.

3. Effet de la fréquence d’échantillonnage

Pour étudier l’effet de la fréquence d’échantillonnage, le signal x2 (t) a été ré-


échantillonné à la fréquence Fe = 3000 Hz. Le spectre, présenté sur la figure 3.3 (b), donne
une mauvaise présentation fréquentielle du signal et offre un contenu fréquentiel incorrect.

En effet, la Transformé de Fourier produit un spectre sur la plage de fréquences [0, Fe/2]
et un spectre symétrique sur la plage [Fe/2, Fe]. Ainsi sur la plage [0, Fe/2] est utile et c’est
elle qu’affiche la figure 3.3 (b). La fréquence Fe/2 porte le nom de fréquence de « Nyquist ».

Pour la fréquence F = 2100 Hz par exemple, la raie du spectre dans la zone [0, Fe/2] se
déplace vers la droite tandis que celle du spectre symétrique se déplace vers la gauche. Il ne
faut donc pas que la fréquence F soit supérieure à la fréquence de Nyquist Fe/2, sinon la raie à
la bonne fréquence se trouve dans l’intervalle [Fe/2 , Fe] alors que la raie qui s’affiche est sa
symétrique soit (Fe/2)-F = 900 Hz. La même chose pour la fréquence 2230 Hz, il affiche sa
symétrique (Fe/2)-2230 = 770 Hz.

35  
 
Chapitre III. Simulation des signaux vibratoires
 
(a)
2

Amplitude 0

-1

-2
0 0.005 0.01 0.015 0.02 0.025 0.03
Temps [s]
(b)
2

1.5
Amplitude

0.5

0
0 500 1000 1500
Fréquence [Hz]

Figure 3.3 : a) signal x2(t) avec une fréquence d’échantillonnage 3000 Hz, b) son spectre.

4. Effet du nombre d’échantillonnage

Le même signal a été échantillonné a la fréquence Fe = 8000 Hz avec un nombre


d’échantillonnage réduit (N=100). Le signal et son spectre sont présentés sur la figure (3.4).
On remarque que les deux fréquences 2100 et 2230 sont confondues à cause de nombre
d’échantillon réduit (N = 100). En effet, la résolution en fréquence diminue à 80 Hz d’où la
difficulté de séparer les deux composantes fréquentielles.

(a)
2

1
Amplitude

-1

-2
0 0.002 0.004 0.006 0.008 0.01 0.012
Temps [s]
-3 (b)
x 10
6

4
Amplitude

0
0 500 1000 1500 2000 2500 3000 3500 4000
Fréquence [Hz]

Figure 3.4 : a) signal x2 (t) avec une fréquence d’échantillonnage 8000 et N=100
b) son spectre.
36  
 
Chapitre III. Simulation des signaux vibratoires
 
5. Signal modulé

5.1. Signal modulé en amplitude


Un signal sinusoïdal modulé en amplitude représente la manifestation vibratoire de
l’engrènement d’un train d’engrenages dont un des arbres présente une forte excentricité. Ce
signal peut être décrit par la formule suivante :

x4 (t) = cos (2π . 60 t ) ( 1+ 0.85 cos ( 2π . 7.2 t ) (III.3)

La figure 3.5 montre le signal modulé en amplitude ou la fréquence de la porteuse est égale à
60Hz et la fréquence du signal modulant est de 7.2 Hz. Le spectre du signal modulé montre la
fréquence porteuse et deux piques d’amplitude à gauche et à droite qui constitue ce qu’on
appelle une bande latérale de fréquences (voir Fig. 3.5.b). L’application de l’analyse
d’enveloppe démodule le signal (Fig.3.5 (c)), enlève cette bande latérale de fréquence et
donne la fréquence du signal modulant 7.2 Hz.

(a)
2
Amplitude

-2
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Temps
(b)
Amplitude

0
0 10 20 30 40 50 60 70 80 90 100
Fréquence [Hz]
(c)

2
Amplitude

0
0 10 20 30 40 50 60 70 80 90 100
Fréquence [Hz]
 
Figure 3.5 : a) signal x4(t) modulé en amplitude b) son spectre c) spectre d’enveloppe.
5.2. Signal modulé en fréquence
La variation de la vitesse d’une machine peut être simulée par un signal pseudopériodique
modulé en fréquence autour d’une fréquence porteuse.

Soit : x5(t) = sin [( 2000π t) + 3 sin ( 200 π t )] (III.4)

37  
 
Chapitre III. Simulation des signaux vibratoires
 
La figure 3.6 (a) montre le signal x5(t) et son spectre sur la fig. 3.6 (b), avec une bande latérale
de fréquences où la fréquence de la porteuse est 1000 Hz et la fréquence du signal modulant
qui est égale à 100 Hz. L’analyse d’enveloppe (voir Fig. 3.6.c) n’a aucun effet sur le signal et
reste incapable de démoduler le signal.

(a)
1
Amplitude

-1
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
Temps
(b)
2
Amplitude

0
0 500 1000 1500 2000 2500 3000 3500 4000
Fréquence [Hz]
-5 (c)
x 10
2
Amplitude

0
0 500 1000 1500 2000 2500 3000 3500 4000
Fréquence [Hz]

Figure 3.6 : a) signal x5(t) modulé en fréquence, b) son spectre, c) spectre d’enveloppe.

5.3. Signal modulé en fréquence et en amplitude


Un signal modulé en amplitude et en fréquence représente généralement un défaut de
denture des engrenages. Ce signal peut être décrit par la formule :

X6(t) = cos (2π.1000 t +3 cos ( 2π.100 t)) [ 1+cos (2π.10.t)] (III.5)

Les fréquences des signaux modulants d’amplitude et de fréquence sont respectivement 10 Hz


et 100 Hz. Le signal, son spectre et son analyse d’enveloppe est représenté sur la Fig. 3.7.
L’analyse d’enveloppe a pu démoduler la fréquence du signal modulé en amplitude qui est de
10 Hz.

