Notes sur l’identification modale

Prof. Joseph Morlier, ISAE/SUPAERO

Cette note de cours est issue de mes travaux de recherche en identification
modale (introduction de mon mémoire de HDR). C’est une version . Merci
de me faire un retour lors du cours SM310 Aeroelasticite. Elle peut vous aider
notamment lors du BE3 identification d’un système SISO. Very preliminary
lecture note on modal identification

Table des matières

1 Problème inverse, Mapping, Échantillonnage . . . . . . . . . . . . 2
1.1 Problème inverse . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Mapping de données . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Echantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2 Techniques d’analyse modale (spectrale) . . . . . . . . . . . . . . 16
2.1 Traitement du signal (Analyse de Fourier ) . . . . . . . . . . . . . 16
2.2 Système Linéaire Invariant . . . . . . . . . . . . . . . . . . . . . . 18
2.3 Des signaux déterministes aux signaux aléatoires . . . . . . . . . 24
2.4 Des systèmes dynamiques aux vibrations . . . . . . . . . . . . . 30
2.5 Modélisation unificatrice sous forme d’équations d’état . . . . . . 43
3 Techniques d’identification modale (système) . . . . . . . . . . . 52
3.1 Etat de l’art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.2 Liens entre l’identification et l’analyse modale expérimentale . . 59

1
1 Problème inverse, Mapping, Échantillonnage 2

1 Problème inverse, Mapping, Échantillonnage

1.1 Problème inverse
La formulation la plus générale d’un problème inverse peut se définir par
l’évaluation d’une certaine grandeur physique p inaccessible à l’expérience à
partir de la mesure d’une autre grandeur d directement accessible à l’expé-
rience, connaissant un modèle mathématique du problème direct qui donne ex-
plicitement d à partir de p ; ce que l’on note symboliquement d = g(p) ou
implicitement g(p,d) = 0. Les notions de problème direct et de problème in-
verse peuvent se reformuler à l’aide de l’artifice de présentation assez commode
utilisant la notion de système (figure 1). La résolution d’un problème mécanique
ou thermique peut être vu sous l’angle du calcul de la réponse d (déplacement,
contrainte, température,...) à des sollicitations X (forces, conditions aux limites,
sources, conditions initiales...).

Fig. 1: Approche système [Bonnet, 2009]

L’inversion est souvent reformulée comme une minimisation d’une fonction

coût J (et donc un problème d’optimisation en norme l2 car différentiable)

p⇤ = argmin(J(p)), J(p) = d(p; X) dobs

Le problème inverse se définit comme la recherche d’une grandeur décrite

par une fonction (champs de modules, forces ou sources dépendant du temps,
forme ou topologie du domaine...) : on a donc un grand nombre d’inconnues et
une très forte sensibilité aux incertitudes (régularisation nécessaire). Le pro-
blème d’identification lui, peut se définir par la recherche d’une grandeur
décrite par un ensemble fini de paramètres (par exemple associés à des mo-
dèles de comportement) : on a donc un nombre d’inconnues restreint et une
faible sensibilité aux incertitudes. L’analyse des problèmes inverses a mis en
évidence deux considérations importantes. Premièrement, il n’est pas possible
d’attaquer un problème inverse si l’on n’a pas préalablement une connaissance
approfondie du problème direct, c’est-à-dire de la manière dont le système ré-
pond aux sollicitations qu’on lui impose. Deuxièmement, le caractère mal posée
du problème mathématique (au sens de Hadamard ) entraîne qu’une mesure, en
tenant compte de la plage d’incertitude qui l’accompagne, peut correspondre à
un grand nombre de solutions possibles, pouvant être fort éloignées les unes des
autres. L’ouvrage [Bui et Bui, 1994] constitue une excellente introduction aux
problèmes inverses en mécanique des matériaux.
1 Problème inverse, Mapping, Échantillonnage 3

En vibration de structures, nous nous retrouvons souvent face à des pro-

blèmes inverses. Connaissant a priori beaucoup d’informations sur la structure
(géométrie, matériaux, conditions aux limites), il est aisé de calculer le compor-
tement dynamique de celle ci à partir de l’équation 1. Nous obtenons donc les
données modales (sortie du système) à partir d’un modèle continue ou discrétisé
(données surabondantes).

[K] {X} ! 2 [M ] {X} = 0 ! !, {X} (1)

Réciproquement, les données modales expérimentales !, {X} permettent de

compenser un certain degré d’ignorance sur le système et peuvent donc être
utilisées généralement, pour recaler des modèles (endommagement, dégradation
au cours du fonctionnement) : [K] et [M ] dépendent des paramètres E(x), I(x),
etc...
Pour illustrer ce concept, on va s’attacher à décrire un premier exemple issu
du cours de l’école Polytechnique [Bonnet, 2009] sur la sensibilité aux données
imparfaites. Nous allons considérer un exemple obtenu par simulation numé-
rique (sain) et "simuler" les données expérimentales en ajoutant un bruit blanc
gaussien : (noisydata) = (truedata) ⇥ (1 + r) où r est une variable aléatoire
uniforme de moyenne nulle et d’écart-type 10 3 .
Les données sont les vibrations en flexion d’une poutre d’Euler-Bernoulli
droite encastrée-libre discrétisée en 26 éléments finis (figure 2). Les nf premières
fréquences propres fi (1  i  nf ) sont données, ainsi que les valeurs en nc
capteurs des déplacements verticaux modaux uij (1  j  nc) correspondants
(figure 2).

Fig. 2: Reconstruction de la rigidité de flexion EI et la masse linéique ⇢ d’une

poutre EF [Bonnet, 2009]

Ces données sont utilisées pour la reconstruction de la rigidité de flexion EI

et la masse linéique ⇢, inconnues et supposées constantes par élément. On réécrit
donc un problème d’optimisation (minimisation d’un écart quadratique) :
nf nc
!
X 2
X ⇥ mes ⇤2
mes
minEI,⇢ [fi fi (EI, ⇢)] + uij uij (EI, ⇢)
i=1 i=1

Dans cet exemple, 10 modes sont mesurés en 13 capteurs, soit au total 140
données (en comptant les fréquences mesurées). Des données synthétiques ont
été créées pour EI(x) = EI0 et ⇢(x) = ⇢0 , uniformes à l’exception de l’élément
16, sur lequel EI(x) = 1.8EI0 et ⇢(x) = 1.8⇢0 . L’identification des paramètres
de raideurs est donnée en figure 3.
1 Problème inverse, Mapping, Échantillonnage 4

Fig. 3: Reconstruction de rigidité et de masse linéique d’une poutre : simulation

avec données exactes et bruitées. [Bonnet, 2009]

Tandis que l’inversion des données exactes conduit à un résultat parfait,

on voit que le bruit, pourtant faible, dégrade la qualité de la reconstruction
(notamment en ce qui concerne la masse volumique). Cette forte dépendance aux
données imprécises peut être mathématiquement mise en évidence d’une manière
plus générale. La notion d’incertitudes sur les mesures fait appel directement à
la notion de robustesse bien connue des automaticiens [Gu et al., 2005,Benaroya,
2004] ou mécaniciens [Puel, 2007, Vayssade, 2004].
Un autre exemple numérique [Morlier, 2004] porte sur l’identification des
conditions aux limites à partir de mesures de fréquences de résonance. Une des
principales hypothèses de l’analyse de structure classique est que les liaisons (ou
assemblages) sont parfaitement rigides ou parfaitement charnières. Cependant,
dans les structures réelles, ces connections ne se comportent pas de manière
parfaite mais plutôt comme un spectre large de connections allant de supportées
(charnières), semi-rigides (ou flexibles) à encastrées.
On peut ainsi modéliser une liaison semi-rigide par une raideur (ressort) de
rotation, caractérisée par une droite Moment en fonction de l’angle de rotation
, où la valeur k de la raideur est égale à la pente de cette courbe. L’amplitude
de la valeur de k ne détermine pas le comportement de la liaison, c’est plutôt le
rapport : rigidité du ressort sur rigidité de flexion de la poutre EI/L. Ce rapport
peut se définir comme la rigidité de liaison (joint stiffness en anglais [McGuire,
1995, Olgac et Jalili, 1998]).
On peut tout d’abord réécrire la formulation des déformées sous la forme :

Yi (x) = D1 (cos( i x) + cosh( i x)) + D2 (cos( i x) cosh( i x))

+ D3 (sin( i x) + sinh( i x)) + D4 (sin( i x) + sinh( i x)) (2)
Les combinaisons de Di peuvent représenter toutes les conditions limites
classiques. Pour prendre en compte les imperfections d’encastrement dans la
modélisation, on peut étudier la poutre flexible avec des conditions limites élas-
tiques (figure 4).
Pour notre exemple, nous étudierons un poutre discrétisée en 60 éléments
finis ayant les caractéristiques suivantes :
1 Problème inverse, Mapping, Échantillonnage 5

L=1200 mm, h=b=200 mm, E=10000 MPa, ⇢ = 500kg/m3 , kT L = kT R =raideur

infinie, numériquement 5e20 N/m. La variable de notre problème est la rigidité
de rotation k = k✓R = k✓L .

Fig. 4: poutre avec des conditions limites élastiques modélisée avec 60 EF, et
évolution de la déformée en fonction de la rigidité de liaison k

En traçant la déformée normalisé du premier mode en fonction de la ri-

gidité k, on peut s’apercevoir que le comportement de la poutre varie bien
de Supportée-Supportée SS (k=0 N.m en bleu) à Encastrée-Encastrée EE
(k=1e12N.m).
On voit sur la figure 4 que la déformée du premier mode est symétrique. Le
comportement de la poutre mets en évidence les 3 conditions limites : SS,EE et
Semi-Rigide SR.
kT R et k✓R , kT L et k✓L sont les raideurs linéaires et de rotation respective-
ment à gauche et à droite de la poutre. Quand ces ressorts sont constants et
paramétrés comme une combinaison de zéro et d’infini, il en résulte les condi-
tions initiales idéales (ou classiques).
Pour des raisons de simplification symbolique, on définit les rigidités adi-
mensionnelles :

k✓L L kT L L3 k✓R L kT R L3
1 = , 2 = , 3 = , 4 = (3)
EI EI EI EI
1 Problème inverse, Mapping, Échantillonnage 6

Les équations de la dynamique exprimant les conditions limites générales

s’écrivent donc :
8
< x=0 x=L
Y 00 (x) L1 Y 0 (x) = 0 Y 00 (x) + L3 Y 0 (x) = 0
: 000
Y (x) + L23 Y (x) = 0 Y 000 (x) L43 Y (x) = 0

(4)
En insérant l’équation 3 dans ces conditions limites, on obtient un système de
4 équations homogènes pour le matrice D [D1 , D2 , D3 , D4 ] donné par A.D = 0
avec A :
2 3
0 1 ⇤L
1 0
6 2 0 0 1 7
6 (⇤L)3 7
4 C+Ch L3 (S Sh) C Ch 3
L
(C+Ch) S+Sh
L
3 (C+Ch) S Sh
L
3 (C Ch) 5
S+Sh 4 (C+Ch) S Sh 4 (C Ch) C+Ch 4 (S+Sh) C Ch 4 (S+Sh)
( L)3 ( L)3 ( L)3 ( L)3

où L est la fréquence adimensionnelle et C = cos( L), Ch = cosh( L),

S = sin( L), Sh = sinh( L).
On obtient l’équation caractéristique en posant det(A) = 0, celle-ci étant
très compliquée, on la réécrit comme :

ã 1 2 3 4 + b̃ 1 3( 2 + 4) + c̃ 2 4( 1 + 3)
˜
+ d( 1 2 + 3 4)

+ ẽ( 1 4 + 2 3) + f˜( 1 3) + g̃( 2 4) + h̃( 1 + 3) + k̃( 2 + 4) + ˜l = 0 (5)

où ã,... sont des fonctions trigonométriques de la fréquence adimensionnelle
donné ci dessous :
ã = 1 CCh b̃ = ( L)3 (SCh + CSh)
c̃ = L(SCh CSh) d˜ = ( L)4 (1 + CCh)
ẽ = 2( L)4 CCh f˜ = 2( L)6 SSh
g̃ = 2( L)2 SSh h̃ = ( L)7 (SCh + CSh)
k̃ = ( L)5 (CSh SCh) ˜l = ( L)8 (1 CCh)

L’équation 5 représente une forme générale de l’équation caractéristique pour

une poutre d’Euler-Bernoulli. Comme nous l’avons déjà dit, une combinaison
des i de valeur zéro ou infini correspond à des conditions limites classiques.
Par exemple, reprenons la poutre doublement encastrée : les i sont ici infini et
l’équation 5 est réduite à ⇤ :

ã = 1 CCh = 0 (6)
Olgac et al [Olgac et Jalili, 1998] proposent une solution pour identifier les
conditions limites à savoir estimer les coefficients i à partir des fréquences
⇤. Cette équation est celle classiquement utilisée pour l’équation caractéristique d’une
poutre encastrée-encastrée.
1 Problème inverse, Mapping, Échantillonnage 7

modales. Cette analyse inverse impose en fait les 4 premières fréquences dans
l’équation caractéristique générale, ce qui induit un système d’équation non
linéaire de variables i . On peut poser le problème par :

f( 1, 2, 3, 4) =0 (7)

L’équation 7 exprime le fait que l’on peut estimer les 4 rigidités de liaisons
d’une poutre flexible à partir des 4 premiers modes de vibrations. Or on sait
que plus le degrés des modes augmentent plus les déformées sont sensibles au
bruit, et donc reflètent moins la réalité. Ainsi on a choisit d’expliquer pas à pas
le problème d’une poutre SS avec rigidités de rotation variables. Sur le schéma
d’Olgac (Figure 4), k✓R et k✓L sont donc variables (de 0 à +1).
L’équation 7 devient f ( ) = 0 en posant :
kL
1 = 3 = = (8)
EI

2 = 4 = 5e20(N/m) (9)
L’équation caractéristique du système devient donc une équation du second
degré avec a, b, ...,l, fonctions trigonométrique de L et K̃ = EI
L3 :

(aK̃ 2 + bK̃) 2
+ (2cK̃ 2 + (d + e)K̃ + 2h) + (g K̃ 2 + 2k K̃ + l) = 0 (10)

La méthode de Newton-Raphson est un algorithme permettant de trouver

les racines de ce type d’équation (composée de fonctions trigonométriques et
hyperboliques).

