Université des Sciences et Ecole Polytechnique

Techniques de Masuku de Masuku

Département : Electronique – Informatique – Automatique

Option : Réseaux et Télécommunications
N° d’ordre : n°……………….…...

MEMOIRE DE FIN DE CYCLE INGENIEUR

THEME : ANALYSE VIBRATOIRE ET

ESTIMATION DE LA DUREE DE VIE
RESIDUELLE DES COMPOSANTS
MECANIQUES DE GUIDAGE EN
ROTATION
Rédigé et présenté par :
MASSALA MBOYI Gilles Yowel
Sous les directions de :
Dr. NGANTCHA Jean Pierre (Maître assistant)
Ing-DEA. ASSOUME BE Martial (Assistant)

Soutenu le 13 novembre 2018 devant le jury composé de :

Président du jury : Pr. MOUTSINGA Octave Maître des Conférences
Examinateur : Pr. ANDAMI OVONO Armel Maître des Conférences
Examinateur : Dr. MOMBO BOUSSOUGOU Yves Maître-Assistant
Examinateur : Dr. OBAME NDONG Elysée Maître-Assistant

Année universitaire 2017-2018

 ANALYSE VIBRATOIRE

DEDICACES

A ma mère
Et
A mon père
Pour votre soutien indéfectible, votre amour et tous les efforts
conjugués dans mon instruction et mon épanouissement.

Sans oublier toute personne

Qui de près ou de loin a contribué à l’aboutissement de ce travail.

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

1
 ANALYSE VIBRATOIRE

REMERCIEMENTS

Mes premiers remerciements sont adressés à M. N’TCHAYI MBOUROU Gaston, Directeur

Général de l’Ecole Polytechnique de Masuku, pour sa rigueur et son pragmatisme dans la
gestion des offres de formation de notre établissement dont il a la noble charge d’être la
première autorité.
Je tiens également à exprimer ma profonde gratitude à M. ASSOUME BE Martial, Chef de
département EIA de l’Ecole Polytechnique, pour m’avoir proposé ce thème de travail et pour
toutes ces heures inestimables passées à ses côtés afin de mener à bien ce travail. Je le remercie
également pour avoir coordonné ma formation et pour tous les enseignements que j’ai pu
recevoir par son entremise. Vous êtes un exemple pour moi.
Je tiens aussi à remercier le Dr. NGANTCHA Jean Pierre pour ses conseils techniques, ses
remarques constructives et son aide précieuse dans l’avancement et l’aboutissement de ce
travail. Je vous sais profondément gré.
J’adresse également mes remerciements au Pr. MOUTSINGA Octave pour avoir présidé le jury
de cette soutenance et pour tous les conseils qu’il a pu me promulguer.
Je remercie le Pr. ALLOGHO Guy Germain, Pr. EKOGO Thierry Blanchard, Pr. ANDAMI
OVONO Armel, Dr. IPOPA Mohamed Ali, Dr. MOMBO BOUSSOUGOU Yves Constant, Dr.
OYOBE OKASSA Aimé Joseph, Dr. ROTIMBO MBOUROU Donald Romarick, Dr. OBAME
NDONG Elysée, Dr. ASSOUMOU ZUE Roland, Dr. MOUBAGOU Deflandre et l’ensemble
du corps professoral de l’Ecole Polytechnique de Masuku. J’ai beaucoup appris à vos côtés.
Je remercie BOUTSOMBA Augustine, MOUKINDA Georges, MBOYI Etienne, MOUKELI
Pierre, MBINDZOUKOU Dieudonné, MBOYI Auguste, MIKOLO Marie Jeanne, PAMBO
MIKOLO Firmin, NZELA MIKOLO Florent, MOUKANDA MIKOLO Clarisse,
BOUNOUNOU Herline, MOUBOLI MIKOLO Serge, NZENGUE Fernand, VENGUE
MIKOLO Stany, AVOUODJA Foldy Carelle et MBOYI MASSALA Girel. Vous êtes la
famille que j’ai reçue de Dieu.
Je remercie le couple YENO, OKOUMBA Pauline (la mamie), NDAYI Aïcha Chimène et
tantine Ariane pour m’avoir accueilli et encadré durant tout mon séjour à Franceville et
également pour les moments particuliers que nous avons partagés.
Pour finir je dis merci à toute la quatrième promotion des ingénieurs TELECOM de l’Ecole
Polytechnique de Masuku. J’ai également une pensée spéciale envers les étudiants de la
cinquième promotion ingénieur TELECOM qui m’ont apporté un soutien indéfectible pendant
la présentation. Je termine en remerciant tous mes amis et connaissances ainsi que tous ceux
qui ont influencés positivement mon cursus scolaire.

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

2
 ANALYSE VIBRATOIRE

RESUME

Ce travail présente un modèle théorique d’estimation de la durée de vie résiduelle utile des
roulements à billes en s’appuyant sur l’analyse vibratoire. Les vibrations sont des phénomènes
physiques utilisés pour mettre en évidence les défauts de fonctionnement ou de dégradation
d’une machine tournante et donnent une meilleure mesure de son état. La détection de la
détérioration précoce d’un roulement est mise en évidence par l’utilisation d’un indicateur de
défaut. Les roulements présentent plusieurs stades de dégradation. Cette méthodologie sera
basée sur deux étapes clés. D’abord, il sera question de détecter les défauts en procédant par
l’analyse du spectre du signal. Puis nous allons estimer la durée de vie utile restante en utilisant
des courbes d’ajustement exponentiel et les rapports des durées des phases de dégradation du
roulement.

Mots-clés : roulement à billes, analyse vibratoire, vibration, machine tournante, indicateur

de défaut, spectre, courbe d’ajustement.

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

3
 ANALYSE VIBRATOIRE

ABSTRACT

This work presents a theoretical model for estimating the useful residual life of ball bearings
based on vibration analysis. Vibrations are physical phenomena used to highlight malfunctions
or degradation of a rotating machine and give a better measure of its condition. Detection of
early bearing deterioration is highlighted by the use of a default indicator. Bearings have several
stages of degradation. This methodology will be based on two key steps. First, default will be
detected by analyzing the signal spectrum. Then, we will estimate the remaining useful life
using exponential fit curves and bearing degradation phase duration ratios.
Keywords : ball bearing, vibration analysis, vibration, rotating machine, default indicator,
spectrum, fit curve.

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

4
 ANALYSE VIBRATOIRE

TABLE DE MATIERE

INTRODUCTION GENERALE.............................................................................................. 11
CHAPITRE 1 : L’ECOLE POLYTECHNIQUE DE MASUKU............................................. 12
1.1 Présentation de l’Ecole Polytechnique de Masuku ........................................................ 12
1.2 Organigramme de l’EPM ............................................................................................... 13
CHAPITRE 2 : LA MAINTENANCE..................................................................................... 14
2.1 Généralités sur la maintenance ....................................................................................... 14
2.2 La maintenance curative (ou corrective) ....................................................................... 14
2.3 La maintenance préventive............................................................................................. 15
2.3.1 La maintenance préventive systématique ............................................................... 15
2.3.2 La maintenance préventive conditionnelle .............................................................. 15
2.4 Schémas synoptiques de la maintenance ................................................................... 17
2.5 Les machines VIS ...................................................................................................... 18
CHAPITRE 3 : L’ANALYSE VIBRATOIRE ......................................................................... 20
3.1 Généralités sur l’analyse vibratoire ................................................................................ 20
3.2 Les vibrations ................................................................................................................. 21
3.3 Notion d’indicateur ........................................................................................................ 22
3.3.1 La valeur efficace ou RMS (Root Mean Square) ................................................... 23
3.3.2 La valeur crête et le facteur crête ........................................................................... 24
3.3.3 Le kurtosis .............................................................................................................. 24
3.4 Les roulements à billes ................................................................................................... 25
3.4.1 Composition d’un roulement à billes ...................................................................... 26
3.4.2 Défaillances des machines tournantes ..................................................................... 27
3.4.3 Causes potentielles de dégradation.......................................................................... 28
3.4.4 Fréquences caractéristiques de défaut des éléments d’un roulement ...................... 29
CHAPITRE 4 : ACQUISITION DES DONNEES .................................................................. 30
4.1 Notion de spectre du signal ............................................................................................ 30
4.2 Principe de numérisation d’un signal analogique........................................................... 31
4.3 L’IEEE PHM 2012 Data Challenge ............................................................................... 34
4.3.1 Aperçu global du Challenge .................................................................................... 34
4.3.2 La plateforme PRONOSTIA ................................................................................... 34
4.4 Conditions expérimentales d’acquisition des données ................................................... 38
CHAPITRE 5 : DETECTION D’ANOMALIES SUR LA SIGNATURE
FREQUENTIELLE ET ESTIMATION DU TEMPS DE SURVIE ........................................ 44

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

5
 ANALYSE VIBRATOIRE

5.1 La détection des premiers défauts .................................................................................. 44

5.2 Conception d’un modèle théorique d’estimation du temps de survie ............................ 50
5.3 Application du modèle sur un roulement d’essai ........................................................... 55
5.4 Estimation du RUL pour les cas particuliers .................................................................. 58
5.5 Perspective d’optimisation du modèle théorique ........................................................... 60
CONCLUSION GENERALE ET PERSPECTIVE ................................................................. 62
ANNEXE A.............................................................................................................................. 63
ANNEXE B .............................................................................................................................. 66
ANNEXE C .............................................................................................................................. 69
BIBLIOGRAPHIE ................................................................................................................... 71

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

6
 ANALYSE VIBRATOIRE

LISTE DES TABLEAUX

Tableau 1: les différents types de maintenances ...................................................................... 18

Tableau 2 : techniques de surveillance des roulements ............................................................ 21
Tableau 3: les types de roulements .......................................................................................... 26
Tableau 4: ensemble des données du challenge ....................................................................... 38
Tableau 5: valeurs des RUL fournis dans le challenge ............................................................ 57
Tableau 6: résumé des erreurs d'estimation du RUL................................................................ 59
Tableau 7: évolution de l'erreur d'estimation en fonction de N ............................................... 60

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

7
 ANALYSE VIBRATOIRE

LISTE DES FIGURES

Figure 0 : organigramme de l’EPM…………………………………………………………..13

Figure 1: maintenance corrective…………………………………………………..................14
Figure 2: maintenance systématique………………………………………………………….15
Figure 3: maintenance conditionnelle………………………………………………...............16
Figure 4: organigramme de la maintenance…………………………………………………..17
Figure 5: différents types de maintenances conditionnelles…………………….……………17
Figure 6 : masse suspendue à un ressort……………………………………………………...21
Figure 7: nature des vibrations………………………………………………………..............22
Figure 8: suivi de l’évolution d’un indicateur………………………………………………...23
Figure 9: courbe d’évolution du facteur crête…………………………………...……………24
Figure 10 : éléments constitutifs d’un roulement……………………………………………..27
Figure 11 : processus de dégradation d’un roulement………………………………..............28
Figure 12 : fréquences caractéristiques des défauts…………………………………..............29
Figure 13 : spectre d’un signal sinusoïdal…………………………………………………….30
Figure 14 : numérisation d’un signal analogique………………………………………..……32
Figure 15 : propriétés temporelles et fréquentielles du signal d’entrée………………………33
Figure 16 : propriétés temporelles et fréquentielles du signal échantillonné………………....33
Figure 17 : échantillonnage provoquant un repliement de spectre…………………………...33
Figure 18 : structure élémentaire d’un convertisseur analogique/numérique………………...34
Figure 19 : dispositif expérimental…………………………………………………………...35
Figure 20 : schéma d’un accéléromètre piézo-électrique…………………………………….36
Figure 21 : accéléromètre de type DYTRIAN 3035B……………………………………..…36
Figure 22 : accéléromètres fixés sur le roulement…………………………………................37
Figure 23 : caractéristiques de l’accéléromètre……………………………………………….37
Figure 24 : illustration des paramètres d’acquisition…………………………………............39
Figure 25 : données du fichier acc_0001.csv du roulement 1_1……………………………...39
Figure 26 : cas d’un roulement à contact radial………………………………………………41
Figure 27 : cas d’un roulement à contact angulaire…………………………………………..41

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

8
 ANALYSE VIBRATOIRE

Figure 28 : cas des roulements à double rangées………………………………………..........42

Figure 29 : algorithme de calcul de la durée nominale……………………………………….42
Figure 30 : vue globale des spectres des signaux d’accélération horizontale………………...47
Figure 31 : vue globale des spectres des signaux d’accélération verticale…………………...47
Figure 32 : vue de dessus du spectre du signal d’accélération horizontale…………………...48
Figure 33 : vue de dessus du spectre du signal d’accélération verticale……………………...48
Figure 34 : détection d’anomalies dans le roulement bearing1_3…………………………….49
Figure 35 : indicateur appliqué aux accélérations horizontales……………………………....51
Figure 36 : indicateur appliqué aux accélérations verticales…………………………………52
Figure 37 : courbe d’ajustement exponentiel appliquée au roulement 1_1…………………..54
Figure 38 : détection du premier défaut sur le roulement bearing1_3………………………..55
Figure 39 : courbe d’ajustement exponentiel du roulement bearing1_3……………………...56
Figure 40 : détection d’anomalie et évolution de l’indicateur du roulement 2_2…………….58

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

9
 ANALYSE VIBRATOIRE

LISTE DES ABREVIATIONS

AFNOR : Association Française de Normalisation

ASCII : American Standard Code for Informations Interchange
AS2M : Automatique et Systèmes Micro-Mécatroniques
CALCE : Center for Advanced Life Cycle Engineering
ENSIL : Ecole Nationale Supérieure des Ingénieurs de Libreville
Fc : Facteur crête
Fd : Facteur de défaut
FEMTO-ST : Franche-compté Electronique Mécanique Thermique Optique – Sciences et
Technologies.
FFT : Fast Fourier Transform
IEEE : Institut of Electrical and Electronics Engineers
Ku : Kurtosis
MPC : Maintenance Préventive Conditionnelle
RMS : Root Mean Square
RUL : Remaining Useful Life
TF : Transformée de Fourier

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

10
 ANALYSE VIBRATOIRE

INTRODUCTION GENERALE

La production industrielle évolue dans un contexte de plus en plus sévère en ce qui concerne la
qualité, la sécurité et les nuisances. Par conséquent, l’outil de production doit faire l’objet d’une
maintenance efficace. Des pannes catastrophiques inattendues entraînent à la fois une perte de
production et des factures de réparation très élevées.
Les roulements à billes sont certainement les composants mécaniques les plus surveillés, car
très sollicités dans le cadre des machines tournantes. La défaillance de ce système mécanique
peut provoquer un arrêt de production et engendrer des coûts de maintenance très élevés.
Aujourd’hui, il existe de nombreux travaux sur la détection de défaillance des roulements. On
est capable d’identifier l’élément défectueux et suivre l’évolution de cette défaillance au cours
du temps. Néanmoins, on ne sait toujours pas estimer la durée de vie résiduelle de cet élément
défectueux à partir des mesures vibratoires.
Le sujet soumis à cette étude a pour objectif d’estimer la durée de vie utile restante d’un
roulement à bille à partir de la mesure de son signal vibratoire. L’idée étant d’avoir un indicateur
d’endommagement qui permettra de mieux comprendre le mode de dégradation du roulement
et de tenter de relier cet indicateur à la durée de vie résiduelle.
Nous avons entrepris l’étude de l’estimation du temps résiduel utile des roulements à billes en
utilisant les données expérimentales d’un challenge organisé par l’IEEE Reliability Society en
collaboration avec l’institut FEMTO-ST. Ce travail est scindé en cinq chapitres.
Le premier chapitre présente l’Ecole Polytechnique de Masuku et son organigramme.
Dans le second chapitre nous rappelons les grands types de maintenances tout en signalant les
avantages et les inconvénients de chacune d’entre elles.
Le troisième chapitre présente la description de l’analyse vibratoire, la théorie sur les différents
indicateurs de vibration et celles concernant la constitution des roulements et les types de
défaillances est également présenté.
Le quatrième chapitre présente la procédure d’acquisition des données exploitées dans ce
travail. La théorie concernant la détermination de la durée de vie d’un roulement est abordée.
Les résultats obtenus sur l’estimation de la durée de vie résiduelle et l’estimation de leurs erreurs
sont présentés dans le dernier chapitre. Une comparaison sur l’évolution de l’erreur
d’estimation en fonction de la moyenne des valeurs absolues du signal vibratoire temporel rangé
dans l’ordre décroissant est mentionnée.
Enfin, le bilan de ce travail sera résumé dans une conclusion et perspective.