38  
 
Chapitre III. Simulation des signaux vibratoires
 
(a)
2

1
Amplitude

-1

-2
0 0.05 0.1 0.15
Temps
(b)
1.5

1
Amplitude

0.5

0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Fréquence [Hz]
-5 (c)
x 10
1

4
Amplitude

10 Hz
ZOOM 2
0.5
0
0 10 20 30 40 50

0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Fréquence [Hz]

Figure 3.7 : a) signal x6(t) modulé en fréquence et en amplitude, b) son spectre, et


c) son spectre d’enveloppe.
6. Simulation signal d’Engrenage

Le but de cette partie est de simuler un type de défaut localisé sur une ou plusieurs dents
ou bien reparti sur toutes les dents.

Le signal associe à un défaut localisé va moduler en amplitude le signal dû à


l’engrènement, et on aura un spectre plus complexe caractérisé par l’apparition de bandes
latérales autour de la fréquence d’engrènement et de ses harmoniques selon le modèle :

! !

! ! = !!   ! =   !! 1 +   !! cos 2!"!!   ! cos(2!"#!! ! + φ ! + !(!) (III.6)  


!!! !!!

M est le nombre d’harmonique de la fréquence d’engrènement Feng = Zfs = 500 Hz, le nombre
de dents de la roue Z = 20, la fréquence de rotation fs = 25 Hz, Am est l’amplitude de
l’harmonique m. φm l’angle de phase et r(t) représente le bruit. Dans notre cas M = 3, et les
signaux harmoniques sont donnée par la formule III.7 :

39  
 
Chapitre III. Simulation des signaux vibratoires
 
s1 (t ) = 1.8(1 + 2.8 cos(2πf s t )) cos(2πZf s t + 3.6cos(0.4πt))

s 2 (t ) = 1.6(1 + 2.4 cos(4πf s t )) cos(4πZf s t + 3.6cos(0.4πt)) (III.7)

s3 (t ) = 1.3(1 + 2.2 cos(6πf s t )) cos(6πZf s t + 3.6cos(0.4πt))

Le somme des trois signaux constitue le signal de simulation d’un défaut d’engrenages
auquel est rajouté un bruit gaussien :

s(t) = s1(t) + s2(t) + s3(t) + bruit (III.8)

Ainsi, la figure 3.8 représente les trois signaux s1(t), s2(t), s3(t) et s(t) la somme de trois
signaux est leurs équations :

10

s 1(t) 0

-10
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
5

s 2(t) 0

-5
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
10

s 3(t) 0

-10
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
20

s(t) 0

-20
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
Temps [s]

Figure 3.8 : les trois composantes s1(t), s2(t) et s3(t) ainsi que le signal s(t).

6.1. Analyse spectrale et analyse d’enveloppe :


Nous appliquons sur le signal s(t), une analyse de Fourier et une analyse d’enveloppe. La
figure 3.9 (a) montre le spectre de signal s(t), avec trois bandes latérales de fréquences. Les
fréquences porteuses des trois modulations sont respectivement 500 Hz, 1000 Hz et 1500 Hz.
Le spectre résultant de l’analyse d’enveloppe est présenté sur la figure 3.9 (b). On remarque 3
piques d’amplitude aux harmoniques de la fréquence de rotation (25, 50 et 75 Hz), ainsi que
des bandes latérales de fréquences dues aux modulations de fréquences.

40  
 
Chapitre III. Simulation des signaux vibratoires
 
(a)
1

Amplitude

0.5

0
0 200 400 600 800 1000 1200 1400 1600 1800
Fréquence [Hz]
(b)
1

fs
Amplitude

0.5

0
0 200 400 600 800 1000 1200 1400 1600 1800
Fréquence [Hz]

Figure 3.9 : a) spectre du signal s(t), et b) spectre d’enveloppe du signal s(t).

6.2. Analyse par EMD/Ensemble EMD

Pour avoir plus de performance, nous avons décomposé le signal s(t) par les deux méthodes
EMD et EEMD. Les IMFs obtenues sont présenté en couleur bleu respectivement sur la figure
3.10 : (a) et (b). En rouge sont présentées les composantes de simulations originales. Les deux
méthodes ont réussi à extraire les trois composantes de fréquences de ce signal qui sont de
haute fréquence aux la basse fréquence (1500, 1000 et ensuite 500 Hz).

Visiblement, la méthode EEMD a mieux réussi à extraire les trois composantes et offre une
similarité plus importante que celle obtenue par l’EMD. Notamment si l’on considère l’IMF2
et l’IMF3.

41  
 
Chapitre III. Simulation des signaux vibratoires
 
(a) (b)
10 10
imf1
IMF1
s3(t) 0 s 3(t) 0

-10 -10
0 0.01 0.02 0.03 0.04 0.05 0 0.01 0.02 0.03 0.04 0.05
20 10
imf2 IMF2
s2(t) 0 s 2(t) 0

-20 -10
0 0.01 0.02 0.03 0.04 0.05 0 0.01 0.02 0.03 0.04 0.05
10 10
imf3 IMF
s 1(t)3
s1(t) 0 0

-10 -10
0 0.01 0.02 0.03 0.04 0.05 0 0.01 0.02 0.03 0.04 0.05
5 5
IMF4
imf4
0 0

-5 -5
0 0.01 0.02 0.03 0.04 0.05 0 0.01 0.02 0.03 0.04 0.05
2 5
imf5 IMF5
0 0

-2 -5
0 0.01 0.02 0.03 0.04 0.05 0 0.01 0.02 0.03 0.04 0.05
Temps [s] Temps [s]
 

Figure 3.10 : a) la décomposition EMD du signal s(t), et b) sa décomposition avec


l’Ensemble EMD.

Pour comparer entre les deux méthodes, nous proposons d’utilisé la méthode de
similitude entre les signaux et calculer le coefficient de corrélation entre ces IMFs et les
composantes originales. Celle qui donne les plus importants coefficients l’emporte sur l’autre
méthode. Ainsi nous profitant de cette technique pour choisir les IMFs qui contient la majorité
de l’information sur le contenu fréquentiel du signal et éliminer les composantes inutiles.