Fig. 5: Evolution de la pseudo fréquence en fonction de la rigidité de liaison

k (a),et Evolution de la fréquence normalisée en fonction de la rigidité
d’assemblage normalisée (b)

La condition limite SS débute à k = 0 pour L = ⇡ et s’arrête à la rigidité

moyenne (1e6 N.m). La zone de transition semi rigide s’étend jusqu’à 1e9 N.m
où débute la zone EE avec la condition classique L = 4.73 (Figure 5).
1 Problème inverse, Mapping, Échantillonnage 8

On peut aussi représenter, comme [McGuire, 1995], la valeur de la rigidité

de liaison en fonction de la fréquence normalisée (Figure 5). L’avantage est que
la valeur est indépendante du terme EI L . On pourrait ainsi proposer une modé-
lisation de ce comportement en tenant compte de l’amplitude de la fréquence
normalisée 1.59(4.73 3.14) et des zones à 10 % et 90 % comme une fonction
sigmoïde.
La procédure d’identification par l’algorithme de Newton-Raphson passé par
une étape d’initialisation : on cherche la valeur ⇤ qui annule la fonction f ( ).
On utilise une méthode itérative suivant la relation : n+1 = n ff0(( n) n) . Pour
que la solution en diverge pas, on doit avoir une idée assez précise de la valeur
d’initialisation. On va obtenir cette valeur 0 graphiquement(k = 7.2e8 N.m).

Fig. 6: Solution graphique (a),et convergence de la solution (b)

En donnant une solution initiale 0 = 100, l’algorithme converge en peu

d’itérations vers = 95.12, on obtient donc une rigidité identifié ki = 1.06e8N.m
pour une valeur désirée de ki = 7.2e8N.m.
En réitérant cette méthode pour chaque donnée modale ( L), on obtient
les valeurs de chaque rigidité identifiée qui couvrent tous les exemples de notre
problème. Les valeurs ( L) sont obtenues par le lissage non linéaire entre les
déformées et le modèle analytique.
Les valeurs identifiées (Figure 7) ne sont pas très précises (erreur entre 50
et 80%). Cela nous donne juste une tendance de la variation en rigidité. On
voit ici clairement que de petites erreurs sur l’estimation de la pseudo fréquence
introduit une erreur plus large sur ki .
Essayons maintenant de trouver le terme correcteur ✏ qui donne une estima-
tion précise de la rigidité. En posant real = Id +✏, on obtient une identification
fiable (erreur < 1e-2). La figure 7 montre que l’erreur ressemble à une gaussienne
centrée sur le milieu de la non linéarité (zone semi-rigide). En modélisant cette
erreur pour chaque condition limite, on pourrait réduire l’erreur d’estimation
d’une manière significative. On voit ici qu’identifier toutes les rigidités de liai-
sons est un problème très complexe : un système de degré 4 non linéaire à 4
équations. De plus, l’ajout de bruit de mesure influence de manière évidente
1 Problème inverse, Mapping, Échantillonnage 9

Fig. 7: Identification biaisée de la rigidité de liaison (Log-Log), et identification

du maximum d’erreur, ✏ qui est centré sur la zone semi-rigide, où l’algo-
rithme de lissage a une plus grande erreur

l’identification. Voila pourquoi les chercheurs visent à développer des méthodes

d’identification robuste. Les méthodes de type " model updating " [Tarazaga,
2004,Da Silva et al., 2008,Fritzen et al., 1998,Friswell et Mottershead, 1995,Mot-
tershead et Friswell, 1993] complètent celles basées sur l’apprentissage (réseau
de neurones) [Chung-Bang Yun et Bahng, 2001] et sont en lien direct avec le
chapitre 2 (paragraphe ??).
1 Problème inverse, Mapping, Échantillonnage 10

1.2 Mapping de données

Génériquement, une transformation intégrale peut être vue comme un map-
ping des données originales (temporelles souvent issues de capteurs ou simu-
lation) vers une autre fonction apportant plus d’information que l’originale.
Comme ce mapping est inversible (par exemple Transformée de Fourier in-
verse), on peut reconstruire (et donc compresser) avec peu de coefficients (les
plus énergétiques en norme l2 , les "meilleurs" en norme l1 si approximation
parcimonieuse voir la section ?? de ce chapitre).
La transformée de Fourier est un des exemples les plus connues qui per-
met d’obtenir les composantes fréquentielles (mode en vibration) aisément. Ces
transformations sont basées sur la comparaison du signal x(t) avec une base de
test fm (t) (base d’exponentielles complexes pour Fourier ). Cette comparaison
prend la forme d’une corrélation (produite par multiplication) moyennée (ou
intégrée) sur la durée du signal (ou une portion du signal).
Z +1
X(m) = x(t)fm (t)dt
1

Plus en détail, pour la transformée de Fourier, fm (t) est une famille de

fonctions harmoniques (par exemple sinusoïdes) et m spécifie la fréquence d’une
sinusoïde à ! = mf . Cette intégrale devient une somme pour l’analyse du
processus discret x(n) (issues en mécanique des capteurs et donc de la conversion
analogique digitale).
N
X
X(m) = x(n)fm (n)
n=1

Classiquement on se heurte à des problèmes de passage d’un support infini

à fini et souvent on associe une fonction fenêtre W (Figure 8).
N
X
X(m) = x(n)fm (n)W (n)
n=1

Si W(n) ne possède que des 1, on a donc une fonction porte de transformée

de Fourier sinus cardinale (attention au passage par zéro du spectre 8).
1 Problème inverse, Mapping, Échantillonnage 11

Fig. 8: Fonction porte de largeur T et sa transformée de Fourier : sinus cardinal

qui s’annule tous les 1/T [Shin et Hammond, 2008]

Expérimentalement on se heurte donc à des problèmes d’étalement et de fuite

spectrale (Figure 9) que l’on peut tenter de résoudre avec des fenêtres d’apodi-
sation (Hanning, Hamming, etc...).

Fig. 9: Spectre avec 2 résonances pures infinies (a) et spectre du signal fenêtré
[Shin et Hammond, 2008] : effet d’étalement du spectre (smearing) et
de fuite spectrale (leakage)

On peut aller plus loin et proposer une étude glissante en comparant loca-
lement pour plusieurs valeurs de k la ressemblance du signal et de la fonction
de test (pour l’instant on ne parlera pas de fonction d’auto-corrélation que l’on
verra dans le chapitre 2.3). D’après les propriétés des produits de convolution,
il est équivalent de décaler k sur x ou sur f.
N
X
X(m, k) = x(n)fm (n k)
n=1

C’est la base des approches fréquentielles locales (Transformée de Fourier à

court terme, ondelettes ...) qui permettent de ne plus se limiter à un contenu
fréquentiel global (Fourier ) mais un contenu local du comportement du spectre.
C’est aussi à la base de méthode d’analyse de régularité et de détection de
singularité que l’on met en avant dans le chapitre 2 pour localiser des endom-
1 Problème inverse, Mapping, Échantillonnage 12

magements sur les déformées (Théorie en Annexe A ??).

Fig. 10: Mesure de la corrélation (produit scalaire) d’un signal Chirp (dont la
fréquence augmente au cours du temps) avec une fonction de base d’on-
delettes (Morlet). Le maximum correspond au temps 2.5 s, où la partie
locale du signal correspond le mieux avec l’ondelette sous étude [Semm-
low, 2004]
1 Problème inverse, Mapping, Échantillonnage 13

1.3 Echantillonnage
On va s’intéresser dans ce mémoire au traitement de signaux issus de la
mécanique (vibratoire) ayant 1 ou 2 dimensions. Il existe de nombreux ouvrages
de théorie du signal, en français comme en anglais. Ce paragraphe s’est inspiré
de plusieurs de ces ouvrages, et en particulier des références suivantes [Blanchet
et Prado, 1990, Max et Berthier, 1981, Duvaut, 1991, de Coulon, 1984, Peyre,
2010,Mallat, 2000]. Dans un formalisme mathématique, le mapping, correspond
à une fonctionnelle f0 qui permets de traiter des signaux multi-dimensions.
d s
f0 : [O, 1] ! [O, 1]
où d est la dimensionnalité de l’espace d’entrée et s est la dimensionnalité du
domaine des caractéristiques (features en anglais). Une image en niveaux de
gris correspond à d = 2 et s = 1 alors qu’une image RVB correspond à d = 2 et
s = 3.

Fig. 11: Exemples de signaux, son (d=1), image (d=2) et vidéos (d=3) ( [Peyre,
2009])

Ainsi dans chaque traitement est précédé d’une étape d’acquisition et d’échan-
tillonnage des données (capteurs laser, accéléromètres, caméra) ou de synthèse
de données discrétisées (simulation EF, EDO, EDP). On passe donc d’un domaine
continue à un vecteur de dimension N (échantillons).

d
f0 2 L2 ([O, 1] ) 7! f 2 C N

En fait le processus d’échantillonnage revient à faire un produit scalaire

entre le signal continu f0 et une réponse impulsionnelle constante h translatée
à chaque localisation de l’échantillon :
Z S/2
fn = f0 (x)h(n/N x)dx = f0 ⇤ h(n/N )
S/2

h(x) dépend de l’échantillonneur, la taille de S détermine la précision et

l’ordre de 1/N la capacité à éviter le repliement de spectre (si S trop petit).
Pour introduire une notion importante en analyse modale (Détection/sépa-
ration de modes), on va d’abord introduire la notion de résolution spectrale par
1 Problème inverse, Mapping, Échantillonnage 14

Fig. 12: Processus de discrétisation par échantillonnage ( [Peyre, 2009])

l’intermédiaire de la définition de la transformée de Fourier discrète (TFD) † .

Sa définition mathématique pour un signal x de N échantillons est la suivante :
N
X1 n
2i⇡k N
X(k) = x(n) · e pour k < N
n=0

La transformée inverse est donnée par :

N 1
1 X k
x(n) = X(k) · e2i⇡n N
N
k=0

La TFD permet seulement d’évaluer une représentation spectrale discrète (spectre

échantillonné) d’un signal discret (signal échantillonné) sur une fenêtre de temps
finie (échantillonnage borné dans le temps). Supposons qu’on a enregistré N
points, Si l’on calcule la DFT de ce signal, on obtient encore N points mais
cette fois dans le domaine des fréquences. Si le signal a été échantillonné à la
fréquence fe (Hz ), l’intervalle de temps entre deux points est donc :
1
t =
fe
L’espacement en fréquence des composantes de Fourier est donné par :
fe 1
f = =
N N t

où f est aussi appelée la résolution en fréquence.

†. En anglais on parle de Discrete Fourier Transform (DFT) que l’on a tendance à
confondre avec la Fast Fourier Transform (FFT), qui n’est pourtant qu’un algorithme ra-
pide de calcul de la transformée de Fourier discrète
1 Problème inverse, Mapping, Échantillonnage 15

Pour diminuer la résolution en fréquence, on peut soit augmenter le nombre

d’échantillons N (en gardant fe constant) ou soit diminuer la fréquence d’échan-
tillonnage fe (en gardant N constant ). L’ajout de zéros à des échantillons de
données permet d’augmenter la résolution de la TFD. C’est le zero-padding ou
bourrage de zéros. En effet, plus on ajoute de zéros au signal d’entrée, plus on
augmente N et plus on diminue la résolution fréquentielle. Idem, pour la TFD
inverse si l’on souhaite une reconstruction temporelle interpolée.
Le théorème de Shannon [Shannon, 1948] nous permet de reconstruire le
signal au mieux par filtrage idéale (norme l2 ) si l’on échantillonne suffisamment
rapidement (au moins deux fois la fréquence maximale à observer, Figure 13).
X
f (t) = f (i)(x)h(t = i/N ) avec h(t) = sin(⇡N t)/⇡N t
i

Fig. 13: Reconstruction xr (t) du signal continu x(t) (en bleu) par filtre de Shan-
non (idéal) : interpolation par sinus cardinal (en vert) du signal échan-
tillonné x[n] (point rouge)

Pour la reconstruction de formes propres, on parle d’échantillonnage spatial.

La contrainte est ici le nombre limité de capteurs et on se retrouve souvent
confronté à du sous échantillonnage spatiale. Représentons par l’image de la
figure 14 une déformée associée à une fréquence de résonance très élevée, la re-
construction classique ne sera pas parfaite (nombre limité de capteurs). Il faut
donc trouver des techniques dites d’acquisition comprimée (Chapitre ??) per-
mettant une reconstruction optimale avec peu de mesures placées aléatoirement.

L’exemple classique de repliement spatiale sur un maillage de mesures régu-

lier est présenté sur la figure 15.
En analyse modale on parlera d’expansion modale (dont l’inverse est la ré-
duction de modèle) s’appuyant sur un modèle de structures discrétisées (Figure
16) . Ces techniques (Guyan/Irons condensation, Dynamic condensation,
Improved Reduced System, System Equivalent Reduction Expansion Process)
permettent de mettre à jour un modèle EF [Balmes, 2009].
2 Techniques d’analyse modale (spectrale) 16

Fig. 14: Reconstruction de déformée par des techniques classiques d’interpola-

tion : problème de sous-échantillonnage spatial et donc de repliement
spatial.

Fig. 15: Reconstruction de déformée par des techniques classiques d’interpola-

tion : problème de sous-échantillonnage spatiale et donc de repliement
spatiale : mode (3,1) théorique d’une plaque vibrante (a), l’interpola-
tion cubique repose sur un maillage régulier (cercle blanc) et ne permet
pas de reconstruire le mode théorique (b). Le mode reconstruit par 9
capteurs (3 * 3 lignes) ressemble au mode (1,1).