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

11
 ANALYSE VIBRATOIRE

CHAPITRE 1 : L’ECOLE POLYTECHNIQUE DE MASUKU

INTRODUCTION
Dans le cadre de la formation des ingénieurs à l’Ecole Polytechnique de Masuku, il a été
judicieusement pensé de prévoir un stage ou un projet de fin cycle pour l’obtention du diplôme.
En effet, les enseignements théoriques et pratiques auxquels les étudiants sont soumis, bien que
riches par leur contenu, ne peuvent pas à eux seuls leur garantir d’affronter aisément la vie
active. En outre, en plus d’être pour le futur diplômé une occasion d’asseoir par la pratique les
connaissances acquises au cours de sa formation, ce stage ou projet est un moyen pour lui
d’accroitre ses compétences et de s’imprégner des responsabilités qui seront siennes lorsqu’il
sera amené à exercer sa fonction d’ingénieur.
C’est dans ce contexte que ce projet nous a été assigné au sein de l’Ecole Polytechnique de
Masuku que nous allons présenter dans ce premier chapitre.

1.1 Présentation de l’Ecole Polytechnique de Masuku

Créée le 30 décembre 1986 sur les bases de l’ENSIL (Ecole Nationale Supérieure des
Ingénieurs de Libreville), l’Ecole Polytechnique de Masuku (EPM) est héritière d’une culture
d’excellence digne des grandes écoles d’ingénieurs. Depuis sa création, l’EPM continue de
former une élite scientifique et technologique au service du développement du Gabon.
L’EPM est située au sud-est du Gabon dans la province du Haut-Ogooué et plus précisément
dans la commune de Franceville. Elle compte parmi les trois établissements de l’Université des
Sciences et Techniques de Masuku avec la Faculté des Sciences (FS) et l’Institut National
Supérieur d’Agronomie et de Biotechnologies (INSAB).
Cet établissement d’enseignement supérieur est membre de la CITEF (Conférence
Internationale des Formations d’Ingénieurs et des Techniciens d’Expression Française). L’EPM
a restructuré son offre de formation selon les dispositions du système Licence-Master-Doctorat
(LMD) en vigueur dans l’espace CEMAC depuis l’année universitaire 2007-2008.
L’établissement offre les formations suivantes en cycle court:
 Sciences Générales de l’Ingénieur (SGI) : classes préparatoires intégrées ayant un
cursus très sélectif. Elle offre en deux ans une formation en sciences fondamentales et
sciences de l’ingénieur. Les plus méritants accèdent directement au cycle ingénieur.
 Diagnostics et Interventions sur Equipements et Systèmes (DIES) : cette filière est
destinée aux bacs F et MI. Elle offre en deux ans une formation en alternance école-
entreprise.
 Diplôme Universitaire en Technologie (DUT) : ces filières forment en deux ans des
techniciens de terrain compétents dans les domaines du Génie Civile (GC), Génie
Electrique et Informatique Industriel (GEII), Génie Industriel et Maintenance (GIM) et
Génie des Réseaux et Télécommunications (GRT).

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

12
 ANALYSE VIBRATOIRE

L’EPM forme également en trois ans des ingénieurs dotés d’outils modernes de management
dans les domaines des Réseaux et Télécommunications, Génie Civil et Génie
Electromécanique.

1.2 Organigramme de l’EPM

Directeur Général
N'TCHAYI MBOUROU
G.

Sécretaire
Général
NVOUREBIA P.

EIA MI SGI GC EM DIES MPMOGP

ASSOUME MOMBO EKOGO MANFOUMBI MOULOUNGUI MBOCK UM BEKA BE
BE BOUSSOUGOU Thierry B. Nicaise Sébastien Bruno NGUEMA Thierry
Martial Yves C. Marius

Figure 0: organigramme de l'EPM

EIA : Electronique – Informatique – Automatisme

MI : Maintenance Industrielle
SGI : Sciences Générales de l’Ingénieur
GC : Génie Civil
EM : Electromécanique
DIES : Diagnostics et Intervention sur Equipement et Systèmes
MPMOGP : Master Professionnel Maitrise d’Ouvrage et Grands Projets

CONCLUSION
En somme, dans cette partie nous avons présenté l’Ecole Polytechnique de Masuku aussi bien
dans sa situation géographique que dans son offre de formation et son organisation hiérarchique.

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

13
 ANALYSE VIBRATOIRE

CHAPITRE 2 : LA MAINTENANCE
INTRODUCTION
Le travail soumis à cette étude s’inscrit dans le cadre de la maintenance des machines
tournantes. Il est alors important de présenter les multiples facettes de la maintenance en
procédant par une étude comparative afin de faire un choix objectif sur le type de maintenance
qui sera utilisé dans la cadre de ce mémoire.

2.1 Généralités sur la maintenance

Selon la norme NF-X60-010, la maintenance est définie comme étant un ensemble d’activités
destinées à maintenir ou rétablir un bien dans un état ou dans les conditions données de sécurité
de fonctionnement pour accomplir la fonction requise [1]. Elle désigne un ensemble d’actions
administratives, techniques et managériales apportées à un équipement durant son cycle de vie
afin de le préserver ou de le rétablir dans un état capable de réaliser la ou les fonctions pour
lesquelles il est utile.
L’intérêt suscité par la maintenance au sein d’une entreprise est de garantir le fonctionnement
des équipements dans les meilleures conditions possibles afin d’en tirer un rendement optimal,
assurer la disponibilité maximale des équipements à un prix minimal, augmenter la durée de
vie de ces derniers ainsi qu’assurer leur fonctionnement à tout moment de manière efficace [2].
On peut scinder la maintenance en deux grands champs distincts, à savoir la maintenance dite
curative et celle dite préventive.

2.2 La maintenance curative (ou corrective)

La maintenance curative vise à intervenir sur l’équipement à la suite de la panne. Cela implique
que la panne n’a pas été détectée au préalable avant sa manifestation effective. Ce type de
maintenance requière des aptitudes à rétablir un dispositif défaillant dans un état lui permettant
d’accomplir sa fonction de manière rentable pour l’entreprise. Son principal avantage est le fait
qu’elle ne nécessite pas d’investissement en contrôle de l’état des équipements. Toutefois, elle
est également maculée de plusieurs inconvénients, en l’occurrence des coûts de réparation
élevés, des dommages conséquents, absence de planification et perte de production si la
machine concernée occupe une place prépondérante dans la chaîne de production de l’entreprise
[3].

Figure 1: Maintenance corrective

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

14
 ANALYSE VIBRATOIRE

2.3 La maintenance préventive

La maintenance préventive consiste à intervenir sur les équipements avant que la panne ne
survienne. Elle est effectuée à des intervalles de temps déterminés selon des critères prescrits
et destinés à réduire la probabilité de défaillance ou la dégradation du fonctionnement d’une
machine. La périodicité des visites s’établit par l’étude des lois statistiques de la durée de vie.
Des gammes d’entretien sont élaborées de façon à préciser le travail à exécuter et de garder la
traçabilité des entretiens. Cette politique de maintenance s’applique aux éléments provoquant
une perte de production ou des coûts d’arrêts imprévisibles, mais importants. Les équipements
concernés par ce type de maintenance sont ceux dont l’impact de la panne est désastreux pour
la production. Il existe deux types de maintenance préventive : la systématique et la
conditionnelle [1].

2.3.1 La maintenance préventive systématique

La norme NF-X60-010 précise que la maintenance préventive systématique est effectuée
suivant un échéancier établi selon le temps ou le nombre d’unités d’usages [1]. Généralement
la maintenance préventive systématique s’adresse aux éléments dont le coût de réparation en
cas de panne est très onéreux. Entre autre nous pouvons citer le changement systématique
d’huile, le changement de la courroie de synchronisation, etc. Les avantages d’une telle
maintenance sont la planification des arrêts d’entretien, l’optimisation de l’intervention
(préparation), limitation des risques de pannes. Cependant, on note quelques inconvénients :
coût de maintenance élevé, risque induit par une intervention parfois non nécessaire [3].

Figure 2: Maintenance systématique

2.3.2 La maintenance préventive conditionnelle

D’après la norme NF-X60-010, la maintenance préventive conditionnelle est définie comme
une maintenance subordonnée à un type d’évènement prédéterminé (auto diagnostic,
information d’un capteur, mesure d’une usure, révélateur de l’état de dégradation d’un
équipement) [1]. En termes d’avantages, cette maintenance permet l’optimisation de la durée
de fonctionnement, l’optimisation de l’intervention (préparation), l’évaluation réelle de l’état
de la machine. Au titre des inconvénients on peut souligner le coût de l’investissement et
l’astreinte à un programme de suivi [3]. La surveillance d’un équipement est assurée en relevant
périodiquement un indicateur d’état de dégradation ou de performance.

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

15
 ANALYSE VIBRATOIRE

La Maintenance Préventive Conditionnelle (MPC) a pour but :

 Surveiller le fonctionnement de la machine et prévoir quand elle va défaillir
 Anticiper la maintenance et réduire les coûts liés aux arrêts
 Réparer les machines que lorsque la nécessité s’impose
 Optimiser les révisions que sur les seules défaillances.
Par rapport à la maintenance corrective, la MPC permet d’éviter les pannes et prévenir les
indisponibilités des machines qui peuvent représenter jusqu’à 2/3 des coûts de production.
Par rapport à la maintenance préventive systématique, la MPC permet d’éviter les
interventions coûteuses pas toujours nécessaires (ex : vidange d’un grand volume d’huile sans
qu’elle ne soit dégradée) et qui ne garantissent pas de ne pas avoir une panne.
En MPC, le défaut est détecté avant que ne survienne la panne. Le principe est donc de
surveiller la machine régulièrement et de noter son évolution Il existe différentes techniques :
 La thermographie infrarouge : Cette technique permet de mesurer la température des
composants sans contact. Les défauts se traduisant généralement par une élévation de
température anormale.
 L’analyse des huiles : Cette technique permet à la fois de surveiller l’huile d’une
machine afin de la changer que lorsqu’elle est dégradée mais aussi, à l’instar de
l’analyse de sang pour l’être humain, de mesurer l’état de santé de la machine. Elle est
adaptée aux machines contenant des fluides de lubrification.
 L’analyse vibratoire : Cette technique est principalement utilisée pour la surveillance
des machines tournantes. Toute machine tournante vibre. Ces vibrations sont les
conséquences de défaut de machine. Plus la machine vibre, et plus le défaut est
important. Cette méthode est celle qui sera qui sera développée dans le cadre de ce
mémoire [4].

Figure 3: Maintenance conditionnelle

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

16
 ANALYSE VIBRATOIRE

2.4 Schémas synoptiques de la maintenance

maintenance

maintenance maintenance
préventive curative

maintenance maintenance
systématique conditionnelle

consiste à effectuer action déclanchée à

l'action de la
les actions selon un la suite d'un type
maintenace est
échéancier sur la d'évenement
effectuée après une
base de la durée de prédéterminé par un
panne
vie des composants indicateur

Figure 4: organigramme de la maintenance

Figure 5: différents type de maintenances conditionnelles

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

17
 ANALYSE VIBRATOIRE

Tableau 1: les différents types de maintenances

Type de
Description Avantages Inconvénients
maintenance
intervention sur Aucun investissement Arrêt de la production
l'équipement dans la surveillance de pendant un temps
défectueux après l'état des équipements indéterminé, coût de
que la panne soit réparations élevé selon
survenue la gravité de la panne
Curative

Maintenance Planification des Remplacement des

régulière des interventions, maitrise équipements ou des
machines suivant de la dépense liée aux huiles qui ne sont pas
une périodicité actions à mener, encore usés, dépenses ne
bien définie intervention lorsque la garantissant pas la non
Systématique production est arrêtée manifestation d'une
panne

Des actions sont Réduire les coûts liés Coût élevé du matériel
menées lorsque aux arrêts de de surveillance de l'état
les indicateurs de production, réparer les des équipements, risques
défaillance machines lorsque la liés aux erreurs de
dépassent un seuil nécessité s'impose, mesure des capteurs
Conditionnelle anticiper la utilisés
maintenance

2.5 Les machines VIS

La mise en place d’un dispositif de surveillance des équipements par analyse vibratoire requière
un investissement financier important, c’est pourquoi il est judicieux de choisir les machines de
la chaine de production, qui sont d’une importance capitale, pour appliquer cette méthode. Afin
de ne pas surveiller des machines qui n’ont aucune importance dans la chaine de production,
les industriels établissement le classement suivant :
 Machines Vitales : ce sont des machines non doublées dont la panne entraîne l’arrêt de
production. Les frais et délais de remise en l’état sont importants. Les pertes de
production sont inestimables.

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

18
 ANALYSE VIBRATOIRE

 Machines Importantes : Machines doublées ou non, et dont la panne entraîne une baisse
sensible de production. Les frais et délais de remise en état sont importants, les pertes
de production aussi;
 Machines Secondaires : Machines doublées et dont une panne ne remet pas en cause,
les capacités de production [4].
L’analyse vibratoire sera donc appliquée sur les machines vitales.

CONCLUSION
Il existe deux grands types de maintenances : la maintenance préventive et la maintenance
curative. Chacune d’entre elles comporte ses avantages et ses inconvénients. Parmi les
différentes techniques de maintenance préventive conditionnelle, la plus utilisée dans le monde
industriel est l’analyse vibratoire.
Il devient alors important de s’intéresser au contenu technique de l’analyse vibratoire afin de
mieux cerner son apport dans la surveillance des machines tournantes.

