Traitement du signal

Formation OROS

Mars 2015
 Notion AC / DC

Un signal est toujours la somme des composantes AC et DC

- Composante DC
Partie statique du signal,
invariant dans le temps
Exemple : Température, sonde de
proximité

- Composante AC
Partie dynamique du signal
Variation périodique, aléatoire, transitoire
Exemple: choc, vibration d’un moteur…
Le couplage DC conserve les deux composantes => AC+DC
Le couplage AC conserve la composante AC, et supprime la
composante DC
 Les signaux
• Semi-périodique

PERIODIQUE

DETERMINISTES x(t)=x(t+kT)
STATIONNAIRES
Prédiction par modèles QUASI-PERIODIQUE
Invariants dans le temps mathématiques
Somme de signaux périodiques
rapport de période irrationnel
 Les signaux

• Périodique

x(t)=x(t+kT) Exemple : x(t)=sin(2t)+cos(3t)

T 2 / 6
 Les signaux

PERIODIQUE

DETERMINISTES

STATIONNAIRES
QUASI-PERIODIQUE

ALEATOIRE

Imprévisible en temporel
=> Observation statistique
 Les signaux

• Aléatoire Exemple : bruit blanc

Signal temporel
Sur une observation
de 20 ms de ce signal,
chaque spectre est
différent.
 Les signaux

• Aléatoire Exemple : bruit blanc

Imprévisible en temporel
observation statistique

Une moyenne
de 400 spectres
montre une répartition
homogène des fréquences.
 Les signaux

PERIODIQUE

DETERMINISTES x(t)=x(t+kT)
STATIONNAIRES
Prédiction par modèles QUASI-PERIODIQUE
Invariants dans le temps mathématiques
Somme de signaux périodiques
ALEATOIRE
rapport de période irrationnel
Imprévisible en temporel
observation statistique
TRANSITOIRE
durée très courte
NON STATIONNAIRES
varient dans le temps
pas d’observation statistique
 Les signaux

• Transitoire
Ces signaux se caractérisent par une durée courte.
Exemple: Impulsion de Dirac δ

Cette propriété est utilisée pour des

applications modales dans le but
d’exciter toutes les fréquences.
 Acquisition d’un signal

Grandeur Capteur Conditionnement

Physique

Traitements Numérisation Filtre analogique

 Conditionnement du signal

Analyseur

Calibre d’entrée
Amplitude du signal

L’amplitude du signal doit être < Calibre d’entrée de l’analyseur

Sinon  écrêtage du signal

 risque de détériorer l’analyseur
Conditionnement du signal

Calibre d’entrée
Atténuation
Calibre d’entrée

Calibre d’entrée
Amplification

Gain d’entrée
 Numérisation du signal

Signal analogique Signal discrétisé

Numérisation

Echantillonnage Quantification
 Echantillonnage

Ts

Prend une valeur par période

Cette période est appelée période d’échantillonnage Ts
 Quantification

Discrétisation en amplitude
Le signal prendra la valeur la plus proche des valeurs discrètes
 Quantification en amplitude

Le nombre de valeurs possibles est donné par la dynamique de

mesure, exprimée en bits.
valeurs possibles en amplitude

Si 24 bits alors 2^24 = 1.7 Milliard valeurs

Ex: Codage sur 2 bits (2^2 = 4 valeurs)

Codage Niveaux
0 0 0V
0 1 3.3 V
1 0 6.6 V
1 1 10 V

30-Nov-11 Exemple de présentation

 Signal numérisé

Le signal continu est devenu une séquence de valeurs.

 Fréquence d’échantillonnage
La fréquence d’échantillonnage correspond au nombre d’échantillons par seconde

′ 1
𝐹𝑟 é 𝑞𝑢𝑒𝑛𝑐𝑒 𝑑 é 𝑐h𝑎𝑛𝑡𝑖𝑙𝑙𝑜𝑛𝑛𝑎𝑔𝑒 𝐹𝑠= ′
en Hertz
𝑃 é 𝑟𝑖𝑜𝑑𝑒 𝑑 é 𝑐h𝑎𝑛𝑡𝑖𝑙𝑙𝑜𝑛𝑛𝑎𝑔𝑒 𝑇𝑠
Choisir la fréquence d’échantillonnage
- Phénomène lent :
 Ts long / Fe faible