6.2.1. Sélection des IMFs intéressantes


Pour choisir, les IMFs intéressantes dans les deux méthodes EMD et EEMD en utilisant
la technique de coefficient qui permet d’étudier la similitude entre les IMFs et le signal
original. La figure 3.11(a) représente un histogramme des coefficients de corrélation entre
chaque IMF de l’EMD et le signal original, quant à la figure 3.11(b) représente un
histogramme des coefficients de corrélation entre chaque IMF de l’EEMD et le signal
original. Nous constatons que dans les deux histogrammes, Les trois premières IMFs
présentent les plus grands coefficients de corrélation, cela dit que ces trois IMFs sont les plus
significatives et qui présentent mieux le signal original. Dans un autre point, on constate que

42  
 
Chapitre III. Simulation des signaux vibratoires
 
les IMFs dans l’histogramme de l’EEMD leur niveau est plus élevé que les IMFs dans
l’histogramme de l’EMD.
(a) (b)
1 1

0.9 0.9

0.8 0.8
Coefficient de corrélation

Coefficient de corrélation
0.7 0.7

0.6 0.6

0.5 0.5

0.4 0.4

0.3 0.3

0.2 0.2

0.1 0.1

0 0
1 2 3 4 5 1 2 3 4 5
IMFs IMFs

Figure 3.11 : Histogrammes des coefficients de corrélation entre chaque IMF et le signal
original : a) IMFs de l’EMD et b) IMFs de l’EEMD.

6.2.2. Comparaison entre la méthode EMD et EEMD


Pour la comparaison entre les deux méthodes (EMD et EEMD), on propose de
reconstruire un signal à partir des IMFs qui ont la plus grande corrélation avec le signal
original. Dans les deux cas (EMD ou EEMD), le signal est reconstruit à partir des trois
premières IMFs. Ce qui donne deux signaux reconstruit : XEMD et XEEMD. Ensuite, on calcule
de nouveau le coefficient de corrélation des deux signaux reconstruit avec le signal original et
on compare les deux valeaurs:

• Corr [XEMD, s(t)] = 0.9791


• Corr [XEEMD, s(t)] = 0.9937

Le coefficient de corrélation dans le cas de l’EEMD est plus important que celui de
l’EMD, cela est dû au processus amélioré de l’EEMD par rapport à l’EMD.

Dans la figure 3.12(a) montre le signal reconstruit à partir de la méthode EEMD (XEEMD).
Le spectre d’enveloppe de ce signal (XEEMD) est donné sur la figure 3.12(b). La fréquence de
rotation fs = 25 Hz avec ses harmonique sont clairement montré sur le spectre d’enveloppe.
Cette méthode proposée est très efficace pour démoduler les signaux d’engrenage et détecter
les fréquences de défauts d’engrenage qui sont caractérisés par des piques d’amplitudes
fréquences de rotation de la roue ou du pignon dans un spectre d’enveloppe.

43  
 
Chapitre III. Simulation des signaux vibratoires
 
(a)
20

10

Amplitude
0

-10

-20
0 0.05 0.1 0.15
Temps [s]
(b)
1
fs
Amplitude

0.5

0
0 200 400 600 800 1000 1200
Fréquence [Hz]

Figure 3.12 : a) Signal reconstruit XEEMD b) son spectre d’enveloppe.

7. Simulation signal de Roulement

Nous avons un signal y(t) simulé de roulement avec un défaut auquel on a rajouté un bruit
blanc gaussien r(t). Ce signal est décrit par :

y(t ) = [0.5 sin(3600πt ) + sin(8000πt )]e −ατ + r (t ) (III.9)

Avec τ = mod(t ,1 f d ) qui est le reste de division de t sur 1 f d avec fd = 103 Hz et α = 900.

Cette fonction représente les chocs répétitifs induits par les défauts de roulement. Et les
fréquences de modulation, f1 = 1800 Hz et f2= 4000 Hz, elles représentent les fréquences de
résonance (l’excitation des fréquences propres du système mécanique par le défaut). La
fréquence d'échantillonnage est fe = 32768 Hz.

La figure 3.13(a) rapporte la représentation temporelle du signal y(t) sans bruit qui montre
des chocs d’espacés respecter ce qui correspond au défaut, et dans la fig. 3.13(b) donne le
même signal avec le bruit.

44  
 
Chapitre III. Simulation des signaux vibratoires
 
(a)
2

Amplitude
0

-1

-2
0 0.05 0.1 0.15
Temps
(b)
2

1
Amplitude

-1

-2
0 0.05 0.1 0.15
Temps

Figure 3.13 : a) signal d’un défaut roulement simulé, b) même signal avec bruit.

7.1. Analyse spectrale et analyse d’enveloppe


La figure 3.14(a) montre le spectre de deux fréquences de résonances (f1=1800 Hz et f2=4000
Hz) entourées par des raies latérales qui occupent deux bandes de fréquences, et la fig3.14(b)
représente le spectre d’enveloppe qui donne la fréquence caractéristique du défaut 103 Hz et
ces harmoniques.

(a)
0.02
Résononce 1
0.015 (4000Hz)
Résononce 1
Amplitude

0.01 (1800Hz)

0.005

0
0 2000 4000 6000 8000 10000 12000
Fréquence [Hz]
(b)
0.015
Fréquence de défaut
et ses harmoniques
0.01
Amplitude

0.005

0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Fréquence [Hz]

Figure 3.14 : a) le spectre de signal simulé, et b) le spectre d’enveloppe.

45  
 
Chapitre III. Simulation des signaux vibratoires
 
7.2. Analyse par Kurtogram

La figure 3.15 (a) donne le kurtogram du signal simulé y(t). Le Kurtogram indique un
kurtosis spectral maximum sur la bande {3072 Hz, 2048 Hz} qui située au niveau 3 avec une
valeur du kortosis maximal de 2,2. Le spectre donné par l’analyse d’enveloppe du signal filtré
sur cette bande, nous révèle des piques d’amplitudes aux harmoniques de la fréquence
caractéristique du défaut 103 Hz, comme le montre la figure 3.15(b).