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

19
 ANALYSE VIBRATOIRE

CHAPITRE 3 : L’ANALYSE VIBRATOIRE

INTRODUCTION
Les machines tournantes constituent la pierre angulaire des systèmes industriels actuels et se
révèlent comme étant des éléments dont une panne est susceptible d’affecter grièvement la
chaine de production. C’est pourquoi il est indispensable à l’entreprise d’accorder une attention
particulière à ce type de machine.
En partant du principe que toute machine tournante vibre, l’analyse vibratoire se présente
comme étant une solution efficace pour surveiller en temps réel l’état de ces machines, afin de
détecter de manière précoce leurs défaillances pour anticiper l’apparition d’une panne et ainsi
assurer la continuité de service de la chaine de production.
L’objectif de cette partie sera de présenter l’analyse vibratoire et de montrer comment elle est
utilisée pour la surveillance des roulements à billes.

3.1 Généralités sur l’analyse vibratoire

Toutes les machines tournantes en fonctionnement produisent des vibrations, images des efforts
dynamiques engendrés par les pièces en mouvement. Ainsi, une machine en excellent état de
fonctionnement produit très peu de vibrations. La détérioration du fonctionnement conduit le
plus souvent à un accroissement du niveau des vibrations. En observant l'évolution de ce niveau,
il est par conséquent possible d'obtenir des informations très utiles sur l'état de la machine.
L’analyse vibratoire est un type de maintenance préventive conditionnelle qui consiste à
surveiller une machine tournante en relevant périodiquement un indicateur d‘état de
dégradation ou de performance : la vibration.
Les vibrations produites par le fonctionnement d’une machine occupent une place privilégiée
parmi les paramètres à prendre en considération pour effectuer un diagnostic. La modification
de la vibration d’une machine constitue souvent la première manifestation physique d'une
anomalie, cause potentielle de dégradations, voire de pannes.
Elles fournissent des paramètres fondamentaux permettant la détection précoce des
défaillances et même la désignation de l’organe défectueux sans démontage de la machine. Par
conséquent, la correction éventuelle et la programmation des opérations de maintenance seront
limitées aux seuls maillons et organes défaillants. Toutes les machines vibrent et au fur et à
mesure que l’état de la machine se détériore (balourd, usure de roulements, usure d’engrenages,
défaut d’alignement, défaut de graissage, desserrage, jeu, fissures, etc.), la signature vibratoire
change. C’est la première manifestation physique d’une anomalie, cause potentielle de
dégradation et de panne [5].
Les techniques et les méthodes mises en œuvre pour caractériser et surveiller l’état des
roulements dans une machine tournante sont nombreuses et très diverses. Chacune de ces
méthodes correspond à des niveaux différents de connaissances du phénomène et à l’utilisation
de matériels d’analyse. Ces techniques peuvent être regroupées en trois familles selon le tableau
suivant : [6]

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

20
 ANALYSE VIBRATOIRE

Tableau 2 : techniques de surveillance des roulements

Méthodes Méthodes statistiques

Méthodes de filtrage
fréquentielles temporelles
FFT, analyse Valeur efficace (RMS), Passe-haut et passe-
d'enveloppe, analyse valeur crête, facteur bande
cepstrale, etc. crête, kurtosis, etc.

3.2 Les vibrations

D’après la norme NFE 90-001, une vibration est une variation avec le temps d’une grandeur
caractéristique du mouvement ou de la position d’un système mécanique lorsque la grandeur
est alternativement plus grande et plus petite qu’une certaine valeur moyenne [4]. En d’autres
termes, un système mécanique est dit en vibration lorsqu'il est animé d'un mouvement de va-
et-vient autour d'une position moyenne, dite position d'équilibre. Si l’on observe le mouvement
d’une masse suspendue à un ressort on constate qu’il se traduit par :
 Un déplacement : La position de la masselotte varie de part et d’autre du point
d’équilibre, de la limite supérieure à la limite inférieure du mouvement ;
 Une vitesse : variation du déplacement par rapport au temps. Cette vitesse sera nulle au
point haut et au point bas du mouvement de la masselotte et sera maximale autour du
point d’équilibre ;
 Une accélération : variation de la vitesse par rapport au temps. Celle-ci permet à la
masselotte de passer de sa vitesse minimale à sa vitesse maximale [7].

Figure 6: Masse suspendue à un ressort

Une vibration se caractérise principalement par sa fréquence, son amplitude et sa phase.

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

21
 ANALYSE VIBRATOIRE

La fréquence (notée f) est le nombre de fois qu'un phénomène se répète en un temps donné.
Lorsque l’unité de temps choisie est la seconde, la fréquence s'exprime en hertz [Hz]. Une
vibration qui se produira 20 fois par seconde aura donc une fréquence de 20 hertz. [7]
1 Hertz = 1 cycle/seconde. La durée d’un cycle est appelée période (notée T). La relation liant
𝟏
la période à la fréquence est : 𝒇 = 𝑻

On appelle amplitude d'une onde vibratoire la valeur de ses écarts par rapport au point
d’équilibre. On peut définir l’amplitude maximale par rapport au point d'équilibre appelée
amplitude crête ou niveau crête, l’amplitude double, aussi appelée l'amplitude crête a crête ou
niveau crête-crête, et enfin l’amplitude efficace aussi connue sous l’acronyme RMS (Root Mean
Square en Anglais) qui s’obtient en faisant la racine carrée de la moyenne du carré du signal
[7].

Une machine tournante quelconque en fonctionnement génère des vibrations que l'on peut
classer de la façon suivante:
Les vibrations périodiques de type sinusoïdal simple [figure 7 a] ou sinusoïdal complexe [figure
7 b] représentatives du fonctionnement normal ou anormal d'un certain nombre d'organes
mécaniques (rotation de lignes d'arbres, engrènements,...) ou d'un certain nombre d'anomalies
(déséquilibre, désalignement, déformations, instabilité de paliers fluides, déversement de
bagues sur roulements, ...).
Les vibrations périodiques de type impulsionnel [figure 7 c] sont appelées ainsi par Référence
aux forces qui les génèrent et à leur caractère brutal, bref et périodique. Ces chocs peuvent être
roduits par des évènements normaux (presses automatiques, broyeurs a marteaux, compresseurs
à pistons, ...) ou par des évènements anormaux comme l'écaillage de roulements ou un défaut
sur des engrenages, un jeu excessif, ...
Les vibrations aléatoires de type impulsionnel [figure 7 d] peuvent, par exemple, être générées
par un défaut de lubrification sur un roulement, la cavitation d'une pompe [7].

Figure 7: Nature des vibrations

3.3 Notion d’indicateur

La vibration dépend des conditions de fonctionnement de l’équipement. Le signal vibratoire
contient des informations sur les efforts engendrés par le fonctionnement de la machine, mais
aussi sur l’état mécanique des structures. Il permet par conséquent d’avoir une image des
contraintes internes et de diagnostiquer un certain nombre de défauts de fonctionnement. Mais
en raison même de la richesse qu’il peut apporter, il n’est en général pas directement utilisable.
Il contient trop d’informations qu’il faut trier puis traiter [4].
Afin de détecter un défaut de la machine, il convient de définir un ou plusieurs indicateurs
d’états de la machine qui pourront être suivis selon la figure 8 :

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

22
 ANALYSE VIBRATOIRE

Figure 8: suivi de l'évolution d'un indicateur

L’indicateur d’état évolue dans le temps. On définit alors au moins deux seuils :
 Un seuil d’alarme : il nous prévient que l’état de la machine se dégrade et qu’il va
falloir prévoir une intervention de maintenance. On a le temps de programmer l’arrêt de
la machine afin de pénaliser le moins possible la production.
 Un seuil de danger : il nous prévient de l’imminence d’une panne. Il nous faut
rapidement intervenir. On peut également définir des seuils intermédiaires afin d’être
plus précis dans notre analyse [6].
Les indicateurs sont utilisés en analyse vibratoire selon deux niveaux différents à savoir la
surveillance et le diagnostic des machines :
 La surveillance : Le but de la surveillance d’une machine est de suivre l’évolution, par
comparaison de relevés successifs de ses vibrations. Une tendance à la hausse ou à la
baisse de certains indicateurs par rapports aux valeurs de référence constituant la
signature alerte généralement d’un dysfonctionnement probable. Cette valeur de
référence est établie lors de la première campagne de mesure sur une machine neuve ou
révisée.
 le diagnostic : Le diagnostic met en œuvre des outils mathématiques élaborés. Il permet
de désigner l’élément défectueux suite à une évolution anormale découlant de la
surveillance. Le diagnostic n’est réalisé que lorsque la surveillance a permis de détecter
une anomalie ou une évolution dangereuse du signal vibratoire.

3.3.1 La valeur efficace ou RMS (Root Mean Square)

La valeur efficace permet de contrôler rapidement l’état de la machine et d’indiquer si les
conditions de fonctionnement ont évolué de manière inquiétante depuis la dernière mesure. Ce
critère n’évolue pas de manière significative au cours de la 1ère phase de dégradation, il ne
commence à croître que pendant la deuxième phase de dégradation [8]. Ceci est un point faible
pour la maintenance conditionnelle et rend la détection précoce impossible. De plus le signal
vibratoire recueilli par le capteur contient toujours des bruits non seulement de la machine mais
aussi de l’environnement, ce qui peut entraîner une mauvaise interprétation de la valeur RMS,
surtout dans un espace industriel où les machines ne sont pas isolées, sans toutefois oublier

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

23
 ANALYSE VIBRATOIRE

l’effet de masque. Elle désigne la racine carrée de la moyenne du carrée du signal et se calcule
à l’aide de la formule suivante :
𝑁
1
𝑉𝑒𝑓𝑓 = √ ∑ 𝑋𝑖2
𝑁
𝑖=1

3.3.2 La valeur crête et le facteur crête

𝑨
La valeur crête, donnée par la formule : 𝑽𝒄 = 𝟐𝟎 × 𝐥𝐨𝐠 𝒎𝒂𝒙 , où Amax désigne l’amplitude
𝝈
maximale et σ l’écart type. C’est un indicateur qui caractérise l’amplitude maximale des chocs.
Il se manifeste dès l’apparition de la première écaillure et donne une information très précoce
de la prédiction. Malheureusement, c’est un mauvais indicateur une fois que la dégradation
s’accentue. Il faut remarquer aussi, que ces deux indicateurs (VRMS, Vc) dépendent de la vitesse
de rotation, des charges de la machine et des dimensions des roulements. Ceci est un
inconvénient pour la surveillance des roulements (seuil de la surveillance). Pour pallier à cela,
des méthodes équivalentes ont été introduites, telles que :
𝑽
- le facteur de crête : 𝑭𝒄 = 𝑽 𝒄 ;
𝑹𝑴𝑺
- le facteur de défaut : 𝐹𝑑 = 𝑎 𝐹𝑐 + 𝑏𝑉𝑅𝑀𝑆 .
Le défaut majeur du facteur crête est de présenter environ les mêmes valeurs à l’état neuf et en
fin de vie du roulement. Seule l’évolution dans le temps de cet indicateur est utilisable. Si Fc
augmente, la situation n’est pas alarmante, par contre s’il diminue, le roulement est en fin de
vie (figure 9).
Malheureusement, il est impossible de déterminer si le roulement est en début ou en fin de
dégradation, au moins pendant les premières mesures. Un autre indicateur permettant de
caractériser le caractère impulsif d’un signal vibratoire, en particulier pour les roulements,
fondés sur l’examen de la distribution d’amplitude d’un signal vibratoire, est le kurtosis [6].

Figure 9: courbe d'évolution du facteur crête.

3.3.3 Le kurtosis
𝟏 (𝑿 −𝒙)𝟒
Le kurtosis, donnée par : 𝑲𝒖 = 𝑵 ∑ 𝒊𝝈𝟒 , est un indicateur adimensionnel permettant de
caractériser le degré d’aplatissement d’une distribution d’un signal vibratoire [8]. Il a l’avantage
d’être indépendant des variations des vitesses de rotation et des charges de la machine. Prenons
l’exemple d’un roulement dont nous avons suivi l’évolution du kurtosis, en faisant varier la

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

24
 ANALYSE VIBRATOIRE

gamme de fréquence et celle de l’amplitude. Cette étude permet d’introduire le kurtosis, comme
l’un des paramètres de la loi de dégradation d’un roulement. En effet, le signal vibratoire d’un
roulement en bon état génère un signal de distribution gaussienne avec un kurtosis voisin de 3
compris entre (2.75 – 3.25) [9]. Par contre, la détection d’un défaut précoce produit un signal
transitoire et périodique avec une allure de distribution modifiée et un kurtosis plus grand. Pour
quantifier ce changement de distribution, le kurtosis est le facteur le plus sensible.

3.4 Les roulements à billes

Les roulements sont des dispositifs mécaniques qui permettent de réaliser une liaison pivot entre
deux classes d’équivalences, une classe fixe appelée palier et une autre rotative appelée arbre.
Ces éléments constituent les pièces maitresses des machines tournantes. Pour optimiser les
performances des roulements, un lubrifiant adapté et en quantité correcte doit être présent afin
de réduire le frottement dans le roulement et le protéger contre la corrosion. En général, les
roulements sont classés en fonction du type d’éléments roulants et de la forme des pistes de
roulement. Il existe alors plusieurs types de roulement [Tableau 3]. Les roulements radiaux
supportent des charges principalement perpendiculaires par rapport à l’arbre pendant que les
butées supportent des charges axiales, c’est-à-dire agissant principalement dans le sens de
l’arbre [10].
À l’exception des roulements à éléments roulants jointifs, tous les roulements sont équipés
d’une cage. Le nombre de cages dépend du nombre de rangées de billes ou de rouleaux à
l’intérieur du roulement et de la conception des cages. Les cages sont soumises à des contraintes
mécaniques dues aux frottements, déformations et forces d’inertie. Elles peuvent également
subir des contraintes chimiques causées par certains lubrifiants, additifs et sous-produits et leur
vieillissement, les solvants organiques ou les agents de refroidissement. Par conséquent, la
conception et le matériau d’une cage ont une influence importante sur la capacité d’un
roulement pour une application donnée. Les principales fonctions d’une cage sont de :
 Séparer les éléments roulants pour réduire le moment de frottement et la chaleur due au
frottement dans le roulement.
 Maintenir les éléments roulants à intervalles égaux de manière à optimiser la répartition
de la charge et à permettre un fonctionnement silencieux et uniforme.
 Guider les éléments roulants dans la zone non chargée pour améliorer les conditions de
roulement et empêcher les dommages dus aux mouvements de glissement.
 Retenir les éléments roulants des roulements séparables lorsqu’une bague de roulement
est retirée lors du montage ou du démontage. [10]

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

25
 ANALYSE VIBRATOIRE

Tableau 3: les types de roulements

roulements à contact
roulements rigides à billes roulements Y oblique

roulements à rotule sur bille roulements à rouleaux cylindriques roulements à aiguilles

butées à rotules sur

roulements à rouleaux coniques butées à billes rouleaux

3.4.1 Composition d’un roulement à billes

Le roulement est constitué généralement de deux bagues dans lesquelles sont pratiquées des
gorges de roulement, où se meuvent les parties roulantes. C’est un organe qui assure à lui seul
plusieurs fonctions principales. Il permet le positionnement d’un arbre par rapport à son
logement, tout en assurant une rotation précise avec le minimum de frottement et transmet les
efforts radiaux et/ou axiaux, ainsi que le guidage en rotation. C’est un organe de précision
(précision de rotation et précision de position), difficile d’accès et dont l’entretien et/ou le
remplacement peuvent engendrer des arrêts de maintenance longs et coûteux [11].