2 Techniques d’analyse modale (spectrale)

2.1 Traitement du signal (Analyse de Fourier )
Dans le cadre de la théorie du signal, le théorème de Parseval-Plancherel
exprime la conservation de l’énergie du signal, qu’elle soit calculée à partir du
signal temporel (énergie totale du signal temporel) ou à partir du spectre en
fréquences (densité spectrale d’énergie du signal) et cette énergie s’exprime par :
Z +1 Z +1
x(t)2 dt = X(f )2 df
1 1

La transformée de Fourier discrète permet également de définir le concept

d’énergie à partir de la norme des vecteurs. Mathématiquement, dans un espace
ou le contenu est riche, son espace inverse ne l’est plus, par exemple : un cosi-
nus a pour transformée de Fourier un Dirac. Pratiquement en analyse modale,
plus on veut se localiser sur une portion d’un signal moins on peut spécifier
le contenu fréquentiel précisément. D’où l’intérêt des représentations conjointes
type ondelettes (Théorie en Annexe A ??).
En utilisant l’inégalité de Cauchy Schwartz on peut facilement démontrer le
2 Techniques d’analyse modale (spectrale) 17

Fig. 16: Principe de réduction/expansion modale

compromis bande passante (en Hz) versus temps d’acquisition (en s) : !. t

4 . On ne peut donc pas localiser un signal simultanément en temps et en fré-
1

quence.
Z +1 Z +1 Z +1
f (t)2 dt. g(t)2 dt  f (t)g(t)dt
1 1 1

Plus un impact est court plus il permet d’étaler la bande passante excitée. De
plus le signal de force issu d’un marteau d’impact est multiplié par une fenêtre
de pondération (ou d’apodisation) pour éviter les lobes secondaires.

Fig. 17: Comparaison des représentation de deux impacts, dualité temps fré-
quence [Shin et Hammond, 2008]

En d’autres termes, on ne peut pas trouver de fenêtre possédant une bonne

localisation en temps et en fréquence... Mais les gaussiennes réalisent l’optimum
(Figure 18).
2 Techniques d’analyse modale (spectrale) 18

Fig. 18: Différentes fenêtres et leur représentation fréquentielle

2.2 Système Linéaire Invariant

Les modélisations classiques de vibration des structures se ramène souvent à
l’analyse d’un Système Linéaire et Invariant dans le temps (SLI). Ma-
thématiquement la linéarité suppose que si on impose en entrée d’un SLI h(t)
une entrée continue
x(t) = ax1 (t) + bx2 (t)
la sortie sera
y(t) = ay1 (t) + by2 (t)
On résume ainsi les propriétés d’additivité et de proportionnalité d’un système
SLI.

Fig. 19: Système SLI et exemple mécanique [Shin et Hammond, 2008]

L’invariance dans le temps est un autre aspect important dans l’analyse de

système dynamique. Si l’on impose un retard à une entrée x(t), la sortie sera
elle même retardée comme :

y(t t0 ) = x(t t0 ) ⇤ h(t)

La sortie correspondant au produit de convolution entre l’entrée et la réponse

impulsionnelle h(t) du système. On peut prendre l’exemple d’une impulsion de
Dirac en entrée : la sortie correspondra entièrement au système h(t) (réponse
impulsionnelle).
2 Techniques d’analyse modale (spectrale) 19

Fig. 20: Réponse impulsionnelle [Shin et Hammond, 2008]

En fait on peut décomposer n’importe quelle entrée x(t) arbitraire en uti-

lisant des impulsions de Dirac décalées (Figure 21). L’impulsion au temps t1
est
x(t1 ) t1
Puisque le système est linéaire, la réponse à cette impulsion au temps t est

h(t t1 )x(t1 ) t1

En faisant la somme de ces réponses aux impulsions il vient :

X
y(t) = h(t t1 )x(t1 ) t1

En prenant un intervalle tendant vers 0, il vient :

Z t
y(t) = h(t t1 )x(t1 )dt1
1

En prenant la borne haute de l’intégrale comme t, on a défini un système causal.

Intuitivement, la causalité signifie que l’effet ne peut pas précéder la cause. En
physique, ce principe est fondamental. Le formalisme des systèmes que nous
utilisons se prête bien à exprimer la causalité. Le signal d’entrée représente la
cause, et la réponse représente l’effet. Ainsi on arrive à une première tentative
de définition de système causal : tant qu’il n’y a pas de signal d’entrée, il n’y
pas de réponse ou tant que le signal d’entrée vaut zéro, la réponse a également
la valeur nulle.

Fig. 21: Réponse du système aux impulsions élémentaires [Shin et Hammond,

2008]
2 Techniques d’analyse modale (spectrale) 20

En remplaçant t t1 par ⌧ ( dt1 = d⌧ ), il vient par commutativité

Z t Z 0 Z 1
y(t) = h(t t1 )x(t1 )dt1 = h(⌧ )x(t ⌧ )d⌧ = h(⌧ )x(t ⌧ )d⌧
1 1 0

ou
y(t) = x(t) ⇤ h(t) = h(t) ⇤ x(t)
Le principe de convolution (dans le domaine temporel) est explicité graphi-
quement sur la Figure 22. Cet opérateur mathématique obéit aux propriétés
d’associativité et de distributivité.

Fig. 22: Illustration de l’opération de convolution [Shin et Hammond, 2008]

2 Techniques d’analyse modale (spectrale) 21

Supposons maintenant que l’excitation x(t) soit harmonique (régime perma-

nent) soit x(t) = ej2⇡f t , il vient :
Z +1 Z +1 Z 1
y(t) = h(⌧ )x(t ⌧ )d⌧ = h(⌧ )ej2⇡f (t ⌧)
d⌧ = ej2⇡f t h(⌧ )e j2⇡f ⌧
d⌧
0 0 0
| {z }
H(f )

On introduit ainsi, grâce au produit de convolution, la fonction de transfert ou

Fonction de Réponse en Fréquences (FRF) ou transmittance H(f) .
L’opération de convolution se transforme en une opération beaucoup plus
simple dès lors que l’on introduit la transformée de Fourier (ou Laplace) de
y(t). Il vient :
Z +1 Z 1
Y (f ) = h(⌧ )x(t ⌧ )ej2⇡f t d⌧ dt
1 0

En posant t ⌧ =u
Z +1 Z +1
Y (f ) = h(⌧ )ej2⇡f ⌧ d⌧ x(u)ej2⇡f u du
0 1

Soit
Y (f ) = H(f )X(f )
Pratiquement, on voit donc qu’en connaissant l’entrée et la sortie, on peut faci-
lement caractériser le système dans le domaine fréquentiel (Figure 23), qui est
simplement l’expression de la fonction de transfert (complexe) H(f) :

Y (f )
H(f ) =
X(f )
2 Techniques d’analyse modale (spectrale) 22

Fig. 23: Principe de la réponse en fréquence en analyse modale expérimentale

On voit aussi que l’on passe aisément du domaine temporel au fréquentiel et

vice versa. Cependant même si ces représentations sont équivalentes, certaines
informations sont plus facilement visualisables en temporel (par exemple esti-
mation de amortissement transformée de Hilbert et estimation de l’enveloppe
du signal) ou en fréquentiel (les pics représentant les modes de résonance).

Fig. 24: Relation entre h(t), H(f) et H(p) [Shin et Hammond, 2008] et équiva-
lence des informations dans la représentation Fréquence/Temps [Avita-
bile, 2007]
2 Techniques d’analyse modale (spectrale) 23

Le balayage en fréquence peut se faire lentement (stepped sine ou sine

dwell) ou rapidement (sine sweep ou chirp), l’intérêt n’est pas le même.
Lentement, on obtient une réponse purement harmonique, on peut donc étudier
les non-linéarités entre fréquences croissantes et descendantes. Rapidement, on
obtient une réponse large bande fiable et ... sans moyenner.

Fig. 25: Chirp : signal modulé en fréquences (croissantes) (a) et Représentation

temps-fréquence du Chirp (b)

Une autre méthode consiste à moyenner les réponses à une excitation stochas-
tique (Figure 27). Ces réponses sont elles mêmes stochastiques (cf paragraphe
suivant). On peut aussi moyenner sur des fenêtres glissantes qui se recouvrent
(overlap) : Périodogramme de Welch

Fig. 26: Exemple d’identification modale, signaux d’excitation bruit blanc

(random), de sortie et fonction de transfert [Avitabile, 2007]
2 Techniques d’analyse modale (spectrale) 24

2.3 Des signaux déterministes aux signaux aléatoires

En analyse modale, il est courant d’utiliser une excitation large bande aléa-
toire. Les FRF sont estimées par la méthode du périodogramme de Welch par
exemple [Preumont, 1990, Newland, 1993, Shin et Hammond, 2008]. Ces mé-
thodes reposent sur la notion de stationnarité et d’ergodicité ‡ . Les propriétés
statistiques du modèle stochastique varie ou non avec le temps.

Fig. 27: exemple de signaux aléatoires stationnaires ou non stationnaires [Shin

et Hammond, 2008]

Ainsi on peut voir que le signal ’probably’ stationary de la figure 27

prend la même valeur 0 à certains instant précis ti . Le distinguo entre signal
déterministe et aléatoire se fait ici : si on peut prévoir la valeur du signal aux ins-
tants le signal ti + t, alors le signal est déterministe (et donc on peut utiliser
les outils de modélisation SLI du chapitre précédent), sinon le signal est sto-
chastique et nous devons donc utiliser une autre théorie basée sur les fonctions
d’auto-corrélation Rxx (⌧ ) (définies à partir de la notion d’espérance mathéma-
tique E).
Z T
Rxx (⌧ ) = lim x(t)x(t + ⌧ )dt = E(x(t)x(t + ⌧ ))
T !+1 0
On parlera d’inter-corrélation si l’on compare un signal x à un signal y. De plus,
2
la moyenne quadratique du signal x est Rxx (0) = X La figure 28 donne des
exemples de fonction d’auto-corrélation (d’un sinus pur à du bruit blanc). En
fait on calcule pour toutes les valeurs de ⌧ l’intégrale du signal x(t) multiplié
par le signal
P retardé de x(t ⌧ ). Ce qui donne en version discrète (non biaisé)
Rxx (j) = n xn xn j .

‡. c’est-à-dire si les propriétés statistiques du signal caractérisées par des espérances ma-
thématiques sont indépendantes du temps. Lorsque cette hypothèse est vraisemblable, le pro-
cessus bâti autour du signal est rendu ergodique, les moyennes temporelles étant identiques
aux moyennes d’ensemble.
2 Techniques d’analyse modale (spectrale) 25

Fig. 28: Fonction d’auto corrélation de différents signaux d’un contenu spectrale
simple à riche d’un bruit blanc gaussien

Si les valeurs prises aux instants ti + t sont indépendantes des valeurs

prises aux instant ti alors Rxx est nulle partout sauf évidemment pour ⌧ = 0 ou
Rxx (⌧ = 0) est égale à la valeur quadratique moyenne du signal. Ainsi, pour un
bruit blanc, la valeur de la fonction d’auto-corrélation est indépendante de la
fréquence et est de valeur < x2 >= 2 si x est un processus aléatoire gaussien
de moyenne nulle et de variance .
A partir de l’auto-corrélation, on peut définir le spectre d’auto-corrélation
(réel et pair) qui fournit une description de la richesse spectrale du signal. Pour
un signal d’accélération son unité est le (m/s2 )2 /(rad/s)
Z 1
Sxx (f ) = Rxx (⌧ )e j2⇡f ⌧ d⌧
1

On peut donc comparer un signal avec lui même mais aussi deux signaux
quelconques (une entrée et une sortie ?) et produire des inter-corrélations et
spectres d’inter-corrélation associés.
X
Rxf (j) = xn f n j
n

d’où le spectre d’inter-corrélation :

Z 1
Sxf (f ) = Rxf (⌧ )e j2⇡f ⌧
d⌧ = Sf⇤x (f )
1

Compte tenu de la relation liant les signaux en entrée et sortie des systèmes
linéaire, on déduit la relation entre leurs Densité Spectrales d’Energie DSP
par le théorème de Wiener-Khintchine (à partir des auto-spectres et inter-
spectres) :
2 Techniques d’analyse modale (spectrale) 26

8
< Sxx (f ) = H 2 (f ) Sf f (f )(1)
Sf x (f ) = H(f )Sf f (f )(2) (11)
:
Sxx (f ) = H(f )Sxf (f )(3)

L’analyseur de spectre utilise le principe des densités spectrales de puissance

pour estimer les FRF selon le schéma de la figure 29

Fig. 29: Principe d’un analyseur de spectre

De la deuxième équation du système 11 nous tirons l’estimateur H1 utilisé

quand le bruit est contenu dans la réponse (meilleur indicateur près des an-
tirésonances) :
H1 (f ) = Sf x (f )/Sf f (f )
Et de la troisième nous tirons l’estimateur H2 utilisé quand le bruit est contenu
dans l’entrée (meilleur indicateur près des résonances) :

H2 (f ) = Sxx (f )/Sxf (f )

On peut définir la cohérence (entre 0 et 1), un indicateur de la qualité de la

mesure de FRF :
2
= H1 (f )/H2 (f )

Fig. 30: Estimateurs de fonction de transfert

L’analyse modale expérimentale permet d’identifier les caractéristiques vi-

2 Techniques d’analyse modale (spectrale) 27

bratoires du système (avec ses conditions aux limites). En effet il arrive souvent
de confondre différents types d’essai comme par exemple l’analyse modale ex-
périmentale et surveillance (Figure 31). Le test de qualification (excitation par
la base) simule lui les conditions de vols pour les structures spatiales.

Fig. 31: Bilan des tests expérimentaux : analyse modale, test de qualification et
mesure de surveillance [Foltete, 2011]

La prise en compte des rigidités/masses des systèmes d’excitation/capteurs

ainsi que les conditions aux limites non parfaites peut être mis en place dans le
processus de mise à jour de modèle [Avitabile, 2007, Ashory, 1999, Allemang et
Brown, 1993].
2 Techniques d’analyse modale (spectrale) 28

On utilise plusieurs principes issus des systèmes LTI. Par exemple on illus-
trera dans la figure 32 les principes de linéarité et de réciprocité.

La linéarité : on excite la structure à plusieurs amplitudes en vérifiant que la

fonction de transfert reste inchangée. La réciprocité : la FRF est équivalente si
on décide d’exciter la structure au point i et de mesurer la réponse au point j
ou inversement . (Figure 29).