(a)
fb-kurt.2 - Kmax =2.2 @ level 3, Bw= 2048Hz, fc =3072Hz -3 (b)
x 10
5
0 Fréquence de défaut 103Hz
2
1 et ses harmoniques
4
1.6
2 1.5
Amplitude
3
Niveau

2.6
3 1 2
3.6
4 1
0.5
4.6
5 0
0 0 200 400 600 800 1000 1200
0 2000 4000 6000 8000 10000 12000 14000 16000
Fréquence [Hz]
Fréquance [Hz]

Figure 3.15 : a) Kutogram du signal simulé, et b) le spectre d’enveloppe du signal filtré.

Conclusion
Cette étude menée sur des exemples de simulation a permis d'exposer clairement les
avantages et les limitations de chaque méthode considérée dans ce travail. La méthode EMD
et EEMD permettent de décomposer le signal en plusieurs IMFs. Nous avons montré que les
résultats obtenus par la méthode EEMD est très efficace que celle donnés par l’EMD. Pour les
roulements on applique le kurtosis spectral pour détecter les résonances dans un signal, ensuit
une analyse d’enveloppe de Hilbert est appliquée sur cette bande pour caractériser les
fréquences de défaut en cas de présence.

Dans le chapitre suivant, nous allons appliquer les quatre méthodes pour la détection d’un
défaut d’écaillage d’une dent d’engrenage, un défaut de bague externe de roulement et essayer
de détecter un défaut dans un cas combiné de défaut de roulement en présence de modulation
due aux signatures d’engrenages.

46  
 
Chapitre IV. Analyse des signaux vibratoires réels
 

Chapitre IV :

Analyse des signaux vibratoires réels :

Engrenages et Roulements

Introduction
Ce  chapitre  est  consacré  à  l’analyse  des  signaux  réels  d’engrenage  et  de  roulement  
recueillis   dans   des   laboratoires   spécialisés   dans   le   diagnostic   des   vibrations   des  
systèmes  mécaniques.  La  méthode  EEMD  a  été  appliquée  aux  signaux  réels  d’engrenages  
enregistrés   au   CETIM   (centre   d’études   techniques   et   industries   mécaniques,   Saint  
Etienne,   France).   Ainsi   nous   proposons   d’utiliser   le   calcul   des   corrélations   pour  
renforcer   la   méthode   et   faire   la   sélection   des   IMFs   contenant   l’information   sur   le   défaut.  
Ensuite,  des  signaux  de  roulement  enregistrés  sur  un  banc  d'essai  de  l’université  «  Case  
Western  Reserve  »,  (aux  États-­‐Unis)  ont  été  analysés  par  la  méthode  d’enveloppe  et  du  
Kurtogramme.  Dans  un  cas  particulier,  un  signal  combiné,  composé  de  deux  signatures  
d’engrenage   et   d’un   défaut   de   roulement,   enregistré   sur   le   banc   d’essai   Peter   Rig  
(Université   de   New   South   Wales,   en   Australie)   est   exploré   en   vue   de   la   séparation   des  
deux   différentes   signatures   en   utilisant   l’analyse   d’enveloppe   et   la   méthode  
Kurtogramme.  

8. Détection des défauts d’engrenage


La détection des défauts c’est à chaque passage du défaut à l’engrènement Z se traduira
par une impulsion. Ainsi, la période de ces chocs sera celle de la rotation de la roue de sortie.
Or cette dernière tourne à la vitesse V. Il en résulte donc un train de chocs de période 1/ fs,
soit une fréquence de défaut fs.

47  
 
Chapitre IV. Analyse des signaux vibratoires réels
 

8.1. Présentation du banc d’essai du Cetim


Le banc d’essai du CETIM est un réducteur composé d’un pignon de 20 dents et d’une
roue de 21 dents [2]. La figure 4.1 montre une roue sans défaut et une roue avec un défaut
d’écaillage. La vitesse de rotation de l’arbre est de 1000 tr/min soit environ 17 Hz. La
fréquence d’engrènement est de l’ordre de 340 Hz. La fréquence d’échantillonnage est égale à
20 kHz. Chaque enregistrement comporte 60000 échantillons soit une durée du signal de 3 s.
L’expérimentation a duré 13 jours où le réducteur passe de l’état de bon fonctionnement à un
état détérioré. Les conditions de fonctionnement (vitesse, couple) ont été fixées de façon à
obtenir un écaillage sur toute la longueur d’une dent. Après chaque acquisition des signaux
vibratoires, le banc est arrêté pour expertiser l’état des dentures des roues. Les signaux du 1er
jour au11ème jour ne permettent pas de détecter de façon précoce l’apparition d’un défaut
avant le 12ème jour. En effet, les impulsions dues au défaut sont masquées par des bruits
d’origines diverses (bruit de quantification, bruit magnétique, etc.).

(a) (b)

Fig4.1 : Photos d’une roue du banc du CETIM a) sans défaut, b) avec défaut.

La figure (4.2) montre les représentations temporelles des signaux du 1er jour et 13ème jour.

48  
 
Chapitre IV. Analyse des signaux vibratoires réels
 
(a)
1

0.5

Amplitude 0

-0.5

-1
0 0.5 1 1.5 2 2.5 3
Temps [s]
(b)
1

0.5
Amplitude

-0.5

-1
0 0.5 1 1.5 2 2.5 3
Temps [s]

Figure 4.2 : a) Signal réel d’engrenage sans défaut du 1er jour, et b) signal réel mesuré le
12ème jour avec un défaut d’écaillage d’une dent.

8.2. Analyse par la méthode EEMD


Les IMFs obtenues par la décomposition EEMD des signaux enregistrés le 1ere jour
(xs(t)) et le 12eme jour (xd (t)) sont représenté respectivement dans la figure 4.3. Pour  chaque  
signal  9  IMFs  ont  été  obtenues.  Visiblement,  les  IMFs  du  signal  avec  défaut  montrent  des  
impulsions  répétitives  comme  dans  la  figure  4.3  (b).  Cela  est  dû  à  la  présence  de  chocs  
créés  par  le  défaut  sur  la  dent  de  la  roue  en  question.  

