République Algérienne Démocratique Et Populaire

Ministère de l’Enseignement Supérieur et de la Recherche

Scientifique
UNIVRSITE M’HAMED BOUGARA-BOUMRDES

Faculté des Sciences de l’Ingénieur

COMPTE RENDU
TP 03 : Analyse spectrale des signaux analogiques
REALISE PAR :
 GUEROUDJ Imane
 BENHALIMA Nesma
 ABDELHAMID Souror
 ARABI Sarah
Mécatronique
Filière : électromécanique
Module : TRAITEMENT DE SIGNAL
MMTR 2022
 I. Introduction :
Un signal analogique est défini à tout instant t et est donc représentable mathématiquement
par une fonction continue du temps f(t), il peut être périodique ou apériodique.
Parmi les outils qui permettent de faire une analyse fréquentielle sur les signaux analogiques,
on utilise le développement en série de Fourier, on en tire plusieurs paramètres qui nous
aident à déterminer les paramètres importants dans l’étude des signaux et tracer leurs allures.

II. Partie théorique :

 But de TP :
Apprendre à obtenir le spectre d’un signal échantillonnage en utilisant la transformée de Fourier discrète.
Utiliser MATLAB pour analyser des signaux analogiques.

III. Partie pratique :

1. Signal cosinus :

A.

Fe=1000;
t=0:1/Fe:0.5;
f=50;
x=cos(2*pi*t*f);
%x=sin(2*pi*t*f)+cos(4*pi*t*f);
nfft=2048;
X=fft(x,nfft);
X=X(1:nfft/2);
mx=abs(X);
f=(0:nfft/2-1)*Fe/nfft;
figure(1);
plot(t,x);
title('signal cos');
xlabel('temps en (s)');
ylabel('amplitude');
grid on
figure(2);
plot(f,mx);
title('spectre d amplitude');
xlabel('frequence (Hz)');
ylabel('amplitude');
grid on
 B.

Fe=1000;
t=0:1/Fe:0.5;
f=50;
%x=cos(2*pi*t*f);
x=sin(2*pi*t*f)+cos(4*pi*t*f);
nfft=2048;
X=fft(x,nfft);
X=X(1:nfft/2);
mx=abs(X);
f=(0:nfft/2-1)*Fe/nfft;
figure(1);
plot(t,x);
title('signal cos');
xlabel('temps en (s)');
ylabel('amplitude');
grid on
figure(2);
plot(f,mx);
title('spectre d amplitude');
xlabel('frequence (Hz)');
ylabel('amplitude');
grid on

En modifier la valeur de fréquence d’échantillonnage et on prend comme exemple Fe= 300

On a remarqué que : en diminuant la

valeur de fréquence, l’amplitude du signale
et de spectre d’amplitude diminuent. On

conclut qu’il y a une relation

proportionnelle entre la fréquence
d’échantillonnage et le spectre
d’amplitude.
 2. Signal carré (square) :

Fe=150;
t=0:1/Fe:1;
f=5;
x=square(2*pi*t*f);
nfft=1024;
X=fft(x,nfft);
X=X(1:nfft/2);
mx=abs(X);
f=(0:nfft/2-1)*Fe/nfft;
figure(1);
plot(t,x);
title('signal carré');
xlabel('temps en (s)');
ylabel('amplitude');
grid on
figure(2);
plot(f,mx);
title('spectre d amplitude');
xlabel('frequence (Hz)');
ylabel('amplitude');
grid on

A. Changements sur la frequence :

Si on augmente la fréquence à Fe=200Hz on trouve :

Si on diminue la fréquence à Fe=20Hz on trouve :

 A. Changements sur nfft :
pour nfft= 200:

pour nfft= 2000:

Conclusion :
En augmentant la fréquence de l’échantillonnage :
Pour la transformée de Fourier de la fonction cosinus, les impulsions que l’on peut voir sur le
graphe s’éloigne de 0
Pour la transformée de Fourier de la fonction cosinus au carrée, les impulsions tendent à se
rapprocher de 0.
Pour une fréquence de Fe=20 dans le cas de la fonction cosinus au carrée, on n’observe
presque plus qu’une seule impulsion. Les autres impulsions sont quasiment confondues et
forment une impulsion de Dirac.
 3. signal impulsion carrée:
Fe=150;
t=-0.5:1/Fe:0.5;
000x=rectpuls(t,0.2);
nfft=512;
X=fft(x,nfft);
X=X(1:nfft/2);
mx=abs(X);
f=(0:nfft/2-1)*Fe/nfft;
figure(1);
plot(t,x);
title('signal impulsion carré');
xlabel('time (s)');
ylabel('amplitude');
figure(2);
plot(f,mx);
title('spectre d amplitude');
xlabel('frequence (Hz)');
ylabel('amplitude');

A. Pour nfft=100:

On peut déduire que la variation de

fréquence, affecte la position de spectre, le
plus qu'on diminue la fréquence, le spectre
devient comme un seul pic est les impulsions
tendent à se rapprocher de zéro. Par contre,
le plus qu’on augmente la fréquence le
spectre prendre une meilleure position.
B. Pour Fe=60Hz:
 4. signal pulsation de gauss :

Fe=60;
t=-.5:1/Fe:5;
x=1/(square(2*pi*0.01))*(exp(-t.^2/(2*0.01)))
nfft=1024;
X=fft(x,nfft);
X=X(1:nfft/2);
mx=abs(X);

f=(0:nfft/2-1)*Fe/nfft;
figure(1);
plot(t,x);
title('signal impulsion de gausse');
xlabel('time (s)');
ylabel('amplitude');
figure(2);
plot(f,mx);
title('spectre d amplitude de gauss');
xlabel('frequence (Hz)');
ylabel('amplitude');

A. Pour Fe=200 :

B. pour nfft= 100 :

Remarque
La forme de la transformée de Fourier de la courbe gaussienne est également une courbe de
gauss. Plus on augmente la fréquence d’échantillonnage plus la transformée devient étroite.
On peut dire que la transformée de Fourier d’une fonction gaussienne centrée sur l’origine est
une autre fonction gaussienne, elle-même centrée sur l’origine.

IV. Conclusion:

 D’après la représentation spectrale des signaux précédents, nous remarquons que le

spectre d’un signal nous renseigne d sur les différentes composantes fréquentielles
qu’il contient.

 L’intégration du spectre d’énergie sur tout l’axe des fréquences corresponde à

l’énergie totale calculée dans le temps. En effet, le développement en série de Fourier
n’est qu’une représentation alternative d’un signal autrement décrit dans le temps,
c’est pour ça, l’énergie est conservée.