Fig. 32: Principe de réciprocité et types d’analyse modale : marteau ou sha-

cker [Avitabile, 2007]. Pour l’essai type marteau ; le capteur d’effort
peut se déplacer et le capteur de déplacement est fixe et pour l’essai
type shacker : l’excitation est fixe et on déplace les capteurs (accélé-
romètres). On a toujours besoin d’une référence (Fonction de transfert
colocalisée) pour donner un sens aux résidus modaux dans le calcul
des déformées
La résolution fréquentielle affecte principalement les fréquences de résonance
identifiées (détection de fréquences de résonances très proches (Figure 33), ainsi
que l’amplitude du pic (donc le taux d’amortissement, cf Figure 33). Mais d’un
point de vue plus "identification de système", une erreur sur l’estimation des
pôles induit une erreur sur les taux d’amortissement ET sur les déformées mo-
dales.

Des problèmes associés à l’évaluation de la Fonction de Réponse en Fréquence

(FRF) existent tels que : résolution fréquentielle, fuites (leakage). De même,
la Fonction de Réponse Impulsionnelle (FRI) de la structure est souvent
obtenue par la transformation de Fourier discrète inverse ifft ; ce qui provoque
le problème de fuites sur les signaux de longueur finie.
2 Techniques d’analyse modale (spectrale) 29

Fig. 33: Distinction de deux pics proches et phénomène de leakage en analyse

spectrale [Shin et Hammond, 2008] et propagation de l’erreur sur l’es-
timation des pôles sur l’identification des paramètres modaux

Habituellement, on considère lors des essais de vibration que les erreurs

introduites sur l’estimation de la FRF peuvent être modélisées par un bruit
blanc (aléatoire ou Gaussien centré), mais en pratique les caractéristiques des
erreurs de mesure ne sont pas aléatoires [Jung et Ewins, 1992]. Jung classe ces
erreurs (systématiques) en plusieurs types (Figure 34).

Fig. 34: Erreurs classiques en analyse modale [Jung et Ewins, 1992]

Des travaux récents [Mitchell, 1994] permettent d’améliorer les méthodes

expérimentales afin d’effectuer une mise à jour plus performantes des modèles
numériques. Les méthodes d’essai modal sont affectées par la qualité des FRFs,
le nombre de FRFs (DDL de la structure), la densité modale et ou le type
d’amortissement (taux d’amortissement élevés). Pour finir, on peut voir que la
qualité de nos estimations est dépendante non seulement des algorithmes, mais
aussi (dans un processus global de corrélation expérimentale/numérique) des
protocoles expérimentaux mis en place (Figure 35).
2 Techniques d’analyse modale (spectrale) 30

Fig. 35: Problème d’interdépendances entre mécanique et instrumentation dans

la conception des essais d’identification modale [Foltete, 2011]

2.4 Des systèmes dynamiques aux vibrations

Les problèmes dynamiques (on parle aussi de vibrations en petites perturba-
tions afin de linéariser les équations) sont basés sur des équations différentielles
ordinaires, et donc peuvent être résolus de manières efficaces par une approche
mécanicienne. A la base on trouve les équations de D’Alembert, Principes des
Travaux Virtuels, Newton ou Lagrange (en formalisme matriciel), fonction de
Green, l’analyse d’un système masse ressort à 1 DDL, et les outils de résolution
pour l’ingénieur : Approche d’état et Transformée de Fourier /Laplace.
On utilisera les notations matricielles classiques ; [ ] Pour une matrice quel-
T
conque (on pourra spécifier sa taille en indice), {} Pour un vecteur colonne, {}
Pour un vecteur ligne.
Nous allons rappeler les concepts fondamentaux de la mécanique des vibra-
tions en utilisant des modèles simples : un système à un degré de liberté et un
système à plusieurs degrés de liberté. La passerelle avec l’analyse modale sera
immédiate si l’on considère l’analyse modale d’un système à plusieurs DDLs
comme une superposition de résonateur à 1 DDL (figure ci dessous) sous ces
différentes représentations (physique, modale, spectrale, temporelle). L’appli-
cation à l’analyse modale des principes de base des systèmes LTI (en plus de
ceux déjà décris) sont la description d’un mode par une équation différentielle
d’un second ordre, le théorème de réciprocité (Maxwell ), et l’hypothèse de taux
d’amortissement sous amorti.
Un système à 1DDL peut être considéré comme un bloc élémentaire de
construction et un système à plusieurs DDL comme un exemple d’assemblage des
blocs, sachant qu’une structure complexe peut être représentée par un système à
un grand nombre (fini ou infini) de degrés de liberté. Pour commencer, revenons
aux bases et illustrons le principe du système masse ressort amortisseur
2 Techniques d’analyse modale (spectrale) 31

Fig. 36: Equivalence entre domaine physique et domaine modal : représentation

des signaux fréquentiels et temporels [Avitabile, 2007] et les 3 domaines
d’analyse modale [Foltete, 2011]. La décomposition en peut s’appliquer
sur un problème donné en BF avec des modes découplés (faible densité
modale)

(MKC) : augmenter la masse permet de diminuer la fréquence (figure 38), d’un

autre côté augmenter l’amortissement permet de diminuer l’amplitude.

Fig. 37: Réponse temporelle d’un oscillateur à 1 DDL : effet de la masse aug-
mentée (a), effet de l’augmentation d’amortissement
2 Techniques d’analyse modale (spectrale) 32

Pour construire le comportement dynamique d’un oscillateur 1 DDL, il suf-

fit de balayer toutes les fréquences en entrée : on construit ensuite le ratio des
spectres de sortie sur le spectre d’entrée (Fonction de transfert qui n’est rien
d’autre qu’un filtre). Sur un système d’ordre 1 il devient facile à partir de l’am-
plitude des FRFs d’identifier les paramètres M,K,C ... L’équation du mouvement
d’un système (sans effet gyroscopique) peut se résumer à

mẍ(t) + cẋ(t) + kx(t) = f (t)

Pour comprendre les caractéristiques intrinsèques de la structure nous allons

faire la résolution du système libre (f(t)=0). Elle permet de faire apparaître les
paramètres modaux globaux (fréquence et taux d’amortissement), en résolvant
l’équation caractéristique suivante :

mp2 + cp + k = 0

On fait apparaître les racines (zéros de l’équation caractéristique) suivant :

r
c c 2 k c 1 p 2
p1,2 = ± ( ) = ± c 4km
2m 2m m 2m 2m
Ceux ci peuvent s’exprimer comme des pôles complexes conjugués comme
suit :
p p
p1,2 = ⇠!n ± i ⇠!n2 !n2 = ⇠!n ± i 1 ⇠ 2 = ± i!d
avec
8 0
> = ⇠!
qn ,! ( f acteur d amortissement)
>
>
>
> !n = m k
,! ( pulsation propre (rad/s))
<
p
> !d = !n 1 p ⇠ 2 ,! ( pseudo pulsation) (rad/s))
>
>
>
> c0 = 2m!n = 2 km p ,! ( amortissement critique)
:
⇠ = c/c0 = c/(2m!n ) = c/(2 km) ,! ( taux d0 amortissement critique )

On peut réécrire les solutions comme :

p
c ± (c2 4km)
p1,2 =
2m
On voit que selon le signe de c2 4km, on distingue trois types de mouve-
ment (critique, sous amorti et sur amorti). Les solutions sont réelles lorsque le
déterminant est positif ou nul (complexe sinon) et peuvent s’écrire :

x(t) = Aep1 t + Bep2 t

avec A, et B s’explicitant en fonction des conditions initiales.
Dans le cas critique c2 = 4km, on voit que celui ci ne dépend que de la
conception structurale (et donc de la rigidité et de la masse de la structure).
2 Techniques d’analyse modale (spectrale) 33

Ainsi on peut formuler le taux d’amortissement ⇠ en pourcentage. Si ⇠ 1

(induit 0 < p1,2 < 1), on peut écrire :
p 2 p 2
x(t) = e ⇠!n t (aej 1 ⇠ !n t + bej 1 ⇠ !n t )

que l’on peut réécrire comme une sinusoïde amortie en utilisant la formule d’Eu-
ler : p
x(t) = Ce ⇠!n t sin( 1 ⇠ 2 !n t + ) = Ce ⇠!n t sin(!d t + )
avec C, et s’explicitant en fonction des conditions initiales comme suit :
r
v0 + ⇠!n x0 2
C = x20 + ( )
!d
et
1 x0 !d
= tan
v0 + ⇠!n x0
2 Techniques d’analyse modale (spectrale) 34

Reprenons l’équation du départ et posons f (t) = f cos(!t) harmonique (et

réel), il vient :

mẍ(t) + cẋ(t) + kx(t) = f (t)

En faisant l’hypothèse des conditions initiales nulles, on obtient en utilisant
la transformée de Laplace :

mp2 X(p) + cpX(p) + kX(p) = F (p)

D’où l’expression de la fonction de transfert

X(p) 1
H(p) = = 2
F (p) mp + cp + k
où en utilisant la transformée de Fourier (p = j!) :

X(j!) 1 1
H(j!) = = = (12)
F (j!) m! 2 + cj! + k (k m! 2 ) + cj!
p q
En posant c = 2⇠ km et !n = m k
il vient :

X(j!) 1
H(j!) = = (13)
F (j!) m(!n2 ! 2 + 2j⇠!n !)

L’amplitude et la phase de cette fonction de transfert est illustrée en figure

38. A basses fréquences l’asymptote (donnée par 1/k) représente la flexibilité
statique alors que l’asymptote en hautes fréquences (donnée par 1/m) repré-
sente la contribution inertielle. Le maximum d’amplitude est obtenu pour une
certaine fréquence accompagnée d’une rotation de phase de 90 degrés. Ce phé-
nomène d’amplification est connu sous le nom de résonance et apparaît par
définition quand ! = !n (fréquence naturelle du système non amorti). En fait
la réponse enprégime stationnaire est maximale (dériver H par rapportp à !) à
(!max = !n 1 2⇠ 2 ⇡ !n ) et a pour amplitude (|Hmax | 1/2!n2 ⇠ 1 2⇠ 2 ⇡
1/c!) : ce maximum est donc inversement proportionnel à ⇠, taux d’amortisse-
ment (souvent proche de 1%).
On aurait pu résoudre ce système classiquement par intégration numérique
(Euler explicite/implicite, RungeKuta, ou de second ordre type Newmark, ↵
HHT) ou résolution dans l’espace d’état (conditions initiales non nulles).
2 Techniques d’analyse modale (spectrale) 35

Fig. 38: Réponse d’un oscillateur à 1 DDL

Sur la figure suivante on voit que les pôles des fonctions de transfert contiennent
les informations principales (fréquences, amortissement). La lecture de la partie
imaginaire permet d’extraire la fréquence (si ⇠ 1), et d’en tirer l’amortisse-
ment en lisant la partie réelle (Figure 39).

Fig. 39: L’information des pôles dans le plan complexe, et son équivalent en
FRF) [Shin et Hammond, 2008]

Dans notre simple cas à 1 DDL (sans couplage type flutter mẍ(t) + cẋ(t) +
kx(t) = f (x(t), ẋ(t)) § ) les pôles sont stables et il est assez intéressant de voir
pour la suite l’influence des décalage dans le plan réel imaginaire (l’amortisse-
ment diminue lorsqu’on se rapproche de l’axe imaginaire, le pic en fréquence se
rétrécit, le signal temporel met du temps à s’annuler...) (Figure 40).
§. Le flottement classique concerne généralement les profils d’aile souples. Il résulte d’un
couplage des mouvements de torsion et de flexion de l’aile dont les fréquences naturelles sont
modifiées par les forces aérodynamiques. Si les fréquences de torsion et de flexion se rejoignent
pour une vitesse de vent donnée, la dynamique du système devient instable dans le sens que le
mouvement sera amplifié très rapidement et conduira généralement à la destruction de l’engin.
Dans ce problème, l’écart de fréquence naturelle entre le mouvement de torsion et celui de
flexion est fondamental : plus celui-ci est grand, plus la vitesse critique sera grande.
2 Techniques d’analyse modale (spectrale) 36

Fig. 40: information contenue dans les pôles des fonctions de transfert [Avitabile,
2007]

On peut faire apparaître les paramètres modaux simplement en divisant par

m:

X(p) (1/m) (1/m)

H(p) = = 2 = 2
F (p) p + (c/m)p + (k/m) p + ⇠!n p + !n2
2 Techniques d’analyse modale (spectrale) 37

et simplement en utilisant un dictionnaire d’images [Hladik et Morand, 1969]

on peut écrire la réponse impulsionnelle h(t) :

(1/m) p
!n ⇠t
h(t) = p e sin( !n 1 ⇠ 2 t)
!n 1 ⇠ 2
Remarque : h(t) = x(t) si x(t) est un Dirac.
Reprenons la formulation précédente pour faire apparaître les poles conju-
gués et décomposer la fonction de transfert en éléments simples.

(1/m) (1/m) (1/m)

H(p) = = =
p2 + ⇠!n p + !n2 (p p1 )(p p⇤1 ) (p p1 )(p p2 )

en décomposant en fraction rationnelle, on voit apparaître les résidus (direc-

tement relié à l’amplitude de la réponse impulsionnelle) :
R1 R2
H(p) = +
(p p1 ) (p p2 )
En utilisant les tables d’inversion

h(t) = R1 ep1 t + R2 ep2 t

Pour identifier les résidus on multiplie H(p) par (p p1 ) (pour annuler R2 )

, il vient :

(1/m) 1/m
lim H(p)(p p1 ) = = R1 = = R2 = R1⇤
p!p1 (p1 p⇤1 ) 2j!1

En général le résidu est purement imaginaire (en SDOF) et est proportionnel

à la déformée modale ¶ . Une des méthodes les plus "physique" ou "direct" est de
s’appuyer sur ce modèle (en module ou en phase) du second ordre (Équation 12)
et de proposer un ajustement avec les données expérimentales pour estimer les
paramètres de la fonction de transfert et donc les paramètres modaux (exemple
Matlab ci dessous).