- Phénomène rapide :
 Ts court / Fe élevé
Choix de la période d’échantillonnage
T=1s

- Ts1=1s  1 sample per sec.  Fs=1Hz

- Ts2=0,5s  2 sample per sec.  Fs=2Hz

- Ts3=0,33s  3 sample per sec.  Fs=3Hz

 Les indicateurs scalaires
Niveau RMS

Niveau
crête Valeur
moyenne

Temps
Niveau
crête à
crête
Représentation fréquentielle d’un signal
 Principe fondamental de la FFT

>Théorème de Fourier : Toute fonction continue est décomposable en

série de FOURIER. C’est-à-dire en somme infinie de signaux
sinusoïdaux de différentes fréquences et amplitudes.
 Transformée de Fourier d’un signal
numérique
Lorsque l’on effectue la transformée de Fourier d’un signal numérisé, le
spectre et la composition de :
- l’enveloppe du signal (ce que l’on cherche à mesurer)
- L’horloge de l’analyseur (ce qui a permis de numériser le signal mais qui
n’a pas de sens physique
 Théorème de Shannon

Fe > 2,56 Fmax

Fmax correspond à la bande d’analyse

 Acquisition de spectre
Un spectre correspond à la représentation fréquentielle d’un signal.

Si un signal comporte N points, le spectre comporte lui aussi N points.

Pour acquérir N points de signal, il faut une certaine durée donnée par la relation:

Durée = Npoints x Période d’échantillonnage Ts = Npoints x (1/Fréquence d’échantillonnage)

Exemple:
Pour acquérir un signal de 1024 points échantillonnés à 51200Hz, il faut :
Durée = 1024 x (1/51200) = 0.02 s

Si on fait la transformée de Fourier de ce signal, on obtiendra un spectre de

- N = 1024 points
- Étalés sur 51200 Hz
- Soit un point en fréquence tous les 51200/1024 = 50 Hertz

Ce paramètre s’appelle la Résolution fréquentielle

 Tenir compte du repliement
Selon le théorème de Shannon, les points fréquentiels supérieurs au-delà de
Fe/2.56 sont faux.

Il faut donc enlever cette partie du spectre.

Dans l’exemple précédent, on ne conserve donc que
N’=N/2.56 = 1024/2.56 = 400 points
F’=Fe/2.56 = 51200/2.56=20000Hz

nombre de lignes spectrales

t (en s) =
fréquence maximum (Hz)
 But du fenêtrage
Lorsqu’on effectue la FFT d’un signal sur une durée
finie, on considère que le signal est périodique sur
cette durée
1.0 Am plitude
0
0.8
0
1,00
0.6
0,80 0
0.4
0,60
0
0,40 0.2
0,20
0
0.0
0,00
0
0,50

2,50

4,50

6,50

8,50

10,50

-0,20 - Temps
0.20
-0,40
-
-0,60 0.40
-0,80 -
0.60
-1,00
-
0.80
-
1.00

Discontinuités qui faussent le résultat de la FFT

 Principe du fenêtrage
Pour palier à ce problème, on va convoluer le signal temporel dans la mémoire par une
fonction temporelle périodique, de période égale à la durée d'examen du signal, qui
commence par 0 et fini par 0.

Exemple : La fenêtre de Hanning :

Hanning Original Fenêtré

1,5

0,5

0
0 100 200

Partant de 0 et arrivant à 0 elle rend bien notre signal périodique sur la durée d'examen
sans discontinuités brutales, bien qu'elle le déforme comme le montre le graphe ci
dessous.
Choice the appropriate window

OROS – signal processing

 FFT processing
Start Stop
600 m

s²)
Acceleration (m/ s²)

(m/s²)
400 m
400 m
400 m

Acceleration(m/
200 m 200 m
200 m

Acceleration
0 00
-200 m -200 mm
-200
-400 m -400 m
m
-400
-600 m
0 1 2 3 4 5 00 50 m
50 m 100 m
100 m 150
150 m
m 200200 m
m 250
250 m
m 300
300 m
m
Time (s)
Time (s)
Time (s)

Windowing
25 m
400 m
Acceleration (m/ s²)

20 m 300 m

Acceleration (m/s²)
200 m
15 m 100 m

10 m FFT 0
-100 m
-200 m
5m
-300 m

0 2k 4k 6k 8k 10 k 0 50 m 100 m 150 m 200 m 250 m 300 m

Frequency (Hz) Time (s)

Instantaneous Spectrum
 But du moyennage
> Le résultat brut du module FFT est un "spectre instantané". Ce spectre
instantané ne représente qu'une portion du signal.

> Le moyennage permet d’analyser le signal sur une durée plus longue, et
donc d’améliorer l’estimation de l’énergie réelle du signal.

> Moyennage linéaire ou exponentiel

Moyennage temporel ou fréquentiel
 FFT processing: linear Averaging, Size 3
Start Stop
600 m

Acceleration (m/ s²)

400 m
200 m
0
-200 m
-400 m
-600 m
0 1 2 3 4 5
Time (s)
Accelerat io n (m / s²)

Acceleration (m/ s²)

Acceleration (m/ s²)

400 m 400 m 400 m
200 m 200 m 200 m
0 0 0
-200 m -200 m -200 m
-400 m -400 m -400 m

0 50 m 100 m 150 m 200 m 250 m 300 m 0 50 m 100 m 150 m 200 m 250 m 300 m 0 50 m 100 m 150 m 200 m 250 m 300 m
Time (s) Time (s) Time (s)

FFT 1/3 FFT 2/3 25 m

FFT 3/3

Accelerat io n (m / s²)
25 m
Accelerat io n (m / s²)

25 m
Acceleratio n (m / s²)

20 m 20 m
20 m
15 m 15 m
15 m
10 m 10 m
10 m
5m 5m
5m

0 2k 4k 6k 8k 10 k 0 2k 4k 6k 8k 10 k
0 2k 4k 6k 8k 10 k Frequency (Hz)
Frequency (Hz)
Frequency (Hz)

25 m
Acceleratio n (m / s²)

20 m

Averaged Spectrum
15 m

10 m

5m

0 2k 4k 6k 8k 10 k
Frequency (Hz)
 Recouvrement
>Tous les échantillons temporels ne sont pas pris avec le même coefficient de
pondération. Il y a donc des zones qui sont comptées moins que d'autres (zones de
début et de fin de fenêtre temporelle qui par construction débutent et finissent par 0). Si
un phénomène de fort niveau arrive lors d'une de ces zones, il n'est pas pris en compte
correctement.
>Pour éviter cela, on recouvre les zones d'examen les unes par rapport aux autres de
façon à ce que chaque échantillon soit compté avec au total un poids équivalent.
Signal Pondéré

0.5

0.4

0.3

0.2

0.1

3 8 .4
1 2.8

2 5.6
0

-0.1

-0.2

-0.3

-0.4

-0.5
 Recouvrement

> A titre indicatif voici, pour les fenêtres les plus courantes,
les recouvrements à utiliser qui en théorie donnent un
résultat correct et ceux choisis par la plus grande
majorité des utilisateurs.
 Recouvrement

Sans recouvrement Avec recouvrement

 Synthèse sur le module FFT
> Fréquence d'échantillonnage = Fe ou Fs. Exprimée en Hz (ou S/s)
Cadence à laquelle le signal est regardé par l'analyseur.
Fe = 1/t avec t = période ou intervalle d'échantillonnage en seconde (s).

> Fréquence d‘analyse = Fmax

Fréquence maximale d’analyse d’un spectre
Fmax = Fe/2.56

> Nombre de lignes spectrales = N

> Résolution temporelle = T. Exprimée en seconde (s)

Durée du signal nécessaire pour obtenir un spectre instantané
T = N/Fmax

> Résolution fréquentielle = B (Bandwidth) ou f.

Exprimée en Hz.
Résolution ou finesse d'analyse du spectre FFT. F = 1/T = Fmax/N.
 Notion d’analyse temps réel

Analyse temps réel = tous le signal est analysé

OROS – Traitement du signal

 Temps de calcul

La durée de calcul dépend:

- du nombre de voies de mesure,
- du type de calcul à effectuer
- du nombre de raies de calcul,
- de la fenêtre de pondération.

Un certain nombre de paramètres extérieurs peuvent venir perturber ce temps de calcul

comme par exemple l'affichage du résultat (sur les systèmes mono-tâche ou
monoprocesseurs).
Il est donc important de savoir quelles sont les performances temps réel d'un système et
dans quelles conditions elles ont été obtenues

OROS – Traitement du signal