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

26
 ANALYSE VIBRATOIRE

Figure 10: éléments constitutifs d'un roulement

3.4.2 Défaillances des machines tournantes

Une défaillance est l'altération ou la cessation de l'aptitude d'un équipement à accomplir ses
fonctions requises avec les performances définies dans les spécifications techniques. Plusieurs
types de défauts peuvent affecter les roulements à bille, on peut citer les défauts suivants :
 L’usure: est un phénomène local caractérisé par un enlèvement de matière dû au
glissement de deux surfaces l’une contre l’autre. Le développement de l’usure est lié à
la charge et à la vitesse de glissement en chaque point des surfaces de contact, ainsi qu’à
la présence plus ou moins grande d’éléments abrasifs dans le lubrifiant. L’usure
normale, progresse lentement, elle est inversement proportionnelle à la dureté
superficielle de la denture. L’usure anormale se produit lorsque le lubrifiant est souillé
de particules abrasives ou lorsque le lubrifiant est corrosif, elle conduit à un mauvais
fonctionnement du roulement, voire à sa mise hors service [10].
 La piqûre : il s’agit de trous peu profonds, qui affectent toutes les éléments roulants.
La piqûre est une avarie qui se produit surtout sur des roulements en acier de
construction relativement peu dur. Il est moins à craindre si la viscosité du lubrifiant est
élevée. L’apparition des piqûres est associée aussi à un rapport épaisseur de film
lubrifiant sur rugosité composite [10].
 La fissuration : généralement par fatigue, elle progresse à chaque mise en charge, à
partir d’un point initial, elle apparaît surtout sur des aciers fins, durcie par traitement
thermique, qui sont très sensibles aux concentrations de contraintes, l’apparition de ces
fissures est la conséquence d’une contrainte qui dépasse la limite de fatigue du matériau
[10].
 L’écaillage : il se manifeste par une perte de fragments de métal sur la partie de la
machine qui présente cette défaillance [10].
 Grippage : conséquence directe d’une destruction brutale du film d’huile, ou d’un
frottement sous charge provoquant des hausses de températures, le grippage est favorisé
essentiellement par des vitesses élevées de gros modules [10].

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

27
 ANALYSE VIBRATOIRE

3.4.3 Causes potentielles de dégradation

La norme AFNOR NF X60010, définit la cause de défaillance par « les circonstances liées à la
conception, la fabrication ou l’emploi et qui ont entraîné la défaillance ». Comme tous les
organes mécaniques, les causes de dysfonctionnement des roulements sont très nombreuses. Le
plus souvent, ce sont l’écaillage, le grippage et la corrosion. Tous ces défauts ont en commun
le fait qu’ils se traduisent tôt ou tard par une perte de fragments de métal, qu’on appelle
l’écaillage [12, 13]. L’écaillage s’accentue par des chocs répétés des billes sur la cage ou les
pistes du roulement. Ces chocs provoquent une vibration de type impulsionnel qui se propage
sur la bague, puis sur la cage externe du roulement : impulsion [9] (Fig. 3). Ces impulsions
deviennent la source de modulation d’amplitude du signal aléatoire de vibrations. Elles sont
caractérisées par une montée très raide et par une durée très courte et par conséquent, il se
produira une augmentation de la valeur efficace du signal vibratoire et de son facteur crête [13,
14]. La reconnaissance de la nature des vibrations est un élément précieux pour la détermination
de l’origine d’une anomalie. En mettant en évidence la répétition de cette impulsion, nous
définissons ainsi les fréquences caractéristiques des défauts de chaque élément du roulement.

Figure 11: Processus de dégradation d'un roulement

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

28
 ANALYSE VIBRATOIRE

3.4.4 Fréquences caractéristiques de défaut des éléments d’un roulement

Lorsqu’on met en relief l’apparition répétitive des impulsions des signes de dégradation, nous
définissons ainsi les fréquences caractéristiques des défauts de chaque élément du roulement
sur la figure suivante :

Figure 12: Fréquences caractéristiques des défauts

CONCLUSION
Nous avons montré que l’analyse vibratoire utilise des outils mathématiques qui permettent de
surveiller l’état des machines tournantes en prélevant périodiquement le signal vibratoire. Ce
signal contient une grande quantité d’informations, c’est pourquoi en pratique il est impossible
de l’utiliser directement. Dès lors, on utilise des méthodes de filtrage pour extraire le signal
utile. De même on peut concevoir des indicateurs d’endommagement des roulements à partir
du signal vibratoire afin d’évaluer en temps réel l’état de la machine. En sus, l’analyse vibratoire
a aussi l’avantage d’élaborer un diagnostic de l’équipement une fois la panne détectée afin de
désigner l’élément défectueux sans démonter la machine, juste à l’aides des fréquences
caractéristiques des défauts.

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

29
 ANALYSE VIBRATOIRE

CHAPITRE 4 : ACQUISITION DES DONNEES

INTRODUCTION
Ce chapitre s’intéresse aux moyens mis en œuvre pour obtenir les données auxquelles nous
allons appliquer les techniques de l’analyse vibratoire. De prime abord, nous allons revenir sur
les concepts fondamentaux de la numérisation d’un signal analogique et la notion de spectre
d’un signal en posant quelques bases mathématiques sur les concepts de produit de convolution
et de peigne de Dirac.

4.1 Notion de spectre du signal

La rotation de l’arbre d’une machine tournante est le phénomène donnant naissance aux
vibrations. Cette rotation étant par nature périodique, les vibrations enregistrées le sont aussi.
Le mathématicien français Joseph Fourier (1768-1830) a montré que tout signal périodique de
forme quelconque pouvait être décomposé en une somme de signaux élémentaires sinusoïdaux
(fondamental et harmoniques, les harmoniques étant les multiples du fondamental) autour d’une
valeur moyenne (composante continue) qui pouvait être nulle. L’ensemble de ces composantes
forme le spectre du signal ou bande de fréquence occupée par le signal (largeur de bande). La
somme de ces sinusoïdes est connue sous le terme de série de Fourier. Si S (S peut désigner
l’accélération, la vitesse ou le déplacement) est une fonction du temps, on peut écrire :
+∞

𝑺(𝒕) = ∑ 𝑺𝒏 . 𝐬𝐢𝐧(𝐧𝛚𝒕 + 𝛗)
𝒏=𝟎
La représentation graphique du signal vibratoire en fonction du temps reste assez « illisible ».
Elle ne favorise pas l’analyse car tous les termes sont superposés. On a besoin d’un outil
mathématique supplémentaire. La transformée de Fourier, lorsqu’elle s’applique à une
fonction du temps comme l’accélération, la vitesse ou le déplacement, donne pour résultat une
autre fonction dont la variable est la fréquence. Cette nouvelle fonction est appelée spectre. Le
spectre est la représentation de l’amplitude d’une grandeur en fonction de la fréquence. On le
détermine par la relation suivante :
+∞
s(f) = TF(S(t)) =∫−∞ 𝐒(𝐭). 𝐞−𝟐𝐢𝛑𝒇𝐭 𝐝𝐭.
Par exemple, le spectre d’un signal sinusoïdal est un pic à la fréquence du signal comme on
peut le voir sur la figure suivante :

Figure 13 : spectre d’un signal sinusoïdal

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

30
 ANALYSE VIBRATOIRE

Un signal vibratoire étant la somme de plusieurs sinus, son spectre sera par conséquent une
succession de fréquences caractéristiques du signal de départ. Il y a complète dualité entre
l'espace temporel et l'espace fréquentiel qui est représenté par la transformée de Fourier. Cela
implique l'existence de la transformée de Fourier inverse :
+∞
e(t) = TF-1(E(f)) = ∫−∞ 𝐄(𝐟). 𝐞𝟐𝐢𝛑𝐟𝐭 𝐝𝐟
La transformée de Fourier introduit la notion de spectre d'un signal qui est la caractéristique
fréquentielle d'un signal. Un signal peut être ainsi défini dans deux espaces, soit temporel soit
fréquentiel.
Introduisons deux concepts mathématiques importants du traitement de signal que sont le
produit de convolution et le peigne de Dirac. On définit le produit de convolution entre deux
signaux en décalant de  l’un des deux signaux et en intégrant leur produit sur le temps :
+∞
s(t) = e(t)h(t) = ∫−∞ 𝑒(). ℎ(𝑡 − )𝑑
On peut montrer aisément la commutativité du produit de convolution en procédant par un
changement de variable de la forme u = 𝑡 − . On notera que la transformée de s(t) traversant
un filtre de réponse impulsionnelle h(t) vaut :
S(f ) = E(f ).H(f )
Inversement, si S(f ) = E(f )H(f ) alors s(t) = e(t).h(t)
C’est une propriété très importante. Une multiplication temporelle devient un produit de
convolution fréquentiel. De même un produit de convolution temporel devient une
multiplication fréquentielle.
L’impulsion de Dirac, notée (t), est une impulsion de durée to, d’amplitude Ato, avec to très
petit. C’est une impulsion d’énergie constante. Mathématiquement on la défini de la manière
+∞
qui suit :  t ≠ 0 (t) =  ∫−∞ (𝑡)𝑑𝑡 = 1
+∞
De plus e(t0) = ∫−∞ 𝑒(𝑡). (𝑡 − 𝑡0 ) 𝑑𝑡. L’impulsion de Dirac est le neutre de la convolution :
s(t) = s(t)*(t).
On en déduit donc que :
+∞
TF((t)) = 1  (𝑡) = ∫−∞ 𝑒 2𝑖𝜋𝑓𝑡 𝑑𝑓 .
Le peigne de Dirac est un train d’impulsions espacés de Te. On le note PTe(t) et :
+∞

𝑃𝑇𝑒 (𝑡) = ∑ (𝑡 − 𝑛𝑇𝑒)

𝑛=0
De plus :
1
TF(PTe(t)) = P1/Te(t).
Te
Pour un système linéaire qui, à une d’entrée e(t), fait correspondre la fonction de sortie s(t) par
une fonction de transfert h(t), si e(t) = (t) alors S(f) = E(f).H(f) = H(f). Donc s(t) = h(t). On
appelle ainsi h, la réponse impulsionnelle.

4.2 Principe de numérisation d’un signal analogique

Numériser une grandeur analogique consiste à transformer la suite continue de valeurs en une
suite discrète et finie. À cet effet, on prélève, à des instants significatifs, un échantillon du signal
et on exprime son amplitude par rapport à une échelle finie (quantification).
Le récepteur, à partir des valeurs transmises, reconstitue le signal d’origine. Une restitution
fidèle du signal nécessite que soient définis :
– l’intervalle d’échantillonnage qui doit être une constante du système (fréquence
d’échantillonnage);

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

31
 ANALYSE VIBRATOIRE

– l’amplitude de l’échelle de quantification : celle-ci doit être suffisante pour reproduire la

dynamique du signal (différence d’amplitude entre la valeur la plus faible et la valeur la plus
forte) ;
– que chaque valeur obtenue soit codée.
La figure 13 représente les différentes étapes de la numérisation du signal. Le capteur est
l’interface entre le monde physique et le monde électrique. Il va délivrer un signal électrique
image du phénomène physique que l’on souhaite numériser. L’étape de l’amplification du
signal permet d’adapter le niveau du signal issu du capteur à la chaîne globale d’acquisition,
car en général le courant fourni par le capteur est de très faible amplitude. Le filtre d’entrée est
communément appelé filtre anti-repliement. Son rôle est de limiter le contenu spectral du
signal aux fréquences qui nous intéressent. Ainsi il élimine les parasites. C’est un filtre passe
bas que l’on caractérise par sa fréquence de coupure et son ordre. À intervalle régulier (période
d’échantillonnage Te), l’échantillonneur prélève une fraction du signal (échantillon). On
l’associe de manière quasi-systématique à un bloqueur. Le bloqueur va figer l’échantillon
pendant le temps nécessaire à la conversion. Ainsi durant la phase de numérisation, la valeur
de la tension de l’échantillon reste constante. On parle d’échantillonneur bloqueur. Puis, on
fait correspondre à l’amplitude de chaque échantillon une valeur (quantification), cette valeur
est ensuite transformée en valeur binaire (codification).

Figure 14:Numérisation d'un signal analogique

La quantification définit des valeurs en escalier (par bond) alors que le phénomène à quantifier
varie de façon continue. Aussi, quel que soit le nombre de niveaux utilisés, une approximation
est nécessaire, celle-ci introduit une erreur dite de quantification ou bruit de quantification qui
est la différence entre la valeur réelle de l’échantillon et la valeur quantifiée.
Pour reproduire correctement le signal à l’arrivée, le récepteur doit disposer d’un minimum
d’échantillons. Il existe donc une relation étroite entre la fréquence maximale des variations du
signal à discrétiser et le nombre d’échantillons à prélever.
L’opération mathématique associée à la discrétisation d’un signal revient à multiplier ce signal
e(t) par un peigne de Dirac Te (t) :
e(t) = e(t).Te (t) = e(t).Σ (t − nTe)

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

32
 ANALYSE VIBRATOIRE

On peut ainsi calculer la transformée de Fourier du signal échantillonné en utilisant les

propriétés liant une multiplication temporelle qui dans l’espace fréquentiel devient un produit
de convolution :
1
E*(f) = TF(e(t).Te (t)) → E*(f) = Te E(f) * Fe=1/Te(f)
𝟏
Soit : E*(f) = 𝐓𝐞 ∑ E(f – [Link])
Echantillonner le signal e(t) dans le domaine temporel, revient donc à recopier dans le domaine
fréquentiel son spectre E(f) sur tous les multiples de Fe.

Figure 15: Propriétés temporelles et fréquentielles du signal d'entrée

Figure 16: Propriétés temporelles et fréquentielles du signal échantillonné

On remarquera que si le spectre du signal d'origine à une largeur supérieur à 2Fe on a ce qu'on
appelle un repliement de spectre. Dans le cas d'un spectre de largeur infinie (la réalité), il y a
donc toujours repliement de spectre. Il est donc nécessaire de filtrer le signal d'origine afin de
limiter cet effet de repliement.

Figure 14: Echantillonnage provoquant un repliement de spectre

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

33
 ANALYSE VIBRATOIRE

S’il y a repliement de spectre, il n’est plus possible de retrouver le spectre du signal d’origine.
Dans ce cas, l’opération d’échantillonnage modifie les caractéristiques du signal d’entrée.
Soit un signal dont le spectre est limité et dont la borne supérieure vaut Fmax, Shannon a montré
que si Fe est la fréquence d’échantillonnage, le spectre du signal échantillonné est le double de
Fmax et est centré autour de Fe, 2Fe... nFe. Par conséquent, pour éviter tout recouvrement de
spectre, le signal à échantillonner doit être borné à une fréquence supérieure telle que Fmax soit
inférieure à la moitié de l’intervalle d’écartement des spectres (Fe). On en déduit que la
fréquence minimale d’échantillonnage (fréquence de Nyquist) d’un signal doit être le double
de la fréquence maximale du signal à échantillonner. Au final, si l’on ne veut pas perdre
d’informations par rapport au signal que l’on échantillonne, on devra toujours respecter la
condition :
Féchantillon ≥ 2 · Fmax du signal (relation de Shannon)

Figure 18: Structure élémentaire d'un convertisseur analogique/numérique

4.3 L’IEEE PHM 2012 Data Challenge

4.3.1 Aperçu global du Challenge

L’IEEE Reliability Society et l’Institut FEMTO-ST ont conjointement organisé un concours
intitulé l’IEEE PHM 2012 Data Challenge. Le défi était axé sur l’estimation de la durée de
vie utile restante (RUL en anglais pour Remaining Useful Life) des roulements à billes à gorge
profonde en rotation, un problème critique car la plupart des défaillances des machines
tournantes sont liées à ces composants, affectant fortement la disponibilité, la sécurité et la
rentabilité des systèmes et équipements mécaniques dans les secteurs tels que l’énergie et le
transport. L’ensemble des données du PHM challenge ont été fournis par l’institut FEMTO-
ST de Besançon en France. Des expériences ont été réalisées sur la plateforme expérimentale
PRONOSTIA, qui permet une dégradation accélérée des roulements sous certaines conditions
de fonctionnement, tout en recueillant des données de surveillance en temps réel. Des essais ont
été effectués sous trois conditions de chargement différentes allant de de 1500 à 1800 tr/min et
une charge portante de 4000 à 5000 N dans une configuration d’essai expérimentale permettant
une dégradation accélérée des paliers. 6 ensembles de données d’entrainement pour développer
les algorithmes d’estimation du RUL et 11 ensembles de données de test contenant des signaux
de vibration et de température ont été fournis. L’objectif du défi était d’estimer la durée de vie
utile restante des roulements dans les 11 ensembles de données de test.

4.3.2 La plateforme PRONOSTIA

La plateforme PRONOSTIA permet de faire tourner le roulement jusqu’à sa rupture en
seulement quelques heures. Elle a été conçue et réalisée au département AS2M (Automatique

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

34
 ANALYSE VIBRATOIRE

et Systèmes Micro-Mécatroniques) de l’institut FEMTO-ST. Cette plateforme est composée de

3 parties, une composante de rotation, une composante de charge et une composante de mesure.

Figure 19: dispositif expérimental

 La composante de rotation contient un moteur capable de communiquer une vitesse

de rotation au roulement. Il s’agit d’un moteur asynchrone avec une boîte de vitesses et
deux arbres. Le moteur a une puissance égale à 250W et transmet le mouvement de
rotation à travers une boîte de vitesses, ce qui permet au moteur d’atteindre sa vitesse
nominale de 2830 tr/min, de telle sorte qu’il puisse délivrer son couple nominal tout en
maintenant la vitesse de l’arbre secondaire inférieure à 2000 tr/min. L’accouplement
d’arbre rigide est utilisé pour créer des connexions pour la transmission du mouvement
de rotation produit par le moteur au palier support du roulement. L’arbre de support du
roulement guide le roulement à travers sa bague intérieure. Une interface homme-
machine permet à l’opérateur de régler la vitesse, de sélectionner la direction de rotation
du moteur et de définir les paramètres de surveillance tels que la température instantanée
du moteur exprimée en pourcentage de la température maximale d’utilisation.

 La composante de charge permet d’appliquer une force radiale sur le roulement afin
de réduire sa durée de vie. Les éléments de ce module sont tous groupé dans une seule
et même cage en aluminium partiellement isolée du module d’instrumentation par une
couche en polymère. La cage en aluminium comporte un vérin pneumatique, un axe
vertical et ses bras de levier, un capteur de force, une bague de serrage du roulement
testé, un arbre de support d’essai et deux paliers. La force issue du vérin pneumatique
est d’abord amplifiée par un bras de levier, et est ensuite appliquée indirectement sur la
bague extérieure du roulement à bille à travers sa bague de serrage. Ce module de charge
constitue le cœur du système global. En effet, la force radiale produite permet de réduire
la durée de vie du roulement en paramétrant sa valeur au-dessus de la charge dynamique
maximale supportée par un roulement qui vaut 4000 N. cette charge est générée par un
actionneur. Il s’agit d’un vérin pneumatique dont la pression d’alimentation est fournie
par un régulateur électropneumatique numérique.

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

35
 ANALYSE VIBRATOIRE

 La composante de mesure permet d’obtenir des informations sur le roulement tout au

long de l’expérience à l’aide de capteurs de vibrations et de températures. Les conditions
expérimentales sont déterminées par des mesures instantanées de la force radiale
appliquée sur le roulement, de la vitesse de rotation de l’arbre du roulement, et le couple
infligé au roulement. Chacune de ces trois mesures analogiques sont prélevées à une
fréquence égale à 100 Hz. La caractérisation de la dégradation du roulement sur deux
types de données : la vibration et la température.

Le signal thermique obtenu serait très intéressant pour une étude axée sur la thermographie
infrarouge, mais rappelons que ce mémoire est focalisé sur l’analyse vibratoire, par conséquent
c’est le signal vibratoire qui doit retenir notre attention.
Les capteurs de vibration sont deux accéléromètres miniatures, de type DYTRAN 3035B
positionnés à 90° l’un de l’autre. Le premier est placé sur l’axe vertical et le second sur l’axe
horizontal. Les deux accéléromètres ont une position radiale par rapport à la bague extérieure
du roulement.
Un accéléromètre piézoélectrique est composé d’un disque en matériau piézoélectrique
(quartz), qui joue le rôle d’un ressort sur lequel repose une masse sismique précontrainte. Les
accéléromètres piézoélectriques tendent à devenir les capteurs de vibration absolue les plus
utilisés pour la surveillance. Ils possèdent les avantages suivants :
 le signal d’accélération peut être intégré électroniquement pour donner le déplacement
et la vitesse ;
 Extrêmement durable ;
 Facilité d’installation ;
 Petit et léger ;
 Supporte les hautes températures.

Toutefois, ils ne sont pas exempts des quelques inconvénients qui suivent :
 Nécessite une double intégration pour le déplacement ;
 Nécessite une source extérieure (capteur passif);
 Fournit des informations limitées sur la dynamique d’arbre ;
 Médiocre pour les faibles vitesses.

Figure 20: schéma d'un accéléromètre piézoélectrique

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

36
 ANALYSE VIBRATOIRE

Figure 21: accéléromètre de type DYTRIAN 3035B

Figure 22: accéléromètres fixés sur le roulement

Figure 23: caractéristiques de l'accéléromètre

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

37
 ANALYSE VIBRATOIRE

4.4 Conditions expérimentales d’acquisition des données

Les roulements ont été utilisés selon les trois conditions expérimentales suivantes :
 Condition 1 : la vitesse de rotation de l’arbre vaut 1800 tr/min et la charge radiale
appliquée au roulement est de 4000 N.
 Condition 2 : la vitesse de rotation de l’arbre vaut 1650 tr/min et la charge radiale
appliquée au roulement est de 4200 N.
 Condition 3 : la vitesse de rotation de l’arbre vaut 1500 tr/min et la charge radiale
appliquée au roulement est de 5000 N.
Six expériences ont été menées sur trois couples de roulements. Les conditions expérimentales
changeaient d’un couple à un autre. Ces six roulements, appartenant au groupement learning
set, ont été utilisés jusqu’à l’usure. Leurs signaux vibratoires vont permettre de concevoir le
modèle théorique d’estimation du temps de survie des roulements. Le modèle ainsi obtenu sera
appliqué sur les onze autres roulements de la famille test set, afin de prédire leurs temps de
survie, car ces roulements n’ont pas été utilisés jusqu’à la fin de vie. En réalité, les données de
surveillances des onze roulements test ont été expressément tronquées afin que les participants
puissent prédire la durée restante, et ainsi effectuer des estimations du RUL. De plus, aucune
hypothèse sur la défaillance à prévoir n’a été formulée, rien n’est connu sur la nature et l’origine
de la dégradation.

Tableau 4: ensemble des données du challenge

conditions
expérimentales condition 1 condition 2 condition 3

bearing1_1 bearing2_1 bearing3_1

Learning set bearing1_2 bearing2_2 bearing3_2
bearing1_3 bearing2_3 bearing3_3
bearing1_4 bearing2_4
Test set bearing1_5 bearing2_5
bearing1_6 bearing2_6
bearing1_7 bearing2_7

Le capteur situé dans le plan vertical mesure l’accélération verticale et l’autre situé dans le plan
horizontal mesure l’accélération horizontale. Le signal vibratoire est échantillonné à la
1
fréquence Fe = 25,6 kHz, à chaque instant de prélèvement qui dure 10 de seconde on récolte
2560 valeurs (échantillons). La durée entre deux instants de prélèvement successifs est de 10
secondes.

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

38
 ANALYSE VIBRATOIRE

Figure 24: illustration des paramètres d'acquisition des données

Les données recueillies à chaque instant de prélèvement sont enregistrées dans des fichiers
ASCII nommées acc_XXXXX.csv. Sur chaque ligne de chacun de ces fichiers on retrouve un
certain nombre d’informations rangées dans l’ordre suivant : heure, minute, seconde,
microseconde, accélération horizontale, accélération verticale. Le séparateur utilisé dans
ces fichiers est la virgule.

Figure 25: données du fichier acc_00001.csv du roulement1_1

Il faut toutefois notifier que les modèles théoriques basés sur la signature fréquentielle pour
détecter les défauts de roulements ne fonctionnent pas. En effet, les signatures de fréquence
sont difficiles à obtenir du fait que la dégradation peut concerner tous les composants du
roulement à la fois.
D’autre part, les lois de fiabilité existantes pour l’estimation de la durée de vie des roulements,
telles que la durée nominale L10, ne donnent pas les mêmes résultats que ceux obtenus par les
expériences réalisées (la durée de vie théorique estimée est différente de celle donnée par les
expériences).

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

39
 ANALYSE VIBRATOIRE

Rappelons le contenu théorique de la loi L10. La durée de vie d’un roulement est définie par le
nombre de tours qu’il peut effectuer sous une charge donnée avant qu’apparaisse le premier
signe d’écaillage. Selon la norme ISO 281, la durée nominale vaut :

𝐂 𝒌
L10 = ( ) [en millions de tours]
𝐏
C désigne la charge dynamique de base, P désigne la charge dynamique équivalente et k vaut
10
3 pour les roulements à billes et pour les roulements à rouleaux. Lorsque la vitesse est
3
constante, il est généralement préférable d’exprimer la durée nominale en heures de
fonctionnements avec :
𝟏𝟎𝟔
L10h = × L10
𝟔𝟎 𝐧

Où n désigne la vitesse de rotation de l’arbre.

La charge statique C0, d’une série de roulements identiques, est la charge radiale (axiale pour
les butées), constante en intensité et en direction, que peut endurer 90 0/0 de roulements du
groupe, avant que n’apparaissent les signes de détérioration.
La charge dynamique de base C, est la charge radiale (axiale pour les butées), constante en
intensité et en direction, que peut endurer 90 0/0 de roulements du groupe, avant que
n’apparaissent les premiers signes de fatigue.
La charge équivalente P est la Charge radiale Pure, donnant exactement la même durée de vie
que la combinaison des charges axiale Fa et radiale Fr réellement exercée sur le roulement. P
est différent de la charge combinée F. En principe les composantes de F qui sont Fa et Fr sont
déterminées par une étude mécanique.
Remarque :
Si on porte sur un système d’axe (Fa, Fr) l’ensemble des pointeurs (O, F) correspondant aux
charges combinées Fa et Fr donnant la même durée de vie à un roulement, on obtient la courbe
d’équidurée (lieu de F) du roulement.
Pour des raisons pratiques, on remplace la courbe par deux droites limitées par un angle β tel
que tan 𝛽 = 𝑒.
La charge équivalente P se calcule différemment selon le type de roulement utilisé comme nous
allons le voir dans les figures suivantes :

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

40
 ANALYSE VIBRATOIRE

Figure 26: cas d'un roulement à contact radial

Figure 27: cas d'un roulement à contact angulaire

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

41
 ANALYSE VIBRATOIRE

Figure 28: cas des roulements à double rangée

La durée nominale se calcule en exécutant l’algorithme suivant :

Figure 29: algorithme de calcul de la durée nominale

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

42
 ANALYSE VIBRATOIRE

CONCLUSION
Au terme de ce chapitre on peut retenir que les données exploitées dans ce travail émanent d’un
challenge intitulé IEEE PHM 2012 Data Challenge, organisé par l’IEEE Reliability Society en
collaboration avec l’institut FEMTO-ST. Les expériences ont été menées sur la plateforme
PRONOSTIA qui permet d’accélérer le processus de dégradation des roulements. Parmi les
roulements testés, six d’entre eux ont été utilisés jusqu’à l’usure afin de permettre la conception
du modèle théorique d’estimation du temps de survie. Les onze autres roulements qui n’ont pas
été utilisés jusqu’à l’usure permettent de tester le modèle afin de prédire leurs temps de vie
restant.
Le signal vibratoire a été prélevé à l’aide de deux accéléromètres placés dans le plan horizontal
et vertical du roulement. La fréquence d’échantillonnage a été fixée à 25,6 kHz et les données
ont été enregistrées dans des fichiers ASCII nommées acc_XXXXX.csv. Un fichier correspond à
instant de prélèvement.
Pour finir, nous avons souligné le fait que les méthodes conventionnelles d’estimation du temps
de survie des roulements, à l’instar de la durée nominale L10, étaient inefficaces dans notre cas.
Ce constat nous conduit au chapitre suivant qui sera axé sur la conception des algorithmes
d’estimation du temps résiduel utiles des roulements à billes.

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

43
 ANALYSE VIBRATOIRE

CHAPITRE 5 : DETECTION D’ANOMALIES SUR LA

SIGNATURE FREQUENTIELLE ET ESTIMATION DU TEMPS
DE SURVIE

INTRODUCTION
Les résultats expérimentaux obtenus ont clairement montré les limites des méthodes classiques
de calcul du temps de vie des roulements, à l’instar de la durée nominale L10. C’est dans
l’optique d’apporter une solution palliative à ce problème que cette section décrira une
méthodologie d’estimation du temps résiduel utile des roulements testés en deux étapes
majeures. De prime abord il sera question de la détection des premiers défauts par analyse
spectrale du signal vibratoire, puis l’approximation du temps de survie. Le modèle théorique
présenté ici a été proposé par une équipe d’étudiants du département génie mécanique du centre
d’ingénierie du cycle de vie avancé (CALCE en anglais pour Center for Advanced Life Cycle
Engineering). Cette équipe a remporté la première place du PHM 2012 Data Challenge dans la
catégorie académique.
L’ensemble des scripts utilisés dans cette partie ont été implémentés dans l’environnement
développement intégré dans MATLAB, logiciel optimisé pour les traitements des signaux.