% load experimental data

clear all; close all;
load H.mat; %chargement de la matrice data contenant f et H(jw) en colonnes
freq=data(1:1000,1);mag=abs(data(1:1000,2));
K = 10; % gain
zeta = 0.1; % damping ratio guess
fn=2; % natural frequency guess in Hz
% let's generate a frequency vector that has more components than the experimental ones
f_toplot = freq;%[0:0.1:7.0];
r = f_toplot/fn;
mag_init = K./sqrt((1 r.^2).^2+(2*zeta*r).^2);
plot(freq,mag,'o ',f_toplot,mag_init)
legend('experiment','theory initial guess')

¶. Attention ce n’est pas vrai en MDOF à cause de l’hypothèse des modes réels/complexes
2 Techniques d’analyse modale (spectrale) 38

% not let's use fminsearch to minimize the difference between the exp/theo
x0 = [zeta fn K];
options=optimset(options,'Display','iter');
% run fminsearch to minimize a cost function J "lab3.m" and the outputs are coeff.
coeff=fminsearch(@lab3,x0,options)
zeta = coeff(1);
fn = coeff(2);
K = coeff(3);
r = f_toplot/fn;
Figure; mag_best = K./sqrt((1 r.^2).^2+(2*zeta*r).^2);
plot(freq,mag,'o ',f_toplot,mag_best);legend('experiment','theory best fit')
2 Techniques d’analyse modale (spectrale) 39

function J = lab3(x)
load H.mat; %chargement de la matrice data contenant f et H(jw) en colonnes
freq=data(1:1000,1);
mag=abs(data(1:1000,2));
zeta = x(1);
fn = x(2);
K = x(3);
r = freq/fn;
mag_theory = K./sqrt((1 r.^2).^2+(2*zeta*r).^2);
J = norm(mag mag_theory); % if comparing mag not in dB

Fig. 41: Identification modale SDOF par optimisation (minimisation de l’erreur

quadratique entre le modèle et les données)

En complexifiant un petit peu (2 DDLs) on voit apparaitre 2 résonances

et aussi une zone où chaque mode contribue (figure 42) avec une participation
différente.
2 Techniques d’analyse modale (spectrale) 40

Fig. 42: Un système à 2 DDLs possède deux résonances : on peut séparer l’in-
fluence de chaque mode et donc décomposer un problème MDOF en
somme de SDOF

Lorsque l’on traite des cas à plusieurs DDL (MDOF MIMO), nous avons à
traiter des super matrices. Par exemple une matrice 2 ⇥ 2, 2 entrées i, et deux
sorties j s’écrit : 
˜ = H11 H12
H(p)
H21 H22
Entre deux résonances, le spectre est composé de plusieurs modes (Figure 43),
et pour faire participer un mode pur, on doit se trouver exactement à la réso-
nance. Notamment on se doit de séparer l’influence de la masse résiduelle (basses
fréquences) et l’influence de la rigidité résiduelle (hautes fréquences).

Fig. 43: Influence des modes voisins [Avitabile, 2007]

2 Techniques d’analyse modale (spectrale) 41

Chaque fonction de transfert Hij peut se décomposer en N modes comme suit

(base de la méthode RFP [Richardson et Formenti, 1985]) :
N
X ⇤
Rij (r) Rij (r)
Hij (p) = +
p pk p p⇤k
k=1

En prenant en compte que les pôles sont des pôles complexes conjugués il vient
l’équivalent en temporel (base de la méthode LSCE [Brown et al., 1979]) :
N
X N
X
⇤
⇤ pk t
hij (t) = Rij epk t + Rij e =2 Re(Rij epk t )
k=1 k=1

En généralisant à un système à N DDL discrétisé par les équations de la

mécanique générale (équations de Lagrange par exemple), on peut écrire en
fonction des coordonnées généralisés q(t) :

[M ] {q̈(t)} + [C] {q̇(t)} + [K] {q(t)} = F (t) (14)

— avec la matrice de masse [M ] , réelle, symétrique, définie positive (M ⇤ =

MT )
— avec la matrice de raideur [K] , réelle, symétrique, positive
— avec la matrice [C] d’amortissement visqueux
— et F (t) les forces généralisées
On distinguera deux cas : les structures isostatique pour lesquels [K] est défi-
nie positive et les structures hypostatiques pouvant subir un mouvement d’en-
semble (corps rigides à fréquence nulle). Pour caractériser dynamiquement une
structure, on procède généralement à l’analyse modale réelle du modèle (normal
mode), correspondant à la détermination des valeurs propres et vecteurs propres
réels du système conservatif.
Les modes propres correspondent aux solutions des équations en mouvement
libre du système non amorti (C=0 ; système conservatif : les modes sont réels et
sont appelés modes normaux) :

[M ] {q̈(t)} + [K] {q(t)} = 0 (15)

2 Techniques d’analyse modale (spectrale) 42

les solutions sont de la forme : q(t) = ie

j!i t
, il vient

!i2 [M ] ie
j!i t
+ [K] ie
j!i t
=0 (16)

en évitant la solution non triviale :

([K] !i2 [M ]) { i } = 0 (17)

Les pulsations propres !i sont réelles positives et les modes propres associés
i sont réels.
On obtient donc n équations que l’on peut mettre sous forme matricielle

([K] ⌦ [M ]) =0 (18)

avec = diag(!i2 ) et = [ 1 , ..., n ]

Les modes propres ont la propriété d’être orthogonaux entre eux par rapport
à [K] et [M ], si leurs fréquences sont différentes on a :
T
{ i } [K] { j} = 0 si !i 6= !j (19)

T
{ i } [M ] { j} = 0 si !i 6= !j (20)

On peut aussi définir 2 matrices : la matrice des masses généralisées mi et

la matrice des raideurs généralisées ki du mode i
T
{ i } [M ] { i } = mi (21)

T
{ i } [K] { i } = ki (22)

Elles sont liées par la relation ki = !i2 mi

T T
Les matrices { } [M ] { } et { } [K] { } sont donc diagonales, il existe
une infinité de matrices de modes propres vérifiant l’équation précédente. On
choisit en général de normer par rapport à [M ], tel que :

T
{ } [M ] { } = In,n (23)

T
{ } [K] { } = ⌦ (24)

En effectuant une projection des équations de la dynamique, en mouvement

libre, dans la base modale :

[M ] {q̈(t)} + [C] {q̇(t)} + [K] {q(t)} = 0

2 Techniques d’analyse modale (spectrale) 43

q(t) = q̃(t) (25)

¨ + ({ }T [C] { })q̃˙ + diag(!i2 )q̃(t) = 0

q̃(t) (26)
On voit que ces conditions sont couplées par l’amortissement... d’où l’hypo-
thèse simplificatrice (certains dirons non physique) de Basile où l’on exprime
la matrice d’amortissement comme proportionnelle à la matrice de masse et de
rigidité (amortissement de Rayleigh/Caughey). Pour le système dissipatif si les
vecteurs normaux diagonalise [M ] et [K] alors ils diagonalisent également
[C], les vecteurs propres sont donc inchangés (pas les fréquences propres) et
c’est cette condition que l’on appelle condition de Basile. Si elle n’est pas véri-
fiée on peut projeter dans l’espace d’état et calculer des modes complexes. Pour
un mode complexe, il existe des déphasages entre les points de la structure, les
ondes sont donc propagatives (les noeuds des modes réels n’existent plus) et
l’amortissement est quelconque. La résolution classique de l’équation 26 avec
un second membre f (t) pour obtenir une FRF est donnée en annexe B 3.2. Le
paragraphe suivant donne le même résultat avec une approche système. Finale-
ment, pour la synthèse modale et la qualification, les facteurs de participation
modaux (Figure 44) sont important.

Fig. 44: Résoudre l’analyse en modes normaux pour un système à plusieurs DDL
donne l’information sur la participation de chaque mode dans la réponse
[Avitabile, 2007]

2.5 Modélisation unificatrice sous forme d’équations d’état

Aux équations de la dynamique, on peut ajouter les notions d’entrée et de
sortie. En notant u le vecteur des entrées et b la matrice d’application de ces
entrées sur les noeuds du modèle et y le vecteur des sorties composé de mesures
de déplacements, vitesses, et accélérations des noeuds. On obtient un système
2 Techniques d’analyse modale (spectrale) 44

d’équations différentielles :
⇢
[M ] {q̈(t)} + [C] {q̇(t)} + [K] {q(t)} = bu(t)
(27)
y(t) = cd q(t) + cv q̇(t) + ca q̈(t)

Sous la condition que [M ] soit non singulière, on peut écrire :

⇢ 1 1 1
{q̈(t)} = [M ] [C] {q̇(t)} [M ] [K] {q(t)} + [M ] bu(t)
1 1 1
y(t) = (cd ca [M ] [K])q(t) + (cv ca [M ] [C])q̇(t) + ca [M ] bu(t)
(28)

Il vient naturellement sous compaction matricielle

8 " #   
>
> ¨
q(t) [M ]
1
[C] [M ]
1
[K] ˙
q(t) [M ] b
1
>
< = + u(t)
˙
q(t) I 0 q(t) 0
h 
i q̇(t)
>
> 1 1 1
>
: y(t) = (cv ca [M ] [C]) (cd ca [M ] [K]) + ca [M ] bu(t)
q(t)
(29)

En identifiant les paramètres de la représentation d’état (classique en auto-

matique) :

⇢
ẋ(t) = Ax(t) + Bu(t)
(30)
y(t) = Cx(t) + Du(t)

soit en notation matricielle :

  
ẋ A B x
= (31)
y C D u

On obtient les paramètres gouvernant la dynamique du système :

le vecteur d’état

q̇(t)
x(t) = (32)
q(t)

la matrice dynamique du système (contient les informations des fréquences

et amortissements
 1 1
[M ] [C] [M ] [K]
A= (33)
I 0

la matrice d’application de la commande (Forces extérieures)

 1
[M ] b
B= (34)
0
2 Techniques d’analyse modale (spectrale) 45

la matrice d’observation (contient l’information locale "déformées"

h i
1 1
C = (cv ca [M ] [C]) (cd ca [M ] [K]) (35)

la matrice d’application directe de la commande (relation directe

entrée-sortie, souvent nul dans les systèmes mécaniques
h i
1
D = ca [M ] b (36)

Le quadruplet (A, B, C, D) permet de résoudre l’équation d’état du système.

Cette représentation n’est pas unique, il en existe une infinité qui sont équiva-
lentes.

Fig. 45: Diagramme représentant un modèle d’état et modèlisation matlab

Les vecteurs propres correspondent aux solutions de l’équation 30 en mou-

vement libre (u(t) = 0)

ẋ(t) = Ax(t), ẋ(t) Ax(t) = 0 (37)

En utilisant la transformée de Laplace, il vient

L(ẋ(t)) = pX(p) X(0) = pX(p), si, X(0) = 0 (38)

soit en évitant la solution triviale X(p) = 0

pX(p) AX(p) = 0 ) (pI A)X(p) = 0 ) det(pI A) = 0 (39)

Les valeurs propres du système sont donc les valeurs des i de p qui annule
le déterminant (on les observe pour conclure sur la stabilité du système). En
posant p = i il vient :

( iI A)vi = 0 (40)

avec vi vecteur propre correspondant à i . Les vecteurs propres associés à

une fréquence nulle caractérisent le comportement rigide du système.
On obtient donc N = 2n équations que l’on assemble pour donner :
2 Techniques d’analyse modale (spectrale) 46

(⇤ A)V = 0 (41)

Avec ⇤ = diag( i ) et V = [V1 , ..., VN ]

Les modes propres sont toujours orthogonaux entre eux :

1 1
V V =I)⇤=V AV (42)

Chaque mode !i correspond donc à deux valeurs propres complexes conju-

gués i

p
i = ⇠i !i ± j!i 1 ⇠2 (43)

Revenons au cas simple où il n’ y a que des capteurs de déplacement (Cd 6=

0,Cv = 0,Ca = 0)
On peut utiliser la transformée de Laplace sur l’équation d’état 30 qui devient
pour des conditions initiales nulles :

pX(p) = AX(p) + BU (p)

Y (p) = CX(p) + DU (p)

ou
1
X(p) = (pI A) BU (p)
1
Y (p) = C(pI A) BU (p) + DU (p)

On caractérise ainsi le système par une fonction de transfert :

1
H(p) = X(p)/Y (p) = C(pI A) B+D
qui relie les entrées/sorties par la relation

Y (p) = H(p)U (p)

On peut donc réécrire les équations d’évolution (Forces appliquées :f (t) = bu(t))
et d’observation (déplacements : y(t)=cq(t)) comme suit :

[M p2 + Cp + K]Q(p) = bU (p)
Y (p) = CQ(p)
2 Techniques d’analyse modale (spectrale) 47

Y (p) = c[M p2 + Cp + K] 1
bU (p) (44)

Si on néglige l’amortissement C et que l’on intègre la condition d’orthogo-

nalité 22 :

T
{ } [K] { } = [diag(µj !j2 )] (45)

On peut exprimer les inverses des matrices de masses et de raideurs :

1 T
[K] = { } [diag(µj !j2 )] 1
{ } (46)

1 1 T
[M ] = { } [diag(µj )] { } (47)

On peut donc maintenant exprimer directement la matrice de flexibilité dy-

namique (et donc de faire un lien entre modélisation mécanique et hypothèses
expérimentales) :

XN T
1 T { }{ }
[K !M ] = { } [diag(µj (!j2 ! 2 )) 1
]{ } = (48)
µ (!j2 ! 2 )
j=1 j
2 Techniques d’analyse modale (spectrale) 48

On peut alors calculer la FRF pour un chargement donné (capteur) à un

point particulier de réponses (capteurs) en prenant en compte les coordonnées
généralisées q = [ ]p. On parle de synthèse de FRF par une somme de contri-
bution modale individuelle en exprimant la relation 44 :

XN T
1 c{ }{ } b
H(!) = c[K !M ] b⇡ (49)
µ (!j2 ! 2 )
j=1 j

Une approximation exacte considérerait tous les modes, mais dans la plupart
des cas on fait une troncature modale, i.e. une approximation sur une certaine
bande passante. (Figure 46) avec une correction statique par exemple (ajout
d’une constante).

Fig. 46: Contribution modale sur une bande passante prédéfinie, influence de la
correction statique sur l’estimation [Balmes, 2009]

Il est intéressant de comprendre la relation entre la réponse y = [H]u et les

déformées [ ] : comme précisé plus haut, il y a une relation directe à la résonance
entre la partie imaginaire de la FRF et les déformées (Figure 47).