49  
 
Chapitre IV. Analyse des signaux vibratoires réels
 
(a) (b)
0.2 1
0 0
-0.2 -1
0 1 2 3 0 1 2 3
0.5 1
0 0
-0.5 -1
0 1 2 3 0 1 2 3
0.2 0.5
0 0
-0.2 -0.5
0 1 2 3 0 1 2 3
0.05 0.2
0 0
-0.05 -0.2
0 1 2 3 0 1 2 3
0.02 0.1
0 0
-0.02 -0.1
0 1 2 3 0 1 2 3
0.01 0.05
0 0
-0.01 -0.05
0 1 2 3 0 1 2 3
0.01 0.05
0 0
-0.01 -0.05
0 1 2 3 0 1 2 3
0.01 0.05
0 0
-0.01 -0.05
0 1 2 3 0 1 2 3
0.05 0.05
0 0
-0.05 -0.05
0 1 2 3 0 1 2 3
Temps [s] Temps [s]

Figure 4.3 : a) IMFs obtenues par l’EEMD pour signal sain, et b) IMFs obtenues par l’EEMD
pour signal avec défaut.

8.3. Calcul des coefficients de corrélation et choix des IMFs


Pour chaque signal (sain et défaut), on calcule le coefficient de corrélation entre chaque
IMF obtenue et le signal original correspondant. La figure 4.4 (a) représente un histogramme
des coefficients de corrélation entre chaque IMFs et le signal sain, tandis que La figure 4.4 (b)
représente un histogramme des coefficients de corrélation entre chaque IMFs et le signal avec
défaut. Dans les deux cas, les 4 premières IMFs ont les plus grandes valeurs de coefficient de
corrélation, c’est pourquoi on choisit de reconstruire un signal avec ces quatre IMFs et on
obtient deux signaux : Xs(t) pour xs(t) et Xd(t) pour xd(t).

Le coefficient de corrélation entre xs(t) et Xs(t) est égal à 0.9967 et le coefficient de


corrélation entre xd(t) et Xd(t) est égal à 0.9920. Les deux signaux reconstruit représentent très
bien les signaux d’origines sain et avec défaut.

50  
 
Chapitre IV. Analyse des signaux vibratoires réels
 
(a) (b)
1 1

0.9 0.9

0.8 0.8
Coefficient de Corrélation

Coefficient de Corrélation
0.7 0.7

0.6 0.6

0.5 0.5

0.4 0.4

0.3 0.3

0.2 0.2

0.1 0.1

0 0
1 2 3 4 5 6 7 8 9 1 2 3 4 5 6 7 8 9
IMFs IMFs

Figure 4.4 : a) histogramme des coefficients de corrélation pour le cas du signal sain,
b) histogramme des coefficients de corrélation pour le cas du signal avec défaut.

8.4. Analyse d’enveloppe des signaux reconstruits


Chaque signal reconstruit Xs(t) et Xd(t), est représenté temporellement dans les deux
graphes de la figure 4.5(a) et 4.5(b) respectivement. La figure 4.5(c)   montre   le   spectre  
d’enveloppe  du  signal  sain  reconstruit  Xs(t), dont on remarque un seul pique avec une faible
amplitude au 2ème harmonique de la fréquence de défaut. En   examinant   le   spectre  
d’enveloppe  du  signal  reconstruit  Xd(t) sur la  figure  4.5(d), nous remarquons d’importante
piques d’amplitude à la fréquence caractéristique du défaut et une multitude de ses
harmoniques.    
(a) (b)
1 1

0.5 0.5
Amplitude

Amplitude

0 0

-0.5 -0.5

-1 -1
0 0.5 1 1.5 2 2.5 3 0 0.5 1 1.5 2 2.5 3
Temps [s] Temps [s]
(c) (d)
0.2 0.2
Fréquence
caractéristique
0.15 0.15
fs du défaut
Amplitude

Amplitude

0.1 0.1

0.05 2xfs 0.05

0 0
0 100 200 300 400 500 0 100 200 300 400 500
Fréquence [Hz] Fréquence [Hz]  

Figure 4.5 : a) la représentation temporelle du signal reconstruit Xs(t) c) son spectre


d’enveloppe, b) la représentation temporelle du signal reconstruit Xd(t) d) son spectre
d’enveloppe

51  
 
Chapitre IV. Analyse des signaux vibratoires réels
 
9. Détection des défauts de roulements
9.1. Présentation du banc d’essai de Roulement
Les Signaux de roulement que nous nous sommes proposé d’étudier ont été fournis par
l’université Case Western Reserve (Etats Unis) [2]. La base des données des essais de
roulements à billes normaux ou défectueux a été recueillie sur un banc d’essai composé d’un
moteur, un accouplement et une génératrice. Ce banc est représenté dans figure 4.6. Les
défauts sont sous forme de points de diamètres différents. Les défauts ont été créés par une
machine d’électro érosion sur les différents éléments de roulements. La fréquence
d’échantillonnage est 48000 Hz et la fréquence de rotation est environ 29 Hz. Dans ce travail,
nous avons étudié les roulements du côté moteur sans charge (sans variation de la vitesse).
Ainsi nous considérons deux signaux; un signal sain et un signal avec défaut de bague
extérieure avec une fréquence caractéristique de ce défaut BPFO = 107.02 Hz. Les
représentations temporelles de ces deux signaux sont données par la figure 4.7.

Figure 4.6 : Banc d’essai

52  
 
Chapitre IV. Analyse des signaux vibratoires réels
 
(a)
0.5

Amplitude
0

-0.5
0 0.05 0.1 0.15
Temps [s]
(b)

5
Amplitude

-5
0 0.05 0.1 0.15
Temps [s]
 

Figure 4.7 : a) le signal mesuré sans défaut, et b) le signal mesuré avec défaut de bague
extérieure.

9.2. Analyse spectrale


La figure 4.8 (a) montre le spectre du signal mesurée d’un roulement sans défaut. Sur ce
spectre nous remarquons l’absence totale de la fréquence de défaut. Tandis que, la figure 4.8
(b) montre le spectre du signal d’un roulement avec défaut. Sur celui-ci, nous observons
facilement l’apparition des résonances entourées par des raies latérales. Ces résonances sont le
résultat de l’excitation des fréquences propres du système mécanique par les chocs répétitifs
créés par le défaut.

La figure 4.8 (c) montre le spectre d’enveloppe d’un signal sain, on a fait un ZOOM sur le
spectre dans un intervalle bien déterminé, et nous pouvons vérifier l’absence d’indices sur un
quelconque défaut. Cependant, la figure 4.8 (d) montre le spectre d’enveloppe d’un signal
avec défaut, dans laquelle on peut lire facilement la fréquence de défaut BPFO = 107,02 Hz et
ses harmoniques. Les piques avec des amplitudes importantes montrent la sévérité du défaut.

53  
 
Chapitre IV. Analyse des signaux vibratoires réels
 
(a) (b)
1.5 1.5
2 résononces

1 1
Amplitude

Amplitude
0.5 0.5

0 0
0 1000 2000 3000 4000 5000 6000 0 1000 2000 3000 4000 5000 6000
Fréquence [Hz] Fréquence [Hz]

(c) (d)
3 3
BPFI et ses
0.1
2.5 2.5 harmonique
0.05
2 2
Amplitude

Amplitude
0
1.5 0 100 200 300 1.5

1 1

0.5 0.5

0 0
0 200 400 600 800 1000 1200 0 200 400 600 800 1000 1200
Fréquence [Hz] Fréquence [Hz]  

Figure 4.8 : a) spectre du signal sain, b) spectre du signal avec défaut, c) spectre d’enveloppe
du signal sain, et d) spectre d’enveloppe du signal avec défaut.

9.3. Analyse par Kurtogramme rapide


Le kurtogram suivant enregistré sur les roulements du côté moteur sans charge. La bande
qu’on retrouve sur le kurtogram du signal sain de la figure 4.9 (a) est {19875 Hz, 20250 Hz},
qui se retrouve au niveau 6 avec une valeur de kortosis maximal Kmax=0,8. Sur le spectre
d’enveloppe de la figure 4.9 (b), on détecte la fréquence de rotation Fr=28,7 Hz et ses
harmoniques avec de très faibles amplitudes.

Toutefois, le kurtogram du signal mesurée avec défaut donnée sur la figure 4.9 (c),
indique une autre bande ; {17kHz – 2KHz, 17kHz + 2KHz}, située au niveau 3,5 avec une
valeur Kmax=13,7. On fait une analyse d’enveloppe du signal filtré sur cette bande, on
détecte la fréquence caractéristique de ce défaut BPFO = 107 Hz et ses harmoniques. Le
résultat est sur la figure 4.9 (d).

54  
 
Chapitre IV. Analyse des signaux vibratoires réels
 
(a) x 10
-6 (b)
fb-kurt.2 - K =0.8 @ level 6, Bw= 375Hz, f =20062.5Hz 1.4
max c

0 0.8
1.2
1
0.7
1.6 1
2 0.6
Fr = 28.75Hz

Amplitude
2.6 0.8 et ses
0.5 hormoniques
3
Niveau

0.4 0.6
3.6

4 0.3 0.4
4.6
0.2
5 0.2

5.6 0.1
0
6 0 50 100 150 200 250 300 350 400
0 0.5 1 1.5 2
0 Fréquence [Hz]
 
Fréquence [Hz] 4
x 10

(c)
fb-kurt.2 - Kmax=13.7 @ level 3.5, Bw= 2000Hz, fc=17000Hz x 10
-6 (d)
1.4
BPFO=107Hz
0 et ses
1.2 hormoniques
1 12

1.6
1
10
2

Amplitude
2.6 0.8
8
Niveau

3
0.6
3.6
6
4
0.4
4.6 4

5 0.2
5.6 2

0
6 0 200 400 600 800 1000 1200 1400 1600 1800 2000
0 0.5 1 1.5 2 Fréquence [Hz]
Fréquence [Hz]
x 10
4
     

Figure 4.9 : a) Kurtogram du signal sain, b) le spectre d’enveloppe du signal filtré obtenu. c)
kurtogram du signal avec défaut, et d) le spectre d’enveloppe du signal filtré.

10. Diagnostic dans un cas combiné


Lorsqu’un   signal   est   enregistré   sur   une   machine,   il   est   souvent   très   difficile   de  
l’analyser.  Il  se  compose  en  effet  des  signatures  vibratoires  de  plusieurs  organes.  Dans  
cette  partie  nous  avons  choisi  d’étudier  un  signal  combiné,  composé  de  deux  signatures  
d’engrenage   et   d’un   défaut   de   roulement,   enregistré   sur   le   banc   d’essai   Peter   Rig  
(Université  de  New  South  Wales,  en  Australie)  [16].  Le  banc  est  composé  de  deux  roues  
(Figure  4.10).  Le  rapport  des  nombres  de  dents  est  32:  49.  La  roue  menante  a  une  dent  
défectueuse.   La   vitesse   de   sortie   choisie   dans   notre   étude   est   3   Hz  et   un   couple   de   50  
Nm.   Les   signaux   vibratoires   sont   mesurés   avec   une   fréquence   d’échantillonnage   de  
16  384  Hz.    

Dans   notre   étude,   nous   avons   choisi   un   signal   enregistré   pour   détecter   un   défaut  
localisé  de  bague  interne  sur  un  roulement  placé  sur  le  boitier  du  banc  du  réducteur.  Les  
roulements   sont   de   type   Koyo   1250   en   double   rangée   d’auto-­‐alignement.   Selon   ces  
démentions,  la  fréquence  caractéristique  de  défaut  de  bague  interne  sur  le  roulement  est  

55  
 
Chapitre IV. Analyse des signaux vibratoires réels
 
BPFI=  22.4  Hz.  La  représentation  temporelle  du  signal  mesuré  est  donnée  par  la  figure  
4.11.  

Figure  4.10  :  Banc  d’essai  Peter  Rig  

20

15

10

5
Amplitude

-5

-10

-15

-20
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Temps [s]

Figure 4.11 : Signal mesuré.

10.1. Analyse spectrale :


On applique l’analyse spectrale pour le signal mesuré. La figure 4.12 (a) montre le
spectre d’un signale mesuré avec défaut de roulement où nous pouvons lire la fréquence
d’engrènement (200 Hz) mais nous ne pouvons pas distinguer la fréquence de défaut de
roulement.

Sur le spectre d’enveloppe figure 4.12 (b), aucune information n’est enregistrée à propos
du défaut de roulement. A moins de faire le zoom, un pique de faible amplitude apparait à la

56  
 
Chapitre IV. Analyse des signaux vibratoires réels
 
Fr+fd=25.7 Hz. Nous ne pouvons pas qualifier cette fréquence comme étant la manifestation
du défaut existent sur le roulement.
(a)
20

15
Amplitude

10

0
0 100 200 300 400 500 600 700 800 900 1000
Fréquence [Hz]
(b)
20
3
Feng = Z*fr = 32*3.11 = 99.55 Hz
15 2 X: 25.07
Y: 1.02
Amplitude

1
10
0
0 50 100 150 200
5

0
0 100 200 300 400 500 600 700 800 900 1000
Fréquence [Hz]

Figure 4.12 : a) le spectre du signal mesuré, et b) spectre d’enveloppe de ce signal.

10.2. Analyse par Kurtogram


Le Kurtogram du signal en question est reporté sur la figure 4.13 (a). Nous observons une
bande {5120, 4779 Hz} au niveau 4.5 avec une valeur Kmax = 10. A partir de cette bande on
fait l’analyse d’enveloppe du signal filtré.

La figure 4.13 (b) montre le spectre d’enveloppe du signal filtré. Nous remarquons
clairement l’existence de la fréquence du défaut (22.4 Hz) et quatre de ses harmoniques.
Nous remarquons aussi l’existence de deux harmoniques de la fréquence de rotation 3 Hz.

(a)
fb-kurt.2 - K =10 @ level 4.5, Bw= 341.3333Hz, f =4949.3333Hz -5
(b)
max c x 10
0
5
BPFI = 22.4 Hz
1 9
et ses
1.6 8 4 harmoniques
2
2.6
7 Fr
Amplitude

3 6 3
Niveau

3.6
Niveau

5
4
4.6 4 2
5
3
5.6
2
1
6
6.6 1
7 0
0 1000 2000 3000 4000 5000 6000 7000 8000
0 0 50 100 150 200
Fréquence [Hz]
Fréquence [Hz] Fréquence [Hz]
Figure 4.13 : a) Kurtogram du signal avec défaut combine, et b) Spectre d’enveloppe du
signal filtré.
57  
 
Chapitre IV. Analyse des signaux vibratoires réels
 
 

Conclusion
Dans  cette  partie,  nous  avons  étudié  plusieurs  signaux  qui  décrivent  les  états  de  
trois   bancs   d’essai   comportant   différents   défauts.   La   décomposition   EEMD   nous   a  
permis   l’identification   d’un   défaut   d’engrenage   lors   d’un   essai   de   fatigue.   L’application  
d’analyse   par   Kurtogram   permet   de   situer   les   résonances   créées   par   les   défauts   de  
roulements  et  définir  les  plages  de  fréquence  dans  lesquelles  résident  les  signatures  du  
défaut.    
Nous  avons  également  réussi  à  séparer  des  signatures  composées  (Roulement  et  
engrenage),   en   utilisant   des   signaux   réels   récoltés   sur   un   banc   de   réducteur   avec   un  
défaut   de   roulement.   Nous   avons   également   montré   que   chaque   méthode   appliquée  
séparément  ne  permet  pas  d’assurer  une  détection  adéquate  de  défauts  d’où  le  concept  
de  combiner  l’analyse  d’enveloppe  avec  le  Kurtogramme  afin  d’augmenter  la  capacité  de  
détection  des  défauts.  

58  
 
Conclusion générale
 

Conclusion générale

Ce travail de mémoire a été consacré au diagnostic des défauts mécaniques sur les
roulements et les engrenages. D’abord, on s’est intéressé aux modèles de simulation publiés
sur les différents signaux vibratoires à savoir les modulations des signaux, les impulsions dues
aux chocs et la simulation des bruits balayant toutes les fréquences spectrales. Ces modèles
nous ont permis de comprendre l’effet des défauts sur le fonctionnement d’une machine et à
expliquer les phénomènes physiques mis en jeu lors de l’apparition de ce type de défauts.

Notre méthodologie de travail était dans un premier temps d’utiliser les modèles de
simulation afin de les analyser par des méthodes d’analyse spectrales classiques. Plusieurs
signaux, sinusoïdale, sommes de sinusoïdes, modulation d’amplitude, modulation de
fréquences ainsi que des signaux simulant les défauts de roulement et d’engrenage ont été
traités par deux méthodes classiques. Il s’agit de l’analyse spectrale basée sur la transformée
de Fourier et l’analyse d’enveloppe basée sur la transformée de Hilbert.

L’analyse des signaux par ces techniques nous a permis de comprendre la consistance de
chaque signal et sa manifestation dans le domaine spectral. Cette première étude est suivie par
l’utilisation de deux techniques avancées récemment développées qui sont; la méthode de la
décomposition en modes empiriques d’ensemble et la méthode du kurtosis spectral basé sur
l’algorithme du kurtogram. L’EEMD est une amélioration de l’EMD simple. Nous avons,
comparer l’EMD) et l’EEMD. Bien que la méthode EEMD soit en voie de développement,
elle a donné des résultats meilleurs et plus performants. Nous avons montré que la
décomposition EEMD permet une meilleure séparation de signatures composées issues
d’engrenage à travers l’étude par les coefficients de corrélation. Cette méthode a été testée par
des signaux simulés et validée par des signaux réels en présence de différents défauts.

Par ailleurs nous avons montré l’effet de la méthode kurtosis spectrale sur les roulements.
Le Kurtogram permet d’identifier les zones fréquentielles excitées par le défaut et la
transformée de Hilbert permet de démoduler le signal. Les résultats montrent que cette
approche permet d’identifier clairement les fréquences de défauts, ses harmoniques dont le
nombre évolue avec la sévérité du défaut, ainsi que les fréquences de modulation de la vitesse

59  
 
Conclusion générale
 
de rotation autour de ses harmoniques dont le nombre permet d’apprécier la sévérité du
défaut.

Dans un cas particulier, un signal combiné, composé de deux signatures d’engrenage et


d’un défaut de roulement a été exploré. L’étude que nous avons menée a révélé l’incapacité
de la méthode classique qui est l’analyse d’enveloppe à dépister le défaut. Tandis que
l’analyse par kurtogram a pu facilement distinguer la bande où se manifeste le défaut et
permet la détection efficace de celui-ci.

60  
 
Références Bibliographiques
 

Références bibliographiques

[1] C. Breneur, Eléments de maintenance préventive de machines tournantes dans le cas de


défauts combinés d’engrenages et de roulements, Thèse doctorat, INSA de Lyon, 2002.

[2] H. Mahgoun, Analyse  non  stationnaire  des  signaux  vibratoires  dans  la  surveillance  des  
machines  et  la  prévention  des  défaillances,  Thèse  de  doctorat,  Université  Farhat  Abbas  
de  Setif  –  Algéirie,  2013.  

[3] J. Morel, Vibrations des machines et diagnostic de leur état mécanique, Eyrolles, Paris,
1992.

[4] Xiaohong Yuan, LilongCai, Variable amplitude Fourier series with its application in
gearbox diagnosis, Part I: Principle and simulation, Mechanical Systems and Signal
Processing 19 (2005) 1055–1066.

[5] N. Tandonet A. Choudhury, A review of vibration and acoustic measurement methods for
the detection of defects in rolling element bearings.Tribology International, (1999) 23,
469-480.

[6] Boulenger A. &Pachaud C., "Diagnostic vibratoire en maintenance préventive", Dunod


1998.

[8] P. Flandrin, Temps-fréquence, 2ème édition, Hermes, Paris, 1998.

[7] Yacine Imaouchen, RezakAlkama et Marc Thomas, Considération des Indicateurs


statistiques, Kurtogram et Enveloppe de Hilbert pour la détection précoce d’un défaut de
bague extérieure d’un roulement”, 2ème Conférence CIMGLE, 19-21 Novembre 2012,
Oran- Algérie.

[9] Y. Meyer, L’analyse par ondelette, pour la science, sept1987, mensuelN°119, pp. 28-37.

[10] N.E. Huang, Z. Shen, S.R. Long, M.C. Wu, H.H. Shih, Q. Zheng, N.C. Yen, C.C. Tung
et H.H. Liu. The empirical mode decomposition and the Hilbert spectrum for nonlinear
and non-stationary time series analysis. Proceedings of the Royal Society :
Mathematical, Physical and Engineering Sciences, vol. 454, no. 1971, pages 903–995,
1998.

[11] G. Rilling. Décompositions Modales Empiriques. Contributions à la théorie, l’algorithme


et l’analyse de performances. Thèse de doctorat, ENS Lyon, 2007.

[12] Thomas Oberlin, Analyse de Signaux Multicomposantes : Contributions à la Décom-


position Modale Empirique, aux Représentations temps-fréquence et auSynchro-
squeezing. Thèse de doctorat, Université de Grenoble, 2013.

61  
 
Références Bibliographiques
 
[13] Z. Wu et N.E. Huang, "A study of the characteristics of white noise using the empirical
mode decomposition method," Proceedings - Royal Society. Mathematical, physical and
engineering sciences, vol. 460, pp. 1597-1611, 2004.

[14] P. Flandrin, P. Goncalves, et G. Rilling, "EMD Equivalent Filter Banks, from


Interpretation to Applications," dans : Hilbert-Huang Transform and Its Applications,
N.E. Huang. et S.S.P. ShenEds, World Scientific, pp. 57-74, 2005.

[15] Z. Wu and N. E. Huang, 2009, Ensemble empirical mode decomposition: A noise-


assisted data analysis method. Advances in Adaptive Data Analysis, 1, no. 1, 1–41.

[16] Frédéric Bonnardot, R.B. Randall et François Guillet. « Extraction of second-order


cyclostationary sources – Application to vibration analysis Mechanical Systems and
Signal Processing 19 (2005) 1230 – 1244.

62  
 
Résumé
L’objectif de ce travail est le diagnostique provenant des défauts mécaniques tels que
les défauts de roulements et d’engrenages.

Pour atteindre cet objectif, plusieurs méthodes basées sur l’EMD et le kurtogram ont été
appliquées à l’analyse des signaux vibratoires simulés de roulements et d’engrenages sains et
défectueux.

Les résultats de ce travail ont montré que l’utilisation individuelle de ces méthodes n’est pas
efficace. Par conséquent, il a été proposé pour améliorer la maintenance prédictive vibratoire.

Ces méthodes sont basées sur l’EEMD et le kurtogram pour le débruitage ainsi que le
Kurtosis pour la décision finale du diagnostic. Les méthodes suggérées ont été validées
expérimentalement à l’aide des signaux réels issus de trois bancs d’essaies (un pour les
défauts d’engrenages, un autre pour les défauts de roulements et un autre pour la séparation
des signatures d’engrenages et de roulements).

Abstract
The objective of this work is early diagnosis of malfuctions from defects Mechanical
faults such as bearings and gears. To achieve this, several methods based on EMD / EEMD
and kurtogram were applied to the analysis of the vibration signals simulated bearings and
gears and healthy defective. The results of this work showed that the individual’s use of these
methods is not effective. Therefore, it has been proposed to improve the predictive
maintenance vibration using hybrid methods. These methods are based on EEMD and for the
die Kurtogram sound effects and the Kurtosis for the final decision of the diagnosis. The
suggested methods have been validated exprimentally using real signals from three rows of
trying (one for the gear defects, another for bearing defects and the other for the separation of
the gears and bearings signatures).