5.1 La détection des premiers défauts

Un défaut est détecté lorsqu’on observe un changement dans le spectre du signal, soit par
l’apparition des pics très élevés ou par la disparition d’une gamme fréquentielle. Le spectre de
fréquences est généré via l’algorithme de la transformée de Fourier rapide noté FFT (Fast
Fourier Transform) déjà implémenté dans MATLAB.
Le spectre doit être déterminé pour tous les signaux prélevés pendant le test du roulement et
l’observation de tous les spectres doit se faire sur un seul graphe afin de bien voir comment
évolue les magnitudes des fréquences d’un spectre à l’autre.
Pour obtenir ce résultat, nous avons implémenté une fonction que nous avons baptisée
vue_3d.m. Les grandes lignes de son algorithme sont les suivantes :
Début algorithme
Récupération du nombre de fichiers (instants de prélèvement) du roulement traité
Fixation de la fréquence d’échantillonnage Fe = 25600 Hz
Pour i allant de 1 au nombre de fichiers traités
Construction du nom du fichier à exploiter
Extraction des données contenues dans le fichier traité
Récupération de la colonne d’accélération horizontale
Récupération de la colonne d’accélération verticale

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

44
 ANALYSE VIBRATOIRE

Calcul des spectres des signaux extraits

Construction de la matrice de maillage de l’accélération horizontale
Construction de la matrice de maillage de l’accélération verticale
Fin Pour
Sauvegarde des spectres des signaux dans des fichiers EXCEL
Construction de l’axe des abscisses
Construction de l’axe des fréquences
Troncature des matrices de maillage
Construction des graphes 3d des spectres des signaux

Fin algorithme

Le code source complet de cette fonction sera fourni dans l’annexe A. Toutefois, nous allons
décortiquer ligne par ligne l’algorithme ci-dessus.
De prime abord, nous avons récupéré le nombre de fichiers contenu dans le roulement traité.
En effet chaque fichier correspond à un instant de prélèvement, tous les fichiers sont contenus
dans un répertoire comportant le nom du roulement correspondant. Ces fichiers ASCII
contiennent toutes les informations prélevées par les capteurs comme nous l’avons
susmentionné dans le chapitre précédant. Pour rendre effective cette récupération de données,
nous avons compté l’ensemble des fichiers contenus dans le répertoire du roulement à étudier,
ensuite nous avons inscrit ce nombre dans un fichier nommé nbr_files.csv. A l’aide de la
fonction load qui prend en paramètre le nom du fichier, nous avons réussi à importer le contenu
de ce dernier dans le logiciel MATLAB et nous avons affecté cette valeur à la variable nbr_files.
La fixation de la fréquence d’échantillonnage a consisté à affecter la valeur de la fréquence
d’échantillonnage du signal (elle vaut 25,6 kHz) à la variable Fe.
Ensuite nous avons utilisé une boucle for qui va nous permettre de parcourir tous les fichiers
du roulement à traiter. La variable d’incrémentation est notée i.
Pour exploiter les données contenues dans un fichier il faut passer en paramètre le nom de ce
dernier à une fonction d’extraction de données, comme les fonctions load, xlsread, csvread,
etc. Voilà pourquoi il est important de construire le nom du fichier à exploiter à l’aide de la
variable d’incrémentation de la structure itérative for car chaque roulement possède plusieurs
fichiers. En effet la structure générale du nom des fichiers est de la forme acc_XXXXX.csv où la
suite XXXXX correspond au numéro du fichier qu’on traite. Pour construire le nom du fichier, on
converti le nombre contenu dans la variable d’incrémentation i en chaîne de caractère à l’aide
de la fonction int2str, puis on fait une concaténation avec la chaîne de caractère acc_ et
l’extension .csv à l’aide de la fonction strcat. Le nom du fichier obtenu est affecté à la variable
file_name.
Une fois le nom du fichier obtenu, on importe ses données avec la fonction load et on insère
ces informations dans une variable appelée data. Cette variable devient une matrice à 2560
lignes (le nombre d’échantillons récoltés par instant de prélèvement) et 6 colonnes. Chaque
colonne correspond respectivement aux données relatives à l’heure, la minute, la seconde, la
microseconde, l’accélération horizontale et l’accélération verticale.

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

45
 ANALYSE VIBRATOIRE

Dans MATLAB, pour récupérer la n-ième colonne d’une matrice X, on se sert de la commande
X( : , n). Par conséquent, pour récupérer les données de l’accélération horizontale nous avons
utilisé la commande data( : , 5) et pour l’accélération verticale nous avons utilisé la commande
data( : , 6).
Les signaux temporels d’accélérations sont acquis, maintenant il faut déterminer leurs spectres.
Pour se faire, on utilise l’algorithme de la transformée de Fourier rapide FFT. Cette fonction
renvoie des valeurs complexes. On calcule ensuite leurs modules respectifs avec la fonction
abs. Par exemple, la commande complète pour calculer le spectre de l’accélération horizontale
est : abs( fft( data( : , 5))).
Après avoir calculé les spectres des signaux, on les enregistre dans une matrice de maillage
dans laquelle chaque colonne correspond au spectre d’un fichier. On déduit aisément que le
nombre de colonnes de la matrice de maillage correspond au nombre de fichiers (instants de
prélèvements) contenu dans le roulement considéré. Cette matrice de maillage va permettre
d’obtenir une représentation en trois dimensions de tous les spectres des signaux prélevés. Si
on a un vecteur X de longueur m et un deuxième vecteur Y de longueur n, leur matrice de
maillage Z sera de dimension n×m et Z(i ; j) = f(Xj ; Yi). Dans notre cas d’usage, le vecteur X
correspond aux numéros des fichiers traités, Y correspond à l’axe des fréquences et la fonction
f corresponds au spectre. Par conséquent Z(i ; j) correspond à la magnitude de la fréquences j
du fichier numéro i.
A la fin de la boucle for, nous avons deux matrices de maillages contenant chacune les spectres
des accélérations horizontales et verticales. Nous sauvegardons toutes ces données dans des
fichiers EXCEL à l’aide de la fonction xlswrite. Cette fonction prend en paramètre le nom du
fichier dans lequel on souhaite enregistrer les données et la matrice qui contient les données.
D’autres fonctions permettent de réaliser cette tâche sur MATLAB, à l’instar de csvwrite et
save.
Pour générer le graphe à trois dimensions il nous faut définir l’axe des abscisses, l’axe des
ordonnées et l’axe des côtes. L’axe des côtes correspond à la matrice de maillage que nous
avons déterminé dans la boucle for.
L’axe des abscisses correspond aux numéros des fichiers (instants de prélèvement). Pour le
construire, on génère un vecteur dont les valeurs vont de 1 au nombre de fichiers contenus dans
la variable nbr_files qu’on avait créée au début de l’algorithme. Le pas vaut 1.
L’axe des ordonnées correspond aux fréquences du spectre. Un signal numérique est défini par
un nombre d’échantillons N relevés à une fréquence d’échantillonnage Fe. Afin de rester
cohérent avec les mesures, il est important de respecter les grandeurs physiques impliquées
dans le signal. L’axe des fréquences est un vecteur de N points compris entre 0 et Fe. On le
génère avec la syntaxe suivante : axe_freq = (0 : N-1)×Fe/N.
Pour finir, on génère le graphe à trois dimensions à l’aide de la fonction mesh. Cette fonction
prend en paramètre l’axe des abscisses X qui correspond au vecteur contenant les numéros des
fichiers, l’axe des ordonnées Y qui correspond au vecteur des fréquences et Z la matrice de
maillage. Aux points X(j) etY(i) elle fait correspondre Z(i ; j).

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

46
 ANALYSE VIBRATOIRE

Nous avons exécuté cet algorithme sur le roulement bearing1_3, et nous avons obtenu les
graphes suivants :

Figure 30: vue globale des spectres des signaux d'accélération horizontale

Figure 31: vue globale des spectres des signaux d'accélération verticale

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

47
 ANALYSE VIBRATOIRE

Pour mieux observer l’évolution des pics nous nous sommes proposés d’effectuer une vue de
dessus de ces graphes en faisant une rotation autour de l’axe des fréquences. Nous avons obtenu
les résultats suivants :

Figure 32: vue de dessus du spectre de l'accélération horizontale

Figure 33: vue de dessus du spectre de l'accélération verticale

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

48
 ANALYSE VIBRATOIRE

Les résultats obtenus ne sont pas très lisibles, cela est dû au fait que tous les pics apparaissent
sur le graphe. Pour remédier à ce problème, il faut supprimer les pics sans importance et ne
garder que ce qui ont des valeurs élevées. Les données relatives aux deux types d’accélérations
sont affichées simultanément sur le même graphe. On obtient dès lors la figure suivante :

Figure 34: détection d'anomalies dans le roulement bearing1_3

On remarque que dans le spectre du signal d’accélération verticale, à l’instant de prélèvement

#822 il y’a l’apparition d’une nouvelle gamme de pics de fréquences autour de 5300 Hz. En
plus de cela, on remarque également un changement dans le spectre du signal d’accélération
horizontale, de l’observation #822 à #1247 une gamme de fréquence qui existait autour de 2500
Hz disparait progressivement.
A toutes fins utiles, il est important de rappeler que chaque numéro d’observation (instant de
prélèvement) est équivalent à une durée de 10 secondes.
Une explication physique possible des changements observés dans les spectres des signaux est
l’apparition des fissures ou d’autres défauts de surface dans le roulement. Ces phénomènes
peuvent justifier le fait que la structure vibre avec de nouvelles gammes de fréquences.
Cependant, cette hypothèse ne peut pas être confirmée car aucune information sur l’analyse des
défauts n’a été fournie dans le challenge.
En nous appuyant sur les résultats obtenus sur les graphes précédents, nous émettons l’assertion
selon laquelle le roulement comporte plusieurs stades de dégradation avant d’atteindre
l’usure totale. Certains roulements présentent des stades de dégradations ayant une
manifestation graduelle, pendant que d’autres ne montrent aucune tendance puis subitement
montrent une croissance brusque de la magnitude des fréquences et s’affaiblit lentement.

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

49
 ANALYSE VIBRATOIRE

5.2 Conception d’un modèle théorique d’estimation du temps de survie

Dans le chapitre sur l’analyse vibratoire nous avons vu que pour surveiller une machine il
fallait suivre l’évolution des indicateurs de défauts de cette dernière. L’indicateur que nous
avons utilisé pour détecter l’apparition des premiers défauts du roulement est la moyenne des
cinq plus grandes valeurs absolues des accélérations mesurées dans chaque fichier
d’observation. La moyenne a été utilisée pour réduire l’effet du bruit. La formule qui
définit cet indicateur est la suivante :
𝟓
𝟏
𝒇 = ∑ 𝒂𝒄𝒄𝒊
𝟓
𝒊=𝟏

Où acc désigne l’accélération et i est le rang de la donnée après avoir trié dans l’ordre
décroissant les valeurs absolues de l’accélération.
Cet indicateur doit être évalué dans chaque instant de prélèvement, puis on doit générer un
graphe pour suivre son évolution. Pour atteindre cet objectif, nous avons implémenté une
fonction que nous avons baptisée moyenne5.m dont l’algorithme est le suivant :
Début algorithme
Récupération du nombre de fichiers (instants de prélèvement) du roulement traité
Pour i allant de 1 au nombre de fichiers traités
Construction du nom du fichier à exploiter
Extraction des données contenues dans le fichier traité
Récupération de la colonne d’accélération horizontale
Récupération de la colonne d’accélération verticale
Calcul des valeurs absolues des signaux temporels
Tri des valeurs absolues dans l’ordre décroissant
Récupération des cinq premières valeurs des tableaux
Calcul de la moyenne de ces valeurs
Insertion du résultat dans un tableau
Fin Pour
Sauvegarde des spectres des signaux dans des fichiers EXCEL
Construction de l’axe des abscisses
Construction de la courbe d’évolution de l’indicateur des deux signaux

Fin algorithme

Le code source complet de cette fonction sera fourni dans l’annexe B. Nous allons revenir sur
certaines spécificités de cet algorithme vu qu’on retrouve quelques instructions qui
apparaissent déjà dans l’algorithme précédent.

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

50
 ANALYSE VIBRATOIRE

Le calcul de la valeur absolue se fait à l’aide de la fonction abs déjà contenue dans la
bibliothèque mathématique de MATLAB. Pour l’utiliser, il suffit de lui passer en paramètre le
vecteur contenant les nombres dont on souhaite obtenir les valeurs absolues.
Le tri d’un tableau est réalisé à l’aide de la fonction sort de MATLAB. On lui envoie un vecteur
en paramètre (dans notre cas le vecteur comporte les valeurs absolues des signaux temporels
d’accélération) et en sortie elle nous renvoie le vecteur trié dans l’ordre croissant. Pour qu’elle
puisse trier le tableau dans l’ordre décroissant comme nous souhaitons le faire, il faut lui ajouter
un second paramètre, notamment la chaine de caractères « descend ».
Lorsqu’on a un vecteur X dans MATLAB et qu’on veut obtenir les n premières valeurs de ce
dernier, on utilise la syntaxe : X(1 : n). Dans notre cas d’usage n = 5, car on souhaite récupérer
les cinq premières valeurs du vecteur trié dans l’ordre décroissant. Ces cinq valeurs sont en
effet les plus grandes du vecteur. Pour finir, on calcul la moyenne de ces cinq valeurs en utilisant
la fonction mean implémentée dans MATLAB.
Pour générer le graphe d’évolution de l’indicateur, nous avons utilisé la fonction plot de
MATLAB. Cette fonction permet de construire un graphe à deux dimensions lorsqu’on lui
fournit en paramètre l’axe des abscisses dans un premier vecteur et l’axe des ordonnées dans
un second vecteur. Dans notre cas, en abscisse nous avions les numéros de chaque fichier
(instants de prélèvement) et en ordonnées nous avions les valeurs de l’indicateur correspondant
à chaque fichier d’observation.
Nous avons exécuté cet algorithme sur le roulement bearing1_1 et nous avons obtenu le graphe
de la figure suivante :

Figure 35: indicateur appliqué aux accélérations horizontales

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

51
 ANALYSE VIBRATOIRE

Figure 36: indicateur appliqué aux accélérations verticales

Le résultat obtenu sur le signal d’accélération verticale n’est pas facile à exploiter. Par contre
celui obtenu sur le signal d’accélération horizontale montre d’abord une évolution quasi
constante de l’indicateur, et à partir de l’observation #1218 on remarque une croissance
graduelle. A cet instant, le roulement entre dans la première phase (ou stade) de dégradation.
A l’observation #2747 on observe une croissance brusque de l’indicateur. Le roulement entre
dans la deuxième de dégradation.
La tendance de dégradation du roulement bearing1_1 est la même que celle observée dans le
roulement bearing1_3. Ce sont les deux seuls cas dans lesquels nous avons observé une
croissance progressive de l’indicateur après l’apparition du premier défaut. Dans les autres
roulements, l’indicateur présente des successions de croissances et de décroissances après
l’apparition du premier défaut.
Nous allons donc concevoir le modèle d’estimation du temps de survie à l’aide du roulement
bearing1_1 et nous allons l’appliquer sur le roulement bearing1_3.
Pour mettre en place le modèle de prédiction, une approche à deux étapes a été adoptée.
La première étape consiste à estimer le temps au bout duquel le roulement entre dans la
deuxième phase d’anomalie et la deuxième étape est d’estimer la durée entre le début de la
deuxième phase d’anomalie et l’instant où le roulement est hors d’usage.
A partir du résultat obtenu à la figure 35, l’idée est de générer une courbe d’ajustement
exponentielle à partir de l’instant de détection du premier défaut (phase 1 d’anomalie)

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

52
 ANALYSE VIBRATOIRE

jusqu’au début de la phase 2 d’anomalie. Pour atteindre cet objectif, nous avons développé
une fonction dans MATLAB que nous avons baptisée exp_fit.m. Cette fonction obéit à
l’algorithme suivant :
Début algorithme
Récupération du nombre de fichiers (instants de prélèvement) du roulement traité
Pour i allant de 1 au nombre de fichiers traités
Construction du nom du fichier à exploiter
Extraction des données contenues dans le fichier traité
Récupération de la colonne d’accélération horizontale
Calcul des valeurs absolues des signaux temporels
Trie des valeurs absolues dans l’ordre décroissant
Récupération des cinq premières valeurs du tableau
Calcul de la moyenne de ces valeurs
Insertion du résultat dans un tableau
Fin Pour
Sauvegarde des spectres des signaux dans des fichiers EXCEL
Troncature du tableau des valeurs de l’indicateur
Génération de la courbe d’ajustement exponentiel
Construction de la courbe d’évolution de l’indicateur et la courbe d’ajustement

Fin algorithme

Le code source complet de ce script sera fourni dans l’annexe C de ce document. Revenons
toutefois sur les étapes clés de cet algorithme.
La troncature permet de récupérer les valeurs de l’indicateur qui sont comprises entre la phase
1 et la phase 2 d’anomalie. Dans MATLAB, lorsqu’on a un vecteur X et qu’on souhaite
récupérer les valeurs comprises entre les positions n et m du vecteur, on utilise la syntaxe
suivante : X(n : m). Dans notre cas, X correspond au tableau d’évolution des valeurs de
l’indicateur appliqué à l’accélération horizontale, n vaut 1218 et m vaut 2747.
Pour générer la courbe d’ajustement exponentiel des données, on utilise la fonction fit contenue
dans MATLAB. Cette fonction prend trois paramètres, à savoir l’axe des abscisses et des
ordonnées ainsi que la chaine de caractère « exp1 » qui spécifie le type d’ajustement qu’on
applique aux données. Dans la dernière version de MATLAB, un outil spécial a été développé
spécifiquement pour résoudre les problèmes d’ajustement linéaire, logarithmique, exponentiel,
etc. Cet outil permet une manipulation beaucoup plus souple des courbes d’ajustement.
Après l’exécution de ce script, nous avons obtenu le graphe suivant :

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

53
 ANALYSE VIBRATOIRE

Figure 37: courbe d'ajustement exponentiel appliquée au roulement bearing1_1

Cette fonction renvoie également l’expression littérale de la courbe d’ajustement exponentiel.

Son équation est de la forme :

f(x) = aebx

Le logiciel MATLAB nous indique que les coefficients a et b sont estimés dans un intervalle
de confiance à 95% et valent respectivement 0,3757 et 0,00111. Au final, l’expression littérale
de l’équation de la courbe d’ajustement exponentiel est :

f(x) = 0,3757e 0,00111x

L’image du début de la phase 1 d’anomalie par la fonction d’ajustement est 1,453 comme on
peut si bien le lire sur le graphe de la figure 37, et celle du début de la phase 2 d’anomalie est
7,95. Leur rapport vaut :
𝟕, 𝟗𝟓
𝒓= = 𝟓, 𝟒𝟕𝟏𝟒
𝟏, 𝟒𝟓𝟑
On détermine ensuite le temps au bout duquel le roulement s’abîme complètement après être
entré dans la phase 2 d’anomalie. Sachant que chaque instant de prélèvement est équivalent à
une durée de 10 secondes, ce temps vaut :
∆t1 = tf – ti = 28030s – 27470s = 560s

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

54
 ANALYSE VIBRATOIRE

On évalue également la durée entre les phases 1 et 2 d’anomalie :

∆t2 = tf – ti = 27470s – 12180s = 15290s
Les durées que nous venons de calculer correspondent respectivement à celle de la première et
de la deuxième anomalie. Pour finir, on évalue leur rapport qu’on va appeler le ratio
d’anomalies :
𝟓𝟔𝟎𝒔
𝑨𝒏𝒐𝒎𝒂𝒍𝒚𝑹𝒂𝒕𝒊𝒐 = = 𝟎, 𝟎𝟑𝟔𝟔
𝟏𝟓𝟐𝟗𝟎𝒔

5.3 Application du modèle sur un roulement d’essai

Le modèle théorique sera testé sur le roulement bearing1_3. Rappelons que ce roulement n’a
pas été utilisé jusqu’à l’usure. Le but du travail sera donc dans un premier temps de détecter
l’instant d’apparition du premier défaut, c’est-à-dire le début de la phase 1, ensuite trouver
l’instant du début de la phase 2 et du temps au bout duquel le roulement est hors d’usage à partir
des coefficients calculés dans le modèle théorique, et enfin calculer le temps de vie restant, car
ce roulement d’essai n’a pas encore atteint sa fin de vie.
Pour détecter le premier défaut nous allons appliquer l’algorithme moyenne5.m. Voici le
résultat obtenu :

Figure 38: détection du premier défaut sur le roulement bearing1_3

On remarque que l’indicateur commence à croître progressivement à partir de l’observation

#822. C’est donc à partir de cet instant de prélèvement que nous supposons qu’il y’a apparition
du premier défaut. Nous allons maintenant tronquer les données à partir de cette valeur et

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

55
 ANALYSE VIBRATOIRE

générer la courbe d’ajustement exponentiel puis déduire l’instant du début de la phase 2

d’anomalie.
Pour cela, nous allons exécuter la fonction exp_fit.m. On obtient le graphe suivant :

Figure 39: courbe d'ajustement exponentiel du roulement bearing1_3

L’équation de la courbe d’ajustement exponentiel générée par cette fonction est :

f(x) = 0,2595e0, 001485

Pour obtenir l’image de l’instant correspondant au début de la phase 2 d’anomalie, on multiplie

l’image de l’observation #822 par le coefficient r. soit :
𝒚 = 𝟏. 𝟏𝟑 × 𝟓. 𝟒𝟕 = 𝟔
Maintenant il faut trouver l’instant d’observation qui admet 6 comme image. Ce problème
revient à déterminer la réciproque de la fonction d’ajustement afin de calculer l’antécédent du
nombre 6. Pour se faire, nous allons résoudre l’équation y = f(x) avec f(x) = aebx.

On a :
𝑦
𝑦 = 𝑎𝑒 𝑏𝑥  = 𝑒 𝑏𝑥 (𝑎 0)
𝑎

En appliquant le logarithme :
𝑦 1 𝑦
ln = 𝑏𝑥  𝑥 = ln (𝑏 0)
𝑎 𝑏 𝑎
1 𝑥
Au final : 𝑓 −1 (𝑥) = 𝑙𝑛 𝑎 (𝑎, 𝑏  0)
𝑏

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

56
 ANALYSE VIBRATOIRE

Le numéro de l’observation où commence la phase 2 d’anomalie se calcule comme suit :

𝟏 𝟔
𝑵= 𝐥𝐧 = 𝟐𝟏𝟏𝟓
𝟎. 𝟎𝟎𝟏𝟒𝟖𝟓 𝟎. 𝟐𝟓𝟗𝟓
En soustrayant 822 dans 2115, on obtient le nombre d’observations qui constituent la première
phase d’anomalie, soit 1293 observations. Par ailleurs, une observation correspond à une durée
de 10 secondes, donc le temps que dure la phase 1 est :
[Link] = 1293 × 10 = 12930s
La durée de la deuxième phase d’anomalie est estimée en multipliant la durée de la première
anomalie par le facteur AnomalyRatio obtenu précédemment. Soit :
[Link] = 0,0366 × [Link] = 478s
Le temps de dégradation à partir de l’instant de détection de la première anomalie (jusqu’à la
fin de vie) se déduit en sommant les durées des deux phases d’anomalie :
T = [Link] + [Link] = 12960s + 478s = 13404s
Dès l’entame de ce point, nous avons précisé que le roulement bearing1_3 n’avait pas été utilisé
jusqu’à l’usure. Ce roulement contient 1802 fichiers de prélèvement. Or nous avons détecté le
premier défaut à l’observation #822. On déduit donc que le roulement a déjà survécu pendant :
Ts = (1802 – 822)×10 = 9800s
Nous connaissons maintenant la durée T des deux anomalies et le temps Ts mis par le roulement
depuis l’apparition du premier défaut. On peut dès lors déduire aisément le temps de vie utile
restant RUL (Remaining Useful Life) :
RUL = T – Ts = 13404s – 9800s = 3604s.
Les organisateurs du challenge ont fourni les temps de vie utiles restant (RUL) des onze
roulements d’essai. Ces valeurs ont été obtenues de manière expérimentale, il s’agit donc des
RUL réels. On peut les voir sur la figure suivante :
Tableau 5: valeurs des RUL fournis dans le challenge

Test set Actual RUL

Bearing1_3 5730s
Bearing1_4 339s
Bearing1_5 1610s
Bearing1_6 1460s
Bearing1_7 7570s
Bearing2_3 7530s
Bearing2_4 1390s
Bearing2_5 3090s
Bearing2_6 1260s
Bearing2_7 580s
Bearing3_3 820s

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

57
 ANALYSE VIBRATOIRE

On peut alors calculer le pourcentage d’erreur de prédiction de la manière suivante :

𝑹𝑼𝑳𝒓é𝒆𝒍 − 𝑹𝑼𝑳𝒕𝒉é𝒐𝒓𝒊𝒒𝒖𝒆 𝟓𝟕𝟑𝟎 − 𝟑𝟔𝟎𝟒
%𝑬𝒓𝒓 = × 𝟏𝟎𝟎 = × 𝟏𝟎𝟎 = 𝟑𝟕, 𝟏%
𝑹𝑼𝑳𝒓é𝒆𝒍 𝟓𝟕𝟑𝟎

Le pourcentage d’erreur de prédiction du RUL du roulement bearing1_3 en appliquant

le modèle théorique que nous avons décrit est de 37,1%.

5.4 Estimation du RUL pour les cas particuliers

Le roulement bearing1_3 était l’unique roulement d’essai dans lequel on pouvait appliquer la
courbe d’ajustement exponentiel sur le graphe d’évolution de l’indicateur. Dans les autres cas,
la courbe d’évolution de l’indicateur ne présentait pas toujours une tendance croissante après
l’apparition du premier défaut.
Prenons par exemple le cas du roulement bearing2_2. C’est un roulement d’étude, donc il a été
utilisé jusqu’à l’usure total. La figure 40 présente le graphe de la détection d’anomalies et ceux
de l’évolution de l’indicateur des signaux d’accélération horizontale et verticale.

Figure 40: détection d'anomalie et évolution de l'indicateur du roulement bearing2_2

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

58
 ANALYSE VIBRATOIRE

La courbe de l’indicateur du signal d’accélération verticale divise le graphe en une phase

normale suivie de trois phases anormales. Dans le cas des roulements d’essai où l’évolution de
la courbe de l’indicateur ne présentait pas une tendance croissante après la détection du premier
défaut, l’estimation du RUL a été faite en calculant les rapports de durées des différentes phases
d’anomalie
Pour revenir sur le cas du roulement bearing2_2, la première phase anormale va de
l’observation #181 à #415, soit 2340s. La deuxième phase anormale va de l’observation #416
à #752, soit une durée totale de 3360s. Et enfin la troisième phase anormale va de l’observation
#753 jusqu’à l’usure totale, cette phase dure 440s.
Dans la majorité des roulements d’essai, les phases 2 et 3 d’anomalie ne sont pas connues.
Cependant, la durée des anomalies 2 et 3 ont été estimées en s’aidant de la durée que met
l’anomalie 1.
En prenant les rapports des durées d’anomalies pour le cas du roulement bearing2_2, nous
obtenons les relations suivantes :
𝑫𝒖𝒓é𝒆 𝑨𝒏𝒐𝒎𝒂𝒍𝒊𝒆 𝟐 = 𝟏, 𝟒𝟑𝟒 × 𝑫𝒖𝒓é𝒆 𝑨𝒏𝒐𝒎𝒂𝒍𝒊𝒆 𝟏
𝑫𝒖𝒓é𝒆 𝑨𝒏𝒐𝒎𝒂𝒍𝒊𝒆 𝟑 = 𝟎, 𝟏𝟖𝟕 × 𝑫𝒖𝒓é𝒆 𝑨𝒏𝒐𝒎𝒂𝒍𝒊𝒆 𝟐
Pour chaque roulement test, deux RUL ont été calculés à partir des coefficients issus des
roulements d’études de chaque condition d’expérience, puis on évalue les pourcentages d’erreur
de prédiction de chacun de ces RUL. On effectue ensuite la moyenne des erreurs d’estimation
si et seulement si le produit des deux valeurs est positif. Dans le cas où l’une des valeurs est
négative ont omet sciemment le calcul de la moyenne et cette valeur est considérée comme le
taux d’erreur d’estimation du RUL du roulement concerné. Un résumé des pourcentages
d’erreur d’estimation des RUL en utilisant la méthode décrite précédemment est présenté dans
le tableau suivant :
Tableau 6: résumé des erreurs d'estimation du RUL

Test set %Err

Bearing1_3 37
Bearing1_4 80
Bearing1_5 9
Bearing1_6 -5
Bearing1_7 -2
Bearing2_3 64
Bearing2_4 10
Bearing2_5 -440
Bearing2_6 49
Bearing2_7 -317
Bearing3_3 90

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

59
 ANALYSE VIBRATOIRE

Pour chaque roulement d’essai, deux valeurs du RUL sont générées en utilisant les deux
roulements d’études (Learning set) fournies pour chaque condition d’utilisation. La moyenne
des deux valeurs des RUL a été effectuée.
Une exception a été faite pour le cas du roulement bearing1_3, car c’est le seul cas dont la
tendance d’évolution de l’indicateur était semblable à celle du roulement bearing1_1. Une autre
exception a été faite lorsque l’un des RUL était un nombre négatif. Dans ce cas, le calcul de la
moyenne a été délibérément omis.

5.5 Perspective d’optimisation du modèle théorique

L’observation majeure qui découle inéluctablement des résultats obtenus dans le tableau
synoptique des erreurs de prédiction du RUL est que seuls quatre roulements parmi les onze
roulements d’essai présentent un pourcentage d’erreur d’estimation dont la valeur absolue est
inférieure à 10%.
Ce constat en particulier nous entraine à penser que le modèle théorique présenté ci-dessus peut
être sujet à une optimisation afin d’améliorer ces pourcentages d’erreurs en les réduisant
considérablement.
Pour cela, on se propose de généraliser le terme de calcul de l’indicateur utilisé dans ce modèle
théorique de la manière qui suit :
𝐍
𝟏
𝒇 = ∑ 𝒂𝒄𝒄𝒊
𝐍
𝒊=𝟏

On calcule la moyenne des N premiers termes du tableau des valeurs absolues du signal
vibratoire temporel rangé l’ordre décroissants. On fait varier N dans l’ensemble des valeurs
suivantes :
𝐍 = {𝟐, 𝟑, 𝟕, 𝟏𝟎}
En appliquant ce principe sur tous les roulements test, on obtient les résultats suivants :
Tableau 7: évolution de l'erreur d'estimation en fonction de N

valeur de N 2 3 5 7 10
bearing1_3 42,37 38,97 37,1 15,85 13,33
bearing1_4 85,84 84,96 80 79,06 75,81
bearing1_5 25,04 25,04 9 8,26 7,35
bearing1_6 12,6 12,6 -5 11,3 9,79
bearing1_7 28,8 28,8 -2 -8,6 -6,48
bearing2_3 62,03 59,08 64 58,98 58,41
bearing2_4 16,43 14,62 10 -8,74 -9,15
bearing2_5 -399,54 -339,57 -440 -421,06 -412,39
bearing2_6 -67,03 -78,28 49 40,72 39,11
bearing2_7 412,01 412,01 -317 -305,23 -290,42
bearing3_3 103,47 112,25 90 83,63 77,59

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

60
 ANALYSE VIBRATOIRE

Lorsqu’on diminue la valeur de N on remarque une augmentation considérable du taux d’erreur

d’estimation du RUL. Ce constat est général à tous les roulements test. Cette approche est par
conséquent à rejeter car elle ne cadre pas avec notre objectif d’amélioration du taux d’erreur.
Par contre en augmentant la valeur de N on diminue le pourcentage d’erreur d’estimation du
RUL. Pour le cas par du roulement bearing1_3 nous sommes passés de 37,1% à 13,33%, soit
une réduction de plus de 20% du taux d’erreur. On déduit qu’il est nettement mieux
d’augmenter le nombre de valeurs au niveau du calcul de l’indicateur afin d’améliorer le
pourcentage d’erreur d’estimation du RUL.

CONCLUSION
Nous venons de décrire une méthode d’estimation du RUL basée sur les comparaisons des
durées des phases de dégradation entre les roulements d’étude et les roulements d’essai. A partir
de roulements d’étude nous avons été capables, à partir du modèle théorique proposé par les
lauréats de l’IEEE PHM 2012 Data Challenge, d’estimer la durée de vie résiduelle utile des
roulements d’essai. Pour le cas du roulement bearing1_3, grâce à l’évolution de la courbe de
son indicateur qui était semblable à celle du roulement bearing1_1, nous avons utilisé une
courbe d’ajustement exponentiel et les rapports des durées des phases d’anomalie pour estimer
son RUL. Dans les cas particuliers où la courbe d’ajustement exponentiel ne s’appliquait pas,
nous avons uniquement travaillé avec les rapports de durées des différentes phases d’anomalie.
Parmi les onze roulements test, seuls quatre avaient un taux d’erreur d’estimation du RUL
acceptable. Pour améliorer ces pourcentages nous avons proposé d’augmenter le nombre de
valeurs dans le calcul de l’indicateur du modèle théorique utilisé.

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

61
 ANALYSE VIBRATOIRE

CONCLUSION GENERALE ET PERSPECTIVE

Au terme de ce travail nous pouvons retenir que l’analyse vibratoire s’inscrit dans le panel des
techniques de maintenance préventive conditionnelle appliquée aux machines tournantes. Cette
technique à l’avantage de prévenir les pannes afin de mieux planifier les interventions sur les
équipements. Elle permet également, en cas de panne, de détecter l’élément défaillant sans
démonter la machine, mais juste en analysant le spectre de son signal vibratoire. Le seul bémol,
c’est que la mise en place de cette technique requiert d’énormes investissements financiers,
c’est pourquoi on applique cette méthode que sur les machines dont une panne pourrait affecter
grièvement la chaine de production.
Cette méthode repose sur le traitement du signal vibratoire de l’équipement surveillé. Une
vibration est la variation périodique d’un objet entre une position minimale et une position
maximale, autour d’une position d’équilibre. Elle est caractérisée par sa fréquence, son
amplitude et sa phase. Un signal est une grandeur physique porteuse d’information. Or la quasi-
totalité des équipements de mesure fonctionnent avec un signal électrique. Voilà pourquoi on
utilise un accéléromètre afin de convertir le signal vibratoire (le mesurande) en signal
électrique, puis en suivant la chaine d’acquisition du capteur, on numérise ce signal afin de
l’enregistrer dans un support de stockage ou de le traiter à l’aide d’un microprocesseur (DSP).
Les données que nous avons exploitées proviennent d’une plateforme expérimentale baptisée
PRONOSTIA. Cette plateforme permet de dégrader un roulement en quelques heures en lui
appliquant une charge supérieure à la charge maximale qu’il peut supporter. Les données du
signal vibratoire sont prélevées à l’aide de deux accéléromètres : l’un sur le plan horizontal et
l’autre sur le plan vertical. Ces signaux sont numérisés à une fréquence d’échantillonnage de
25,6 kHz et sont enregistrées dans des fichiers ASCII. Un fichier correspond à un instant de
prélèvement.
Les résultats des méthodes conventionnelles d’estimations du temps de vie d’un roulement,
telle que la durée nominale L10, n’étaient pas conformes aux observations expérimentales. Ce
constat fait tout l’objet de ce travail qui est donc de concevoir un modèle théorique d’estimation
du temps de vie résiduel utile des roulements à billes. Nous avons donc présenté la méthode
proposée par les lauréats de l’IEEE PHM 2012 Data Challenge. Cette méthode comporte deux
parties. La première consiste à détecter les défauts par analyse spectrale du signal. La deuxième
permet d’estimer le temps de vie utile restant (RUL) en utilisant les courbes d’ajustement
exponentiel et les rapports des durées des différentes phases d’anomalie. En appliquant cette
méthode sur le roulement bearing1_3, le résultat obtenu présentait une erreur d’estimation de
37,1%. Ce résultat ouvre des perspectives d’optimisation de cette méthode. En effet, en
augmentant le nombre de points dans le calcul de l’indicateur utilisé, nous sommes parvenus à
réduire le taux d’erreur d’estimation du RUL de tous les roulements d’essai.
Cette étude nous a permis d’estimer les durées de vie résiduelle et leurs erreurs dans les
roulements à billes à partir de la méthode de détection des fréquences d’anomalie dans les
différents stades de dégradations et le rapport des durées des phases d’anomalies. Elle pourra
être complétée par la méthode de la moyenne d’une série de Kurtosis en fonction du temps sur
les spectres obtenus après filtrage du signal (Méthode de Monte Carlo).

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

62
 ANALYSE VIBRATOIRE

ANNEXE A

******************** code source de la fonction vue_3d.m********************

function vue_3d(nbr_files)

% nbr_files passé en paramètre dans la fonction désigne le nombre de

% fichiers contenu le repertoire
Fe = 25600; % fréquence d'échantillonage
data = load('acc_00001.csv');
z1 = data(:,5);
z2 = data(:,6);
% calcul de la transformée de Fourier
Z_horiz = abs(fft(z1));
Z_vert = abs(fft(z2));
N = length(z1);

for i = 2 : nbr_files % boucle principale qui permet de parcourir

tous les fichiers

% l'étape qui suit va nous permettre de construire le nom de

chaque fichier

if i < 10
indice = int2str(i);
file_name = strcat('acc_0000',indice,'.csv');

elseif i < 100

indice = int2str(i);
file_name = strcat('acc_000',indice,'.csv');

elseif i < 1000

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

63
 ANALYSE VIBRATOIRE

indice = int2str(i);
file_name = strcat('acc_00',indice,'.csv');
else
indice = int2str(i);
file_name = strcat('acc_0',indice,'.csv');

end

% fin de la construction du nom du fichier

% maintenant nous passons à l'étape de la récupération des

données

data = load(file_name);
z1 = data(:,5);
z2 = data(:,6);
% calcul de la transformée de Fourier
z1 = abs(fft(z1));
z2 = abs(fft(z2));

% construcion des matrices de maillage

Z_horiz = [Z_horiz z1];
Z_vert = [Z_vert z2];

end

% sauvegarde des données

xlswrite('spectre_horiz_roulement1.xlsx' , Z_horiz);
xlswrite('spectre_vert_roulement1.xlsx' , Z_vert);

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

64
 ANALYSE VIBRATOIRE

% axes des abscices et des ordonnées

x = 1 : nbr_files ;
y = (0 : N-1)*Fe/N ;

% axe des fréquences

freq = y(1,1:N/2);

% Matrices de maillage
Zh = Z_horiz(1:N/2,:);
Zv = Z_vert(1:N/2,:);

% représentation graphique accélération horizontale

figure(1)
mesh(x,freq,Zh)
xlabel('numéro du fichier')
ylabel('fréquence (Hz)')
zlabel('magnitude (dB)')
title('accélération Horizontale')

% représentation graphique accélération verticale

figure(2)
mesh(x,freq,Zv)
xlabel('numéro du fichier')
ylabel('fréquence (Hz)')
zlabel('magnitude (dB)')
title('accélération verticale')

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

65
 ANALYSE VIBRATOIRE

ANNEXE B

****************** code source de la fonction moyenne5.m******************

function moyenne5(nbr_files)

% nbr_files passé en paramètre dans la fonction désigne le nombre de

% fichiers contenu le repertoire

for i = 1 : nbr_files % boucle principale qui permet de parcourir

tous les fichiers

% l'étape qui suit va nous permettre de construire le nom de

chaque fichier

if i < 10
indice = int2str(i);
file_name = strcat('acc_0000',indice,'.csv');

elseif i < 100

indice = int2str(i);
file_name = strcat('acc_000',indice,'.csv');

elseif i < 1000

indice = int2str(i);
file_name = strcat('acc_00',indice,'.csv');
else
indice = int2str(i);
file_name = strcat('acc_0',indice,'.csv');

end

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

66
 ANALYSE VIBRATOIRE

% fin de la construction du nom du fichier

% maintenant nous passons à l'étape de la recupération des

données

data = load(file_name);
acc_horiz = data(:,5);
acc_vert = data(:,6);

% étape du trie décroissant des valeurs absolues des

accélérations
acc_horiz = sort(abs(acc_horiz),'descend');
acc_vert = sort(abs(acc_vert),'descend');

% calcul de l'indicateur f
f_horiz(i) = mean(acc_horiz(1:5));
f_vert(i) = mean(acc_vert(1:5));

end

% sauvegarde des données

xlswrite('indicateur_horiz_roulement1.xlsx' , f_horiz);
xlswrite('indicateur_vert_roulement1.xlsx' , f_vert);

% axe des abscices

x = 1 : nbr_files ;

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

67
 ANALYSE VIBRATOIRE

% représentation graphique

figure(1)
plot(x , f_horiz , 'r')
xlabel('numéro du fichier')
ylabel('indicateur')
title('moyenne des accélérations horizontales')

figure(2)
plot(x , f_vert , 'b')
xlabel('numéro du fichier')
ylabel('indicateur')
title('moyenne des accélérations verticales')

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

68
 ANALYSE VIBRATOIRE

ANNEXE C

****************** code source de la fonction exp_fit.m******************

function exp_fit(nbr_files)

% nbr_files passé en paramètre dans la fonction désigne le nombre de

% fichiers contenu le repertoire

for i = 1 : nbr_files % boucle principale qui permet de parcourir

tous les fichiers

% l'étape qui suit va nous permettre de construire le nom de

chaque fichier

if i < 10
indice = int2str(i);
file_name = strcat('acc_0000',indice,'.csv');

elseif i < 100

indice = int2str(i);
file_name = strcat('acc_000',indice,'.csv');

elseif i < 1000

indice = int2str(i);
file_name = strcat('acc_00',indice,'.csv');
else
indice = int2str(i);
file_name = strcat('acc_0',indice,'.csv');

end
% fin de la construction du nom du fichier

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

69
 ANALYSE VIBRATOIRE

% maintenant nous passons à l'étape de la recupération des

données

data = load(file_name);
acc_horiz = data(:,5);

% étape du trie décroissant des valeurs absolues des

accélérations
acc_horiz = sort(abs(acc_horiz),'descend');

% calcul de l'indicateur f
f_horiz(i) = mean(acc_horiz(1:5));

end

% sauvegarde des données

xlswrite('indicateur_horiz_roulement1.xlsx' , f_horiz);
xlswrite('indicateur_vert_roulement1.xlsx' , f_vert);

% axe des abscices

x = (822 : 2115)' ;
y = f_horiz(822 : 2115)';

% représentation graphique
f = fit(x,y, 'exp1')
plot(x,y)
hold on
plot(f)

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

70
 ANALYSE VIBRATOIRE

BIBLIOGRAPHIE

[1] Jean Héng, « Pratique de La Maintenance Préventive –Mécanique » Pneumatique -

Hydraulique- Electrique- Froid Édition Afnor (2002) Dunod

[2] M .T. Nabti, « Etude de l’évolution des indicateurs spectraux et cepstraux dans la
détection des défauts mécaniques ».Mémoire de Magister. Université Ferhat Abbas Setif
(2011)

[3] ABA. A, « Diagnostic vibratoire sur des pompes rotatives EP2 & P112 ». Rapport de
Fin de Mise en Situation Professionnelle du Technicien Supérieur en Mécanique Industrielle,
DIRECTION REGIONALE HAOUD BERKAOUI (2015)

[4] Huber FAIGNER, « Analyse vibratoire des machines tournantes », Stratégies de

Maintenance BTS MI (2003)
[5] Rasolofondraire L., "Mise en œuvre des méthodes paramétriques adaptatives pour la
surveillance d’une machine de production par analyse vibratoire", Thèse de doctorat de
l’université de Reims Champagne-Ardenne, Déc. (1995).
[6] R. CHAIB, S. MEZIANI, I. VERZEA, « surveillance des roulements par analyse
vibratoire », Sciences & Technologie B – N°21, juin (2004)
[7] Landolsi Foued, «Cours De Techniques de Surveillance, Partie I Surveillance Des
Machines Par Analyse Vibratoire».

[8] Boulenger A., Pachaud C., "Surveillance des machines par analyse des vibrations. Du
dépistage au diagnostic", AFNOR, 2ème Tirage, (1998).

[9] Arques P., "Diagnostic prédictif de l’état des machines", Masson (1996).

[10] Groupe SKF, « Notions de base sur les roulements », Roulements SKF, mai (2014)

[11] SKF, assistance technique. Les lubrifiants et les outils SKF. Pour un fonctionnement
sans problème, avril (1999).

[12] des Forges X., « Méthodologies de surveillance en fabrication mécanique. Application

de capteur intelligent à la surveillance d’axe de machine-outil », Janv. (1999).

[13] Morel J., "Vibration des machines et diagnostic de leur état mécanique", Eyrolles
(1992).

[14] Boulenger A., Pachaud C., "Surveillance des machines par analyse des vibrations. Du
dépistage au diagnostic", AFNOR, 2ème Tirage, (1998).

[15] IEEE PHM 2012 Data Challenge, Outline, Experiments, Scoring of results, Winners.

MEMOIRE DE FIN DE CYCLE REDIGE PAR MASSALA MBOYI GILLES YOWEL

71