Fig. 47: Un affichage Waterfall de la partie imaginaire des FRF en fonction des
points de mesure permet sur une poutre de visualiser les déformées en
reliant les extremums pour chaque résonance
2 Techniques d’analyse modale (spectrale) 49

En fait la contribution modale peut se décomposer par le produit de :

— c { } l’observabilité modale
T
— { } b la contrôlabilité modale
— p2 +⇠!1n p+!2 l’amplification modale
n
2 Techniques d’analyse modale (spectrale) 50

Pour comprendre la contribution de chaque mode, je reprends l’exemple

d’Etienne Balmes [Balmes, 2009] sur un exemple aéronautique : les modes de
l’A340. Considérons les 3 modes de la figure 48. Pour le transfert Aile/Aile (N/m)

Fig. 48: Fonctions de transfert de l’A340 correspondant à une excitation verticale

sur le fuselage ou sur l’aile et des capteurs placés à l’extrémité des ailes
et sur le fuselage [Balmes, 2009]. Amplitude de la fonction de transfert
Aile/Aile (N/m), Aile/Fuselage (N/m) et Fuselage/Fuselage (N/m) en
fonction de la fréquence (0 3Hz)

en fonction de la fréquence (0-3Hz), l’observabilité modale c { } et la contrôla-

T
bilité { } b des 3 modes sont similaires. En prenant compte un amortissement
similaire pour chaque mode, on voit que les pics ont des bandes passantes si-
milaires. Le second mode est antisymétrique (Flexion 3 noeuds) et correspond
à une amplitude très faible du mouvement du fuselage. Pour le transfert Aile/-
T
Fuselage (N/m), la contribution modale du produit c { } { } b est très basse
pour le second mode et donc les pics d’amplitude très faibles par rapport aux
deux autres. Enfin pour le transfert Fuselage/Fuselage (N/m), que l’on peut
décrire comme une fonction de transfert colocalisée, l’observabilité et la contrô-
labilité sont très faibles, et donc le second mode à une contribution négligeable
(antirésonance). On montre ainsi que l’instrumentation et le placement des cap-
teurs sont des critères essentiels pour mener à bien une analyse modale. Sur des
structures réelles, tous les modes ne sont pas visibles et le niveau des contribu-
tions dépend de plusieurs facteurs : l’observabilité, la contrôlabilité et le niveau
d’amortissement (ainsi que la densité modale).
Pour finir toutes les théories énoncées précédemment sont linéaires... Dans
les structures en opération on trouve de nombreuses nonlinéarités : maté-
rielles (Loi de comportement élastoplastique, matériaux à mémoire de formes...),
géométriques (mécanismes ou structures minces en grands déplacements), de
contact (ou d’interface comme lois de Hertz, frottement sec ...). On peut citer
2 Techniques d’analyse modale (spectrale) 51

deux célèbres exemples que sont le pendule simple (nonlinéarité géométrique)

et l’oscillateur de Duffing (raideur cubique). De nouveaux phénomènes appa-
raissent (distorsion d’harmonique, super-harmonique, dépendance au balayage
en fréquences, à l’amplitude d’excitation ...) [Nayfeh et Mook, 1979, Vakakis,
2010] notamment sur les structures endommagées [Van Den Abeele et De Vis-
scher, 2000, Worden et al., 2008, Overbey et Todd, 2009, Nichols et Todd, 2009]
en lien avec le chapitre 2 (paragraphe ??).
3 Techniques d’identification modale (système) 52

3 Techniques d’identification modale (système)

3.1 Etat de l’art
La définition de l’identification modale est le développement d’un modèle
mathématique du comportement dynamique d’une structure à partir de tests
expérimentaux. Dans son HDR, Pierre Argoul [Argoul, 2004] résume la pro-
blématique de l’identification dynamique k , de la façon suivante : Comment, à
partir d’une expérience vibratoire sur la structure étudiée, connaître les caracté-
ristiques du modèle de son comportement mécanique ? Les premiers instigateurs
de cette technique ont été les avionneurs qui étaient confrontés au problème cru-
cial de « flottement » des avions. Ce phénomène dû au couplage aéroélastique
entre l’air et la structure de l’avion provoque à certaines vitesses un phénomène
de vibrations auto-excitées pouvant causer la destruction de l’appareil. Il peut
être prévu si l’on connaît les caractéristiques dynamiques de la structure, à sa-
voir : vecteurs propres, fréquences propres et amortissements généralisés, masses
généralisées (masses modales). Les premières méthodes développées dans les an-
nées 1960-70 ont été les méthodes d’appropriation modale [Angelini, 1978,Clerc,
1961] qui consistaient à appliquer à la structure un ensemble de forces excita-
trices harmoniques convenablement réparties en amplitude et en phase, donnant
une réponse de la structure proportionnelle à un mode propre du système conser-
vatif associé. Le principe est d’exciter un mode réel en compensant les forces
d’amortissement. On isole donc la contribution d’un mode en supprimant les
contributions des autres modes. De l’expression générale d’une réponse forcée
harmonique : [M ] {q̈(t)} + [C] {q̇(t)} + [K] {q(t)} = {F (t)} il vient dans l’espace
des fréquences, ( ! 2 [M ] + j! [C] + [K]) {q(!)} = {F (!)}
Les modes réels sont solutions de l’équation conservative : ( !r2 [M ]+[K]) {q(!)} =
{ r}
Ainsi si

{Fapp (!)} = j! [C] { r}

alors la réponse vérifie

( !r2 [M ] + [K]) {q(!)} = {0}

Il est rare que l’analyse modale soit une fin en soi. Les utilisateurs cherchent
souvent à comparer des résultats de mesure à des résultats de calcul effectués
dans la plupart des cas par éléments finis. Il se pose donc naturellement la ques-
tion de la corrélation essais/calculs [Piranda, 2001].

k. Bui [Bui et Bui, 1994] parle lui de vibrations inverses

3 Techniques d’identification modale (système) 53

Un Bref historique :
— Avant 1947 : mesures de la réponse seule
— 1947 : mesures de la réponse et de l’excitation Kennedy, Pancu : mesures
des fréquences de résonance et de l’amortissement de structures d’avions.
— 1960-70 : progrès techniques des moyens de mesures (capteurs, électro-
nique,...) et d’acquisition (analyseurs de spectre digitaux)
— 1962 : Theorie de test à résonance Bishop et Gladwell
— 1965 : algorithme FFT Cooley et Tukey
— Depuis 1975 ISMA
— Depuis 1982 IMAC
L’identification modale est un cas particulier d’un problème plus général
d’identification de systèmes [Ljung, 1985] à partir d’un lot de données d’en-
trées/sorties. L’identification modale permet alors d’estimer les paramètres mo-
daux (fréquences propres, taux d’amortissement modaux, formes modales) soit
à partir des FRFs ou des RIs. Les techniques d’identification ont été d’abord
appliquées sur des structures à comportement linéaire, et depuis elles n’ont cessé
de se développer, de s’améliorer et de se complexifier. Les similarités entre les
différents algorithmes proviennent du fait que les équations différentielles fonda-
mentales qui régissent les vibrations du système sont supposées être du second
ordre, linéaires, à coefficients constants et plus fondamentalement sur les pro-
priétés qui ont été supposées pour le système : linéaire, invariant dans le temps,
observabilité et réciprocité.
3 Techniques d’identification modale (système) 54

La classification générale donnée par Maia et al [Maia et Silva, 2001, Maia

et al., 1997] (Figure 49) est fondée sur plusieurs critères qui ont été classés
selon leur importance par ces auteurs. Le premier critère découle du domaine
dans lequel les données sont traitées numériquement (temporel, fréquentiel) ;
on pourrait y rajouter le domaine temps-fréquence. L’excitation peut être har-
monique, large bande (chirp, bruit blanc, impact, naturelle ou ambiante) et
l’estimation peut se faire sur les données fréquentielles (estimation d’une fonc-
tion de transfert) ou temporelles (estimation d’une réponse impulsionnelle) ou
l’on doit faire une régression sur une exponentielle complexe (Least Square
Complex Exponential, LSCE ou Méthode de Prony en traitement du signal),
ou une approche contrôle type modèle d’état (SSI) [Ewins, 1984, Maia et al.,
1997, Allemang et Phillips, 2004] . Des techniques mixtes (Temps/Fréquences
ou Temps/Échelles) sont souvent utilisées pour estimer l’amortissement [Stas-
zewski, 1997, Lardies et Gouttebroze, 2002]. En général, les modèles temporels
ont tendance à donner de meilleurs résultats quand une large plage de fréquence
ou plusieurs modes existent dans les données, tandis que les modèles dans le do-
maine fréquentiel ont tendance à donner de meilleurs résultats quand la plage
de fréquence ou le nombre de modes est relativement limité. Toutefois, les mé-
thodes en temps ne peuvent estimer que les modes dans la gamme de fréquence
d’analyse et elles ne prennent pas en compte les effets résiduels des modes hors
de la plage en question. C’est la raison pour laquelle, depuis quelques années, la
recherche se dirige vers le domaine fréquentiel avec des techniques qui améliorent
la précision du résultat en tenant compte des effets résiduels.
Les méthodes dans le domaine temporel et fréquentiel peuvent encore être
divisées en méthodes indirectes (méthodes modales) et en méthodes directes. La
qualification indirecte signifie que l’identification est basée sur le modèle modal,
i.e., sur les paramètres modaux (fréquences naturelles, taux d’amortissement,
constantes modales et leurs phases). La méthode directe désigne la procédure
d’identification reliée au modèle spatial, i.e., l’équation matricielle d’équilibre à
partir de laquelle toutes les méthodes sont déduites.
3 Techniques d’identification modale (système) 55

Fig. 49: Comparaison des différentes méthodes d’identification modale

La seconde distinction proposée par ces auteurs est le caractère direct ou

indirect. Le qualificatif indirect signifie que l’identification est fondée sur le
modèle modal c’est-à-dire sur les paramètres modaux (fréquences propres, taux
d’amortissement, formes modales). Le qualificatif direct est donné lorsque la
procédure repose sur les équations matricielles de base de la dynamique. Le
troisième critère concerne le nombre de modes qui peuvent être analysés ; on
parle de méthodes à un ou à plusieurs degrés de liberté. plus précisément, la
distinction entre deux types d’approches : une approche basée sur la physique
du phénomène (mécanique des vibrations linéaires ou analyse modale) et une
approche basée sur une description générale des relations entrée-sortie (théorie
des systèmes). Dans ces deux approches, les modèles reliant les mesures et les
paramètres qui en découlent prennent respectivement le qualificatif de boîte
blanche (en relation avec une connaissance physique du phénomène et des lois
fondamentales du mouvement) respectivement de boîte noire (sans lien avec
une connaissance physique du phénomène). Cette terminologie permet aussi
d’introduire la notion de modèle en boîte grise pour prendre en compte des
modèles partiellement basés sur des connaissances physiques.Les paramètres
modaux globaux sont les fréquences de résonances et les amortissements associés
à chaque fréquence (ces 2 informations sont contenues par les pôles de la fonction
de transfert). Les paramètres locaux sont les déformées. La reconstruction de
ces déformées dépend du nombre de fonctions de transfert disponibles et donc
du type d’identification à faire (SISO, SIMO, MISO, MIMO).
3 Techniques d’identification modale (système) 56

Le dernier critère est fondé sur le nombre des entrées et sur celui des sor-
ties qui peuvent être pris en compte par la méthode, on parle de méthodes à
une entrée-une sortie ou de méthodes à une entrée-plusieurs sorties et finale-
ment à plusieurs entrées-plusieurs sorties. L’idée sous-jacente de ce critère est
que les fréquences propres et les taux d’amortissement modaux ne varient pas
en théorie, lorsque l’on passe d’une FRF à une autre. Par conséquent, il de-
vient alors possible d’obtenir un ensemble de ces caractéristiques modales, plus
consistant, en traitant en même temps plusieurs FRFs ou plusieurs RIs. Quand
on dispose d’un lot de FRF on a deux approches possibles. Premièrement trai-
ter indépendamment chaque FRF, on disposera donc, de paramètres modaux
moyens et de la variance associé (approche local). Deuxièment on peut traiter
ce lot d’un point de vue global, on disposera d’un estimateur optimal (au sens
des moindres carrés) en traitant le problème sous la forme de données surdéter-
minées (i.e. beaucoup de mesures et peu de paramètres à déterminer). On est
dans ce cas dépendant de la consistance du lot de mesure (approche moindre
carrée, norme l2 )). En effet, en connaissant le nombre de pôles qui caractérisent
la structure, on peut trouver les paramètres modaux en identifiant le modèle à
fraction partielle (MFP) :
N
X Rk Rk⇤
H(!) = +
j! pk j! p⇤k
k=1

Ainsi, on détaillera dans un exemple (chapitre suivant) la décomposition de la

fonction de transfert sous forme rationnelle en éléments simples (identifiés en
minimisant l’erreur entre la FRF et le quotient de de polynôme en !).

Fig. 50: Approche locale pour identifier les paramètres modaux par la méthode
RFP en SDOF [Avitabile, 2007]
3 Techniques d’identification modale (système) 57

Cette décomposition laisse apparaître dans les pôles p et p⇤ du modèle à

fraction partielle, les 2 premiers paramètres modaux : p = k j!k . En effet,
sa partie réelle représente l’amortissement et sa partie imaginaire nous renseigne
sur la pulsation naturelle amortie du système. Le résidus Rk est un nombre qui
rend compte de la force du mode. C’est un concept mathématique qui est un
indicateur de la déformée modale :H(! ! !k ) ⇡ Rkk .
On peut montrer que le résidu pour un mode particulier k est proportion-
nel au produit du déplacement modal à 1 DDL i par le déplacement modal à
Pik Pjk
l’excitation j : Rij
k
= 2j! k
.
On peut remarquer que la partie imaginaire de H(!) contient deux informa-
tions essentielles, l’amplitude et la direction.
On trouve aussi une autre terminologie, avec les qualificatifs de paramé-
trique et de non-paramétrique, qui peuvent être appliqués à des modèles ou des
méthodes. Les méthodes d’identification paramétrique cherchent à déterminer
les paramètres d’un modèle présupposé à partir de considérations physiques sur
le phénomène de vibrations pour que la réponse du modèle s’ajuste avec celle
de la structure réelle. Les méthodes non-paramétriques recherchent directement
la meilleure représentation fonctionnelle du phénomène sans hypothèse a priori
sur un modèle physique du comportement de la structure. On peut rajouter que
dans les méthodes paramétriques, les paramètres sont en nombre fini avec une
signification physique claire tandis que dans les méthodes non- paramétriques,
les paramètres sont en nombre illimité, sans signification physique. Le lecteur
pourra trouver une intéressante bibliographie des outils avancées de traitement
du signal (Modèles AR, ARX, Volterra ...) pour l’analyse modale [Shin et
Hammond, 2008, Hammond et Waters, 2001].
Enfin certains travaux en analyse modale expérimentale ont une vision SHM.
On peut citer les travaux initiaux de Adams et al [Adams et al, 1978] ou de
Richardson [Richardson et Formenti, 1985] sur la corrélation des défauts sur
les structures avec l’apparition de changement dans les paramètres modaux. Ce
dernier auteur est d’ailleurs à la base de l’analyse modale expérimentale avec
Formenti. En effet, ils développèrent les outils de curve fitting (Complex
exponential, algorithme de Prony) pour estimer la déformée modale, algo-
rithmes ensuite implémentés dans des logiciels d’analyse modale comme DIAMOND
[Doebling et al, 1997]. Des sociétés comme BK ou LMS offrent des solutions com-
plètes d’analyse modale expérimentale. Au niveau algorithmes et logiciels inno-
vants en analyse modale, les travaux de Mevel et Basseville [Mevel L., 2003a,Me-
vel L., 2003b,Basseville M., 2004,Basseville M., 1993] sur les méthodes de sous-
espaces pour l’analyse et la surveillance modale font références (Développement
du logiciel COSMAD). Etienne Balmes a développé une boîte à outils Matlab (SDT
Structural Dynamics Toolbox) permettant d’établir la corrélation entre mo-
dèle (3D éléments finis) et analyse modale experimentale. En France toujours,
FEMTO ST développe MODAN pour l’analyse modale et AESOP pour la vérification
et validation de modèle [Foltete, 1998, Buffe et al., 2011]. La société toulou-
saine TOPMODAL développe un logiciel de recalage de modèle PRIMODAL que l’on
peut coupler avec des codes de calcul industriel (Nastran). On peut citer aussi
3 Techniques d’identification modale (système) 58

Peeters et al pour leurs travaux sur l’identification de systèmes stochastiques

pour l’analyse modale (espace d’état) [Peeters et al, 1999, Peeters et Roeck,
1999]. De plus il existe une littérature complète sur l’utilisation d’algorithmes
de traitement du signal innovants en génie civil/mécanique. On peut mettre en
avant, [Owen et al., 2001, Hammond et Waters, 2001] pour leurs recherches sur
l’application des modèles AR pour l’analyse des structures , Kijewski et al pour
l’utilisation des ondelettes en identification de système [Kijewski et Kareem,
2003] et Newland pour ses travaux sur les ondelettes et l’acoustique [Newland,
1994a, Newland, 1994b]. Enfin Allemang propose un classement des différentes
méthodes d’EMA [Allemang, 2002].

Fig. 51: Classement des différentes méthodes d’EMA [Allemang, 2002]

3 Techniques d’identification modale (système) 59

3.2 Liens entre l’identification et l’analyse modale

expérimentale
L’identification modale est en fait l’application des techniques d’identifica-
tion [Ljung et Ljung, 1987, Aarts, ] à l’analyse modale expérimentale. L’exploi-
tation des résultats de tests passe généralement par la détermination expérimen-
tale de propriétés modales. De nombreuses méthodes ont été proposées dans la
littérature par les mécaniciens (approche à base de modèles), ou l’identification
de système (approche modèle d’état), par les mathématiciens (Volterra, Wie-
ner ). Ce chapitre propose d’augmenter la complexité des données à étudier en
partant de signaux 1D (IRF ou FRF), à des signaux 2D (Déformées, lignes no-
dales) jusqu’à des signaux 2D plus le temps (estimation de mouvement appliqué
à la dynamique des structures). Mon souhait dans ce chapitre est de montrer
les bases de l’identification modale en insistant sur la pédagogie. L’identification
se fait toujours par minimisation de la distance (norme quadratique) entre la
prédiction d’un modèle (on parle de modèle paramétrique) et les données me-
surées. Pour le traitement d’un grand nombre de pôles et FRFs, on se ramène
exclusivement à des problèmes de moindres P carrés de la forme générale :
N 2
— réponse impulsionnelle h(k t) : J = k=1 khexp (k t) hid (k t)k
2
— fonction de transfert H(!) : J = kHexp (!) Hid (!)k
La norme quadratique fréquentielle est particulièrement importante car c’est
celle que l’on visualise en superposant les fonctions de transfert mesurées et
identifiées.
Prenons l’exemple simple de la régression linéaire : Soit t = (t1 t2 · · · tN ) le
temps et y = (y1 y2 · · · yN ) une fonction à approximer. Le but est de trouver
l’équation d’une droite qui minimise l’erreur quadratique. Supposons dans un
premier temps une droite D0 : y = p1 ⇥ t + p0. Chaque point doit dont vérifier,
dans la mesure du possible, yi = p1 ⇥ ti + p0.
soit, pour N points,
0 1 0 1
y1 t1 1 ✓ ◆
B y 2 C B t2 1 C p1
B C=B C⇥
@ ··· A @ ··· A p0
yN tN 1

ou y = T ⇥ p
2
On cherche ainsi à minimiser l’erreur quadratique du terme : ky T ⇥ pk
La matrice optimale p s’obtient grâce à la pseudo-inverse de T : p =
⇤ ⇤

T† ⇥ y
D’une manière plus générale on peut adopter une formulation matricielle :
3 Techniques d’identification modale (système) 60

0 1
y1
B y2 C
On pose le vecteur des mesures : YN B C
@ · · · A, et la matrice des régresseurs
yN
0 T 1
1
B T2 C
(N ⇥ d) : N B C
@ ··· A
T
N
On peut écrire la fonction coût (ou objectif) à minimiser en fonction du
vecteur paramètres ✓,
On estime les valeurs des paramètres du modèle ✓ˆN = †N YN
⇥ ⇤ 1 T
avec †N = TN N N pseudo-inverse .
Les moindres carrés permettent de trouver la solution d’un système surdé-
terminé (la matrice des régresseurs à plus de lignes que de colonnes (N > d).
On peut directement utiliser sur une seule FRF à 1 DDL l’approche pseudo-inverse.
En effet en négligeant le terme conjugué, en identifiant les pics, on peut écrire
la fonction de transfert pour chaque résonance !i :
Arpq
Hpq (!1 ) ⇡
(j!1 pr )
ou
Hpq (!1 )(j!1 pr ) = Arpq
et donc
Hpq (!1 )pr + Arpq = (j!1 )Hpq (!1 )
et en répétant pour chaque résonance on obtient un système surdéterminé
d’équations linéaires que l’on peut résoudre par pseudo-inverse :
0 1 0 1
Hpq (!1 ) 1 ✓ ◆ j!1 Hpq (!1 )
B Hpq (!2 ) 1 C pr B j!2 Hpq (!2 ) C
B C⇥ =B C
@ ··· A Arpq @ ··· A
Hpq (!n ) 1 j!n Hpq (!n )
Essayons maintenant d’identifier une fonction de transfert (amplitude) expé-
rimentale avec plusieurs résonance (MDOF) en ajustant une fraction de polynôme
en p.
Soit la fonction de transfert exprimée comme

bn 1 pn 1 + ... + b0 B(j!, ✓)
H(p) = n 1
=
an + an 1 p + ... + a0 A(j!, ✓)
Nous voulons estimer le vecteur ✓ = [a0 a1 ..an b0 b1 ...bn 1] en minimisant
la fonction coût suivante :
N ✓ ◆2
1 X1 B(j!k , ✓)
J= Hexp (j!k )
N 2 A(j!k , ✓)
k=1
3 Techniques d’identification modale (système) 61

J étant quadratique un algorithme à base de gradient peut permettre de mi-

nimiser J. Il vient @J
@✓ ! ✓optimal Un des problèmes étant de trouver l’ordre n (a
priori nombre de résonance visible) et de bien ajuster les zéros (antirésonances).
En Matlab on peut identifier une fonction de transfert sous forme d’une fraction
rationnelle complexe en utilisant invfreqs.

clear all; close all;

load H.mat; %chargement de la matrice data contenant f et H(jw) en colonnes
f=data(:,1);H=data(:,2);
% % RATIONAL FRACTION METHOD
% % simple loop used to display multiple. n of interest is found
% % to be 5 in this freq. range (0 500Hz). (5 modes)
n=5;
figure;semilogy(f,abs(H));%affichage log en ordonnée
xlabel('Frequency (Hz)');ylabel('Inertance Amplitude');
[num den] = invfreqs(H,f*(2*pi),2*n,2*n);% estime H(jw)! fonction rationnelle
[residuals poles direct_term] = residue(num,den); %decomposition elements simples
% comme une somme de resonateur 1ddl (pole complexe conjugué)
poles=poles([3:4 7:10]);% choix des poles pour les 3 resonances les plus importantes
n=n 2;
NF = abs(poles(1:2:2*(n)))./(2*pi)% Natural frequencies
NFD = imag(poles(1:2:2*(n)))./(2*pi);% damped natural frequencies
zeta = real(poles(1:2:2*(n)))./(2*pi)./NF% damping ratio

Fig. 52: Identification MDOF par RFP sur une exemple SISO (en rouge) et points
expérimentaux (en bleu), 5 pôles complexes conjuguées sont sélectionnés
en entrée. Si on ne connait pas n, l’ordre du modèle, on peut choisir celle
qui minimise l’erreur de reconstruction ou l’estimer par une approche
SVD
3 Techniques d’identification modale (système) 62

Des outils industriels d’analyse modale semi-automatiques existent comme le

diagramme de stabilité disponibles sur les systèmes LMS, BK. A partir d’un
ordre du modèle où l’estimation de tous les paramètres modaux (fréquences
propres, taux d’amortissement, formes propres) sont stables (variation max de
1%, 5% et 2% respectivement), on peut extraire globalement les paramètres mo-
daux. Pour déterminer l’ordre du modèle (sur un lot de FRFs) on peut utiliser
la décomposition en valeurs singulières de la matrice des fonctions de transfert
(avec les lignes correspondant aux fréquences et colonnes aux paires entrée/sor-
tie) qui doit donner au plus N valeurs singulières significatives.

Fig. 53: Polymax (polyreference LSCE) : sur l’ensemble des FRFs (une par
point de mesure en SIMO), on peut calculer la somme des FRF (en
rouge), un critère avancé CMIF (en vert) désignant les résonances. On
sélectionne chaque mode désiré (et prédit par les indicateurs SUM et
CMIF) à partir d’un ordre du modèle où tout les paramètres modaux
sont stables

Une importante validation est la reconstruction (ou synthèse) modale, per-

mettant de comparer N couples de FRFs (N FRFs mesurées) : La première est
la FRF expérimentale Hpq , la seconde est la reconstruction (sur la même bande
passante) à partir des paramètres modaux identifiés He pq . On peut ainsi calculer
classiquement l’erreur RMSE ou la corrélation COR :

P!2 e pq
⇤
Hpq (j!)H
!=!1 (j!)
CORpq = P P
!2 ⇤ !2 e e⇤
!=!1 Hpq (j!)Hpq (j!)pq !=!1 Hpq (j!)Hpq (j!)

Enfin, le MMIF (Multivariate Mode Indicator Function) est utilisée [Williams

et al., 1985] pour détecter le nombre de pôles d’une structure faiblement amor-
3 Techniques d’identification modale (système) 63

tie. On suppose que les données représentent des fonctions de transfert entre
force et déplacement, vitesse ou accélération. A la résonance, la réponse d’un
mode isolé est purement imaginaire (voir l’oscillateur à 1 DDL). Le MMIF détecte
les résonances en regardant le rapport d’amplitude entre réponse imaginaire et
réponse totale (pour une mesure en vitesse). Le CMIF (Complex Mode Indica-
tor Function) est un critère alternatif au MMIF qui utilise une décomposition
en valeur singulière de H(s) à chaque fréquence, où les résonances apparaissent
clairement comme des maxima de la plus grande valeur singulière.
3 Techniques d’identification modale (système) 64

Une tentative d’unification des méthodes a été présentée par Allemang [Alle-
mang et Brown, 1998, Allemang et Phillips, 2004], et se révèle être très inté-
ressante tant d’un point de vue recherche que pédagogique. Le lecteur pourra
trouver une intéressante bibliographie des outils avancées de traitement du si-
gnal (Modèle AR, ARX, séries de Volterra ...) pour l’analyse modale [Shin et
Hammond, 2008, Hammond et Waters, 2001].
La méthode UMPA: Unified Matrix Polynomial Algorithm introduit un
concept original : le concept d’espace caractéristique assimilable à R3 dont le
référentiel est formé par deux axes correspondant à l’information spatiale (en
termes de degrés de liberté de l’entrée et de la sortie reprenant en compte les
informations précédentes une ou plusieurs entrées, une ou plusieurs sorties) et
par un troisième axe à l’information temporelle ou fréquentielle du domaine des
mesures. Ils montrent que les approches fréquentielles et temporelles génèrent
la même forme de matrice (d’ordre polynomiale). Cela ne signifie pas que les
matrices [↵] et [ ] sont égales dans les deux cas (elles sont connexes), ainsi les
deux modèles ne conduisent pas exactement aux mêmes paramètres modaux.
Tous les algorithmes qui peuvent être représentés par le concept UMPA im-
pliquent plusieurs étapes :
○1
— Mettre les données mesurées sous forme d’ un système d’équations li-
néaires (surdéterminé).
— Estimer ([↵] et [ ] par une méthode des moindres carrés).
○2
— Utiliser les scalaires (SISO) ou matrices (MISO,MIMO, SIMO) précédentes
pour calculer la matrice des coefficients polynomiaux.
— Résoudre ce système (les racines sont les fréquences de résonance).
○3
— A partir de l’écriture en fraction rationnelle, on forme pour toutes les
fréquences de résonance un nouveau système surdéterminé .
— Estimer les taux d’amortissement et les résidus (déformées modales) par
une méthode des moindres carrés.
De la forme rationnelle de la FRF (SISO) on peut écrire :
Pn k
bn pn + bn 1 pn 1 + ... + b0 k=0 bk p
Hpq (p) = m m 1
= P m k
am p + am 1 p + ... + a0 k=0 ak p

or Pn k
P k=0 bk j!
H(pq j!) = m k
k=0 ak j!

En utilisant Hpq (j!) = Xp (j!)/Fq (j!) et en réarrangeant les termes [↵] et [ ],

il vient :
m
X n
X
ak j! k Xp (j!) = bk j! k Fq (j!)
k=0 k=0

Les inconnues dans les équations ci-dessus sont les scalaires ↵ et :

3 Techniques d’identification modale (système) 65

2 3
j! 0 Xp (!0 )
6 j! 1 Xp (!1 ) 7
6 7
6 ··· 7
6 7
6 j! n Xp (!n ) 7
[↵0 ↵1 . . . ↵n 0 1 . . . m] ⇥ 6
6
7=0
7
6 j! 0 Fp (!0 ) 7
6 j! 1 Fp (!1 ) 7
6 7
4 ··· 5
j! m Fp (!m )
Les équations ci dessus impliquent (m + 1) + (n + 1) inconnues. En décidant
qu’un des coefficients est égale à 1, on trouve m + n + 1 inconnues.
3 Techniques d’identification modale (système) 66

Les inconnues peuvent être estimées en utilisant m + n + 1 équations ET en

faisant l’acquisition des entrées et des sorties à m + n + 1 fréquences. Généra-
lement, on peut acquérir les signaux à une fréquences d’échantillonnages plus
importantes (plus de fréquences) et donc on peut trouver une solution de type
moindre carré (Figure 54).

Fig. 54: Résolution du système surdéterminé par addition de nouvelles mesures

(plusieurs fréquences au lieu d’une seule)

On peut aussi écrire le problème SISO d’un point de vue temporel, en uti-
lisant les modèles ARMA (modèles auto-régressifs à moyenne mobile, ou aussi
modèle de Box-Jenkins en statistiques) :
m
X n
X
ak x(ti+k ) = bk f (ti+k )
k=0 k=0

En utilisant la compaction matricielle, il vient :

2 3
x(ti+0 )
6 x(ti+1 ) 7
6 7
6 ··· 7
6 7
6 x(ti+m ) 7
6
[↵0 ↵1 . . . ↵n 0 1 . . . m ] ⇥ 6 7=0
7
6 f (ti+0 ) 7
6 f (ti+1 ) 7
6 7
4 ··· 5
f (ti+n )
On peut noter que les solutions de ce problème sont réelles et que l’équation
linéaire peut être résolue pour (m + 1) + (n + 1) inconnues en échantillonnant les
signaux d’entrée et de sortie plus finement. Enfin, on peut bien entendu étendre
les algorithmes précédents à des entrées/sorties multiples. The expansion of
the previous model to handle multiple input - multiple output data yields the
following :
m
X n
X
⇥ ⇤ ⇥ ⇤
ak j! k {X(j!)} = bk j! k {F (j!)}
k=0 k=0
3 Techniques d’identification modale (système) 67

The unknowns in the above linear equation are the matrix alpha and beta
coeficients. Note that the size of the coefficient matrix [↵k ] will normally be
N o ⇥ N o and the coefficient matrix [ k ] will normally be N o ⇥ N i when the
equations are developed from experimental data.
The previous equation can be rearranged into the following matrix form by
moving all of the terms to the left :
2 3
j! 0 {X(!0 )}
6 j! 1 {X(!1 )} 7
6 7
6 ··· 7
6 7
6 j! n {X(!n )} 7
6
[[↵0 ] [↵1 ] . . . [↵n ] [ 0 ] [ 1 ] . . . [ m ]] ⇥ 6 7=0
0 7
6 j! 1 {F (!0 )} 7
6 j! {F (!1 )} 7
6 7
4 ··· 5
j! m {F (!m )}
The above linear equation represents N o linear equations involving matrix
unknowns. Since any unknown alpha matrix can be assumed to be the identity
matrix [I], the number of unknowns can be reduced by one . The choice of
which unknown alpha matrix that is set to identity is a numerical issue. These
unknowns can be solved by forming sufficient equations by acquiring input and
output data at a number of frequencies.
The previous multiple input - multiple output model can be reformulated to
utilize frequency response function (FRF) data as follows. First, post multiply
H
both sides of the equation by {F } :
m
X n
X
⇥ ⇤ H ⇥ ⇤ H
[ak ](j!)k {X(j!)} {F } = [bk ](j!)k {F (j!)} {F }
k=0 k=0
H
Now recognize that the product of {X(j!)} {F } is the output- input cross
H
spectra matrix ([Gxf (!)]) for one ensemble and {F (j!)} {F } is the input-
input cross spectra matrix ([Gf f (!)]) for one ensemble . With a number of
ensembles (averages), these matrices are the common matrices used to estimate
the FRFs in a MIMO case. This yields the following cross spectra model :
m
X n
X
⇥ ⇤ ⇥ ⇤
[ak ](j!)k [Gxf (!)] = [bk ](j!)k [Gf f (!)]
k=0 k=0

The previous cross spectra model can be reformulated to utilize frequency

response function (FRF) data by post multiplying both sides of the equation by
[Gf f (!) 1 ] :

m
X n
X
⇥ ⇤ ⇥ ⇤
[ak ](j!)k [Gxf (!)][Gf f (!) 1
]= [bk ](j!)k [Gf f (!)][Gf f (!) 1
]
k=0 k=0

Therefore , the multiple input - multiple output FRF model is :

3 Techniques d’identification modale (système) 68

m
X n
X
⇥ k
⇤ ⇥ ⇤
[ak ](j!) [H(!)] = [bk ](j!)k [I]
k=0 k=0

The unknowns in the above linear equation are the matrix alpha and beta
coeficients. Note that the size of the coefficient matrix [↵k ] will normally be
N o ⇥ N o and the coefficient matrix [ k ] will normally be N o ⇥ N i when the
equations are developed from experimental data. Since the FRF matrix is nor-
mally considered to be reciprocal (Hpq = Hqp ), the previous formulation can
be developed from the transposed FRF matrix. This means that the the size of
the coefficient matrix [↵k ] will be N i ⇥ N i and the coefficient matrix [ k ] will
normally be N i ⇥ N o for this case.
The previous equation can be rearranged into the following matrix form by
moving all of the terms to the left :
2 3
j! 0 {H(!0 )}
6 j! 1 {H(!1 )} 7
6 7
6 ··· 7
6 7
6 j! n {H(!n )} 7
6
[[↵0 ] [↵1 ] . . . [↵n ] [ 0 ] [ 1 ] . . . [ m ]] ⇥ 6 7=0
j! 0 {I} 7
6 7
6 j! 1
{I} 7
6 7
4 ··· 5
j! m {I}

The above linear equation represents No linear equations involving matrix

unknowns. Since any unknown alpha matrix can be assumed to be the identity
matrix [I], the number of unknowns can be reduced by one . The choice of
which unknown alpha matrix that is set to identity is a numerical issue. These
unknowns can be solved by forming sufficient equations by acquiring input and
output data at a number of frequencies.
3 Techniques d’identification modale (système) 69

*Annexe : Transfer Function sensitivity

Mechanical Background
In this section, the theoretical background for the numerical approach used
in this work is briefly presented. Basic equations for modal analysis and the
calculation of frequency response functions for a discretized system are given.
Also, the optimization problems statement for the presented damage localization
method is developed.
Eq. 50 shows the set of equations of motion in matrix notation for a random
discretized structure. Hereby, the system is considered to be discretized by Fi-
nite Elements and M, C and K are the system’s mass, damping and stiffness
matrices, respectively. The vector (f ) is a time-dependent load vector.

Mü + Cu̇ + Ku = f (t) (50)

The analyses consist of the two principal steps, which are displayed in fig. ??.
A modal analysis is performed to determine the principal dynamic characteris-
tics of the system, like natural frequencies and mode shapes. From these modal
parameters the response of the structure to excitation can be calculated. This
is similar to solving the homogeneous and particular solution for the system of
differential equations.

Modal Analysis
For calculating the natural frequencies, the system is considered to vibrate
harmonically, damping and external forces are neglected. By replacing the dis-
placement vector and its derivative by a sinusoidal solution function, the general
eigenvalue problem can be formulated (eq. 51).

K ! 2 M u0 = 0 (51)
Assuming the existence of the vector u0 , meaningly a non-trivial solution of
this set of equations, the system’s determinant has to vanish. This leads to the
characteristical equation displayed in eq. 52.

det (K M) = 0 (52)
The solutions of this equation are the n eigenvalues for a system of n degrees
of freedom, where each eigenvalue i corresponds to a natural angular frequency
!i as stated in eq. 53.

i = !i2 with i = 1, 2, ..., n (53)

The amplitude vector corresponding to an eigenvalue is the eigenvector or
mode shape vector i . The combinations of natural frequencies and mode shape
vectors describe preferred states of vibration of the structure [?]. For the nu-
merical estimation of the eigenvalues, several algorithms are available, e.g. the
Lanczos method [?], which is also available in MSC.Nastran.
3 Techniques d’identification modale (système) 70

Modal Frequency Response Analysis (Harmonic Analysis)

The cornerstone of modal frequency response analyses is the diagonalization
of the system’s matrices by a modal transformation. In a seperation approach the
primary variables are replaced by a linear combination of the so-called modal
coordinates and the mode shape vectors, as shown in eq. 54, where is the
modal matrix and q is the vector of modal coordinates.

u(t) = 1 q1 (t) + 2 q2 (t) + ... + n qn (t) = q(t) (54)

Due to the orthogonality properties of the mode shape vectors, inserting
the approach into eq. 50 and premultiplying the equation by T leads to eq.
55, which are the decoupled equations of motion for the analyzed system. For
diagonalizing the damping matrix by the mode shapes vectors from the modal
analysis, a proportional damping approach [?] has to be assumed.
T T T T
M q̈(t) + C q̇(t) + K q(t) = f (t) (55)
The system now consists of n equations of motion for single degree of freedom
oscillators in form of eq. 56, where mi is the modal mass, ci a modal damping
coefficient, ki the modal stiffness and pi a modal force.
T
mi q̈i (t) + ci q˙i (t) + ki qi (t) = pi (t) with pi (t) = i f (56)
The equation can be normalized by the modal mass, so that the coefficients
are expressed in terms of natural angular frequencies !i and modal damping
ratios ⇣i , as they are defined in eq. 57. This leads to eq. 58.
1 ci
!i2 = ki /mi and ⇣i = p (57)
2 k i mi
pi (t)
q̈i (t) + 2⇣i !i q̇i (t) + !i2 qi (t) = (58)
mi
Eq. 58 is an ordinary differential equation of second order that has the so-
lution stated in eq. 59 which can be derived by a complex approach where ⌦ is
the excitation frequency. Here, the variable q has already been transformed in
the frequency domain which is noted by the circumflex.
1 p̂i
q̂i (⌦) = · (59)
!i2 ⌦2 + 2j⇣i !i ⌦ mi
From here the matrix of frequency response functions (FRFs) can easily be
derived, since the frequency response functions are defined as the displacement
response functions multiplied by the inverse of the excitation force vector (eq.
60).

n
X n
X T
1
H(⌦) = û(⌦)f̂ 1
(⌦) = i q̂i (⌦)f̂
1
(⌦) = i · i
i=1 i=1
!i2 ⌦2 + 2j⇣i !i ⌦ mi
(60)
3 Techniques d’identification modale (système) 71

For a certain degree of freedom k, the frequency response function due to an

excitation force at the l-th degree of freedom can than be calculated by eq. 61.
n
X ik il
Hkl (⌦) = (61)
i=1
mi (!i2 ⌦2 + 2j⇣i !i ⌦)
If the natural frequencies and damping ratios are known, this equation can
be evaluated for discrete excitation frequencies.

Sensitivity Analysis
Since mathematical programming methods usually involve the calculation
of gradients of the objectives for the sensitivity analysis, the derivatives of the
constraints with respect to the design variables are presented in this section.
Eq. 62 gives the gradients of the resonance frequencies that can be derived from
eq. 51 in the frequency domain form as shown in reference [?], where ie and
je are the components of the eigenvectors with respect to the nodal degrees
of freedom of the element e.
✓ ◆
@!i2 T @Ee 2 @Me
= ie !i je (62)
@ e @ e @ e
The partial derivatives of the frequency response functions have been derived
in [?]. Based on eq. 60, the frequency response function can be written as eq.
63.
1
H(⌦) = q̂(⌦)f̂ (⌦) (63)
Then, the gradients of the frequency response functions with respect to the
element density fraction e are calculated as in eq. 64.

@H(⌦) 1
= Sq̂(⌦)f̂ (⌦) (64)
@ e
Here, S is the sensitivity matrix as defined in eq. 65, where !i is the ith
natural frequency and ⇣i the corresponding damping ratio. As before, ⌦ is the
exciting frequency.
✓ ◆
1 T @Ee 2 @Me
Sij = 2 ⌦ je (65)
!i ⌦2 + i2⇣i !i ⌦ ie @ e @ e
In both cases the gradients of the stiffness and mass matrices can be calcu-
lated as in eq. 66. These calculations are principally performed in an enhanced
form in Nastran.
Z Z
@Ke T @Ee @Me @⇢e
= (DN) DNdV = NT NdV (66)
@ e Ve @ e @ e Ve @ e

AnnexeLN
3 Techniques d’identification modale (système) 72

Références [Basseville M., 2004] Basseville M., Me-

vel L., G. M. (2004). Statistical model-
[Aarts, ] Aarts, R. System Identification based damage detection and localization,
and Parameter Estimation. subspace-based residuals and damage-to-
[Adams et al, 1978] Adams, R. et al (1978). noise sensitivity ratios. Journal of Sound
A vibration technique for non-destructively and Vibration, 275(3-5):769–794.
assessing the integrity of structures. Jour- [Benaroya, 2004] Benaroya, H. (2004). Me-
nal of Mechanical Engineering Science, 20: