See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/257298181

Estimation des caractéristiques modales par deux méthodes statistiques

Conference Paper · September 2003

CITATION READS
1 88

3 authors, including:

Roger Serra J.L. Raynaud

Institut National des Sciences Appliquées Centre Val de Loire University of Franche-Comté
163 PUBLICATIONS   762 CITATIONS    8 PUBLICATIONS   7 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Vibration based Structural Health Monitoring View project

Vibration tolerance specifications of e-vehicle bearings View project

All content following this page was uploaded by Roger Serra on 16 May 2014.

The user has requested enhancement of the downloaded file.

16 ème Congrès Français de Mécanique Nice, 1-5 septembre 2003

Estimation des Caractéristiques Modales par Deux Méthodes Statistiques

Roger SERRA
, André PERRIOTy , Jean-Louis RAYNAUDy

Laboratoire de Mécanique et Rhéologie, École d’Ingénieurs du Val de Loire, E.A. 2640 - Universit é de Tours,
Rue de la chocolaterie, B.P. 3410, F - 41034 Blois Cedex, France
y Laboratoire de Mécanique Appliqu ée R. Chaléat, UMR CNRS - UFC 6604,
24 chemin de l’épitaphe, F - 25000 Besançon, France.
roger.serra@univ-tours.fr

Résumé :

Afin d’étudier le comportement vibratoire d’une structure, nous effectuons des essais de vibration qui nous per-
mettent d’appréhender la dynamique du syst ème et d’établir sa représentation modale gr âce aux techniques clas-
siques d’analyse modale exp érimentale. Dans cet article, nous proposons deux m éthodes statistiques permettant
d’estimer les intervalles de confiance sur les caract éristiques modales d’une structure sous excitation inconnue
selon les possibilités d’essais. Après avoir présenté la première méthode basée sur l’acquisition d’un grand
nombre de mesures de réponse en fréquence de la structure, nous d étaillons la seconde basée sur la génération
de (( nouvelles )) mesures à partir d’une seule acquisition exp érimentale par la méthode de M ONTE-C ARLO. Nous
développons ensuite le procédé de détermination des intervalles de confiance sur les param ètres modaux identifiés
avec une probabilité choisie. Finalement, ces méthodes sont appliquées à un cas test expérimental, ce qui nous
donnera une appr éciation quantifiée de la qualité des deux méthodes.

Abstract :

So as to study the vibratory behavior of a structure, we undertake vibration tests that allow us to apprehend the dy-
namics of the system and to establish its modal representation thanks to classic techniques of experimental modal
analysis. In this article, two statistical methods allowing to estimate intervals of confidence on modal characteris-
tics of a structure randomly excited according to the possibilities of tests are proposed. After having presented the
first method based on the acquisition of a great number of frequency response function measures, we detail the se-
cond based on the generation of (( new )) measures from an alone experimental acquisition by the M ONTE-C ARLO
method. The process of interval determination of confidence on identified modal parameters with a probability
chosen are then developped. Finally, these methods are applied on a case experimental test, what will give us a
quantified quality appreciation of the two methods.

Mots-clefs :

Paramètres modaux, Intervalle de confiance, Simulation aléatoire

1 Introduction

Il est aujourd’hui inutile de souligner l’importance des traitements statistiques dans les nom-
breux domaines où sont pratiquées des mesures. La dynamique des structures est l’un de ces
domaines, parmi les plus favorables à l’emploi des méthodes statistiques. En effet, il est essen-
tiel de connaı̂tre et d’améliorer la précision avec laquelle nous obtenons la mesure, alors que les
incertitudes sur ce résultat sont dues à des facteurs variés, définis ou non, indépendants ou liés
(réglage de l’appareil, comportement de l’opérateur, couplage, : : : ).
Le problème qui se pose aux industriels est la possibilité de faire des essais sur la structure.
En effet, souvent ce ne sont pas tout à fait les mêmes structures qui sont testées et celles qui
sont industrialisées (ajout de peinture, liaison imparfaite, introduction d’amortissement, ...).
D’autre part, il n’est pas toujours possible d’effectuer de nombreux essais sur la structure car on

1
16 ème Congrès Français de Mécanique Nice, 1-5 septembre 2003

ne dispose de celle-ci qu’un temps assez limité, ou encore, ces essais en fonctionnement sont
destructifs, : : :
Pour toutes ces raisons, nous nous sommes intéressés à développer deux types de méthodes,
l’une basée sur un grand nombre d’essais et l’autre sur un très faible nombre d’essais qui servira
de support à la génération d’autres (( essais )) par introduction d’un bruit sur celle-ci.
Ainsi, les méthodes analytiques requises reposent essentiellement sur les notions de proba-
bilité. Nous les trouvons dans des ouvrages généraux (Bass , 1967; Rauzy , 1976), mais aussi
dans de nombreux articles et ouvrages consacrés aux vibrations aléatoires (Crandall et al., 1963;
Rozanov , 1975) pour n’en citer que quelques-uns.

2 Méthodes d’estimation des caractéristiques modales

2.1 1 er cas de figure : nous disposons d’un grand nombre d’essais

Dans ce cas, nous effectuons un grand nombre d’essais à partir desquels nous calculons pour
chaque enregistrement temporel sa fonction de réponse fréquentielle dite (( instantanée )) pour
les différents points instrumentés. Puis, nous déterminons le nombre et la position des modes
dans la bande de fréquence étudiée à partir des méthodes fréquentielles d’identification modale
utilisées classiquement en analyse modale (méthode de lissage linéaire et méthode globale).
Le dépouillement est ensuite repris, pour chaque zone fréquentielle dans laquelle un ou
plusieurs modes sont présents, de la manière suivante :
1) nous identifions successivement les paramètres modaux des modes étudiés dans la zone
choisie par les deux méthodes citées précédemment;
2) les paramètres identifiés doivent être indépendant des limites de la zone choisie. Pour cela,
nous faisons varier de façon aléatoire les bornes de chaque zone dans une certaine limite
et en respectant le critère à -3 dB. De ce fait, nous disposerons pour chaque variation
d’autant de résultats possibles;
3) à partir de l’ensemble de toutes les identifications obtenues, nous pouvons tracer les histo-
grammes pour chaque paramètre ainsi que les fonctions de répartition empirique.
Une fois cela réalisé, nous fixons le risque  et nous déterminons les intervalles de confiance
correspondants à chaque paramètre (Clara Serra et al., 1999; Clara Serra , 1999).

2.2 2 e cas de figure : nous disposons d’un faible nombre d’essais

Dans ce cas, à partir de quelques fonctions de transfert dont nous disposons, nous réalisons
une fonction de transfert moyenne qui sera le support à la génération d’autres fonctions de
transfert par la méthode de M ONTE –C ARLO .
La perturbation est en fait un bruit blanc et la loi de probabilité des paramètres est quasi–
constante localement ou invariante par translation (Rozanov , 1975). Le nombre d’essais numériques
est choisi (( assez grand )) pour obtenir une incertitude fixée a priori, pour des paramètres et des
modes, dans des domaines fréquentiels différents.

2.2.1 Méthode de tirage au (( hasard )) : Méthode de M ONTE –C ARLO

On désigne par le vocable générique de (( Méthode de M ONTE –C ARLO )), toutes méthodes
numériques utilisant le tirage de nombre aléatoire. Elle consiste donc à réaliser n fois les tirages

2
16 ème Congrès Français de Mécanique Nice, 1-5 septembre 2003

indépendants selon une loi de probabilité fixée a priori.

En considérant que les échantillons obtenus par la méthode de M ONTE –C ARLO sont constitués
des observables d’une fonction de variables aléatoires, nous déterminons à partir des simulations
numériques la loi de probabilité de cette fonction aléatoire.
Pour garantir la qualité des résultats à partir d’un certain rang n, nous nous référons au
théorème de G LIVENKO -C ANTELLI (Rauzy , 1976).

2.2.2 Tirage aléatoire d’une variable

Etant donnée une distribution probabiliste

gouvernant les éléments caractéristiques du
comportement naturel de la structure (par 1
exemple ceux obtenus expérimentalement),
nous prélevons au hasard les valeurs as- variable aléatoire
sociées à cette distribution de la variable 2
0
1]
fonction de répartition
aléatoire. Cela consiste à tirer de façon de la distribution
équiprobable un nombre compris entre 0
et 1, puis à prendre l’image inverse de la
loi de distribution correspondant à la va- 0 x
leur sélectionnée comme le montre la fi- variable aléatoire x
gure F IG . 1.
En effet, tirer au hasard dans une loi quel-
conque est équivalent à tirer uniformément F IG . 1: Tirage d’une variable aléatoire associée
(de manière équirépartie) dans sa fonction à une distribution donnée.
de répartition.

2.2.3 Hypothèse H1 d’invariance par translation

Dans un voisinage d’une valeur calculée du paramètre étudié, considérée comme exacte, la
loi de probabilité de l’estimateur observé est invariante par translation (Clara Serra , 1999).

2.2.4 Étude de la précision

Pour pouvoir garantir une utilisation rationnelle d’une méthode de tirage stochastique, nous
étudions auparavant l’erreur numérique faite lors des essais répétés sur le calculateur. En ef-
fet, nous devons tenir compte de la précision de l’ordinateur utilisé et du nombre de chiffres
significatifs selon les algorithmes employés.
Selon l’hypothèse d’invariance par translation que nous avons précisée, les densités de pro-
babilité pour un traitement des valeurs mesurées ne dépendent pas de paramètres différents mais
d’un paramètre unique et les erreurs aléatoires de calcul vérifient les hypothèses de R IESZ –
F ISCHER (Bass , 1967).
Il est alors naturel d’énoncer que la suite xn des valeurs moyennes calculées sur n essais
vérifie l’inégalité de B IENAYM É –T CH ÉBYCHEV :

lim P fjxn ; xj  "g = 1:

n ;!1
(1)

3
16 ème Congrès Français de Mécanique Nice, 1-5 septembre 2003

2.3 Tracés numériques des courbes d’équiprobabilité

Nous pouvons tracer (( expérimentalement )) les courbes h1 ( ) et h2 ( ) pour toute valeur
fixée du paramètre  , en connaissant les risques d’erreurs sur les bornes des intervalles de
confiance (Clara Serra et al., 1999; Clara Serra , 1999; Massey , 1950).
Cette détermination stochastique point par point est coûteuse en calcul numérique. Pour
éviter une telle démarche, nous considérons comme vraie l’hypothèse H 1 et nous développons
notre raisonnement dans le cadre des conditions suivantes que cette hypothèse implique : les
courbes h1 ( ) et h2 ( ) sont proches de lignes parallèles à la première bissectrice.
Cela signifie que l’intervalle de confiance 1  2 ] du paramètre observé demeure de lon-
gueur (( presque invariable )) avec ^ et que les bornes 1 (^) et 2 (^) correspondent aussi à des
mesures de probabilité presque invariante par translation. Nous nous référons encore à la loi des
grands nombres pour déterminer en trois étapes l’intervalle de confiance (( expérimental )) et la
vérification de sa crédibilité par des essais numériques tirés au hasard :
1re étape Sur des fonctions de transfert mesurées, nous identifions directement les valeurs des
paramètres modaux étudiés : a
(coefficient d’amortissement), f
(fréquence propre) et
yi
(ie composante du vecteur propre y
). Nous déterminons ainsi un domaine de vali-
dité des hypothèses pour chaque paramètre. Nous localisons une zone de valeurs réelles
considérées comme potentiellement (( vraies )) au sens physique (zone d’invariance).
Dans notre modèle aléatoire, ces valeurs identifiées sont considérées comme les valeurs
des états de la nature.
2e étape Sur les fonctions de transfert mesurées, nous simulons de façon numérique des modi-
fications physiques des mesures expérimentales en introduisant un bruit aléatoire d’ordre
donné a priori : 2 %, 5 %, 7 %, 10 % et 20 % de la plus grande amplitude. A partir de
ces nouvelles données (( observées )), nous extrayons de nouvelles valeurs des paramètres
modaux par les méthodes d’analyse modale précédemment utilisées. Ces dernières sont
considérées comme des estimateurs sans biais des paramètres exacts.
Pour un risque de 5 %, nous construisons les fractiles à 0.025 et 0.975 de l’intervalle de
confiance de chaque paramètre autour de sa valeur moyenne ainsi observée. Les calculs
sont réalisés selon l’hypothèse H1 , conséquence de la linéarité du modèle pour une proxi-
mité des valeurs (( vraisemblables )) des paramètres, ce qui nous permet d’effectuer une
translation inverse de l’intervalle de confiance calculé pour chacun d’eux. Ce dernier est
centré autour de la valeur du paramètre modal identifié à l’étape no 1.
3e étape : vérification des intervalles de confiance calculés Nous avons environ 95 chances
sur 100 que les intervalles de confiance obtenus recouvrent les valeurs exactes des pa-
ramètres. Pour vérifier cela, nous les comparons aux intervalles de confiance obtenus en
effectuant un grand nombre de mesures.

3 Application à une structure de type ARCHE

3.1 Description des conditions expérimentales

La structure utilisée (F IG . 2) se compose de trois poutres reliées rigidement entre elles par
deux masses, chacune d’elle comprenant 2 blocs de masse M = 0:934 kg dont les dimensions
sont 20*80*80 mm et reliant les poutres 1 et 3, et 2 et 3 respectivement (l’encastrement est
réalisé par serrage).

4
16 ème Congrès Français de Mécanique Nice, 1-5 septembre 2003

La poutre 1 est de longueur 380 mm et de section 40  10 mm, la poutre 2 est de longueur

565 mm et de section 50  10 mm et enfin la poutre 3 est de longueur 670 mm et de section
50  6 mm. Le matériau utilisé est l’acier et ses caractéristiques sont : module de YOUNG
E = 2:1E + 09 N=m2 , masse volumique  = 7300 kg=m3 et coefficient de POISSON  = 0:3.
L’excitation est réalisée à l’aide d’un petit excitateur électrodynamique à bobine libre sans
contact. La bobine mobile est fixée sur la masse 1 et est placée dans le champ de l’aimant fixé
sur le bâti fixe. La bobine mobile est connectée au générateur de signaux via l’amplificateur
de puissance. Un étalonnage préalable permet de déterminer la relation entre le courant de la
bobine libre et la force appliquée sur la structure.
Les deux accélérations sont mesurées en utilisant des accéléromètres B R ÜEL et K JÆR (de
type 4367 et ayant une masse de 13 grammes chacun) associés à deux amplificateurs de charge
B&K (de type 2626).
Toutes les mesures ont été réalisées en utilisant la chaı̂ne d’acquisition DSP S IGLAB connectée
à un PC et sous une excitation aléatoire dans la bande 0 ; 50 Hz ], permettant de commander
les deux premiers modes propres de la structure (F IG . 3).

10
1
0.1
FRF 240/1
0.01
0.001
0.0001
1e-05
0 10 20 30 40 50 60 70
Hz

F IG . 3: Fonction de Réponse en Fréquence

de la structure
F IG . 2: Structure utilisée de type ARCHE

3.2 Résultats de l’étude du premier mode

Nous nous intéressons ici au premier mode de la structure (estimé à 15 Hz). La zone
fréquentielle utilisée va de 14 Hz à 16 Hz avec une variation possible de  0.5 Hz et un pas de
0.0312 Hz.
Après avoir effectuées toutes les acquisitions et toutes les simulations, nous disposons pour
chacun des paramètres modaux identifiés de deux échantillons de 2000 valeurs (correspondant
à chacune des deux méthodes). Nous présentons uniquement les résultats obtenus pour le pa-
ramètre fréquence propre f
de la structure pour le premier mode (noté f1 ).
Pour ce paramètre, nous traçons l’histogramme et la fonction de répartition obtenus par
les deux méthodes. Nous avons choisi de représenter, F IG . 4 et 5, ceux relatifs à la première
méthode. Puis, à partir des deux fonctions de répartition obtenues et pour un risque  = 5 %
donné, nous tirons nos deux intervalles de confiance pour ce paramètre.
Cela nous donne pour le paramètre f1 un intervalle de confiance à 95 % 14:8521 ; 14:9323]
pour la méthode avec un grand nombre d’essais, la valeur moyenne étant 14:8881 et un intervalle
de confiance à 95 % 14:8824 ; 14:8914] pour la méthode avec un faible nombre d’essais, la
valeur moyenne étant 14:8869.
Ces résultats sont très encourageants car la valeur identifiée par les techniques classiques

5
 16 ème Congrès Français de Mécanique Nice, 1-5 septembre 2003

donne 14:8894, qui est donc contenue dans l’intervalle de confiance de ce paramètre dans les
deux cas de figures.
1000 1
900 0.9
800 0.8
700 0.7
effectifs

600 0.6

F (x)
500 0.5
400 0.4
300 0.3
200 0.2
100 0.1
0 0
14.6 14.7 14.8 14.9 15 15.1 15.2 14.6 14.7 14.8 14.9 15 15.1 15.2
f1(Hz) f1 (Hz)

F IG . 4: Histogramme du paramètre F IG . 5: Fonction de répartition du pa-

fréquence propre f1 ramètre fréquence propre f1

4 Conclusion

Pour tous les paramètres étudiés, nous constatons que leurs valeurs exactes (celles du système
dissipatif) sont toutes contenues dans leurs intervalles de confiance. Ainsi, pour les différents
risques souhaités, nous disposons d’un critère discriminant pour les différents modèles éléments
finis de la structure. Il nous est donc possible de définir une classe de modèle (( acceptable ))
pour un risque donné.
Une orientation souhaitable en vue des protocoles d’essais est une simulation générale uti-
lisant les modèles éléments finis proche de la structure réelle. Ainsi, nous espérons obtenir une
information supplémentaire sur les répartitions des paramètres modaux. Un autre aspect avan-
tageux en vue d’une correction paramétrique semble être la méthode de (( recuit simulé )), très
profitable pour l’optimisation.
Ces résultats nous confortent dans le bien fondé de la construction des intervalles de confiance
selon l’hypothèse H1 . De plus, l’incitation naturelle des lois faibles et fortes des grands nombres
nous rappelle que dans les mesures, une fois éliminées les erreurs (( systématiques )), demeurent
les erreurs aléatoires, aussi bien sur les résultats enregistrés que sur les résultats calculés car les
précisions sont limitées.

Références

B ASS J. 1967 Eléments de calcul des probabilités théoriques et appliqués, éd. Masson.
C LARA S ERRA R., P ERRIOT A. et R AYNAUD J-L. 1999 Probabilistic Method Applied to the
Perusal of Confidence Intervals with an Uncertainty given of Structure Parameters, EURO-
MECH 405 - Numerical Modelling of Uncertainties, pp. 113-117, Presse Universitaire de
Valenciennes.
C LARA S ERRA R. 1999 Sur Une Approche Statistique de l’Identification Modale des Struc-
tures, Thèse troisième cycle, Université de Franche-Comté.
C RANDALL S.H. , M ARK W.D. 1963 Random Vibration in Mechanical Systems, Academic
Press, New York.
M ASSEY F.J. 1950 A note on the estimation of distribution function by confidence limits, Ann.
Math. Stat., v. 21, pp. 116 – 119.
R AUZY G. 1976 Propriétés statistiques de suites arithmétiques, Presse Universitaire de France,
Collection Sup.
R OZANOV Y. 1975 Processus aléatoires, éd. de Moscou (MIR).

6
View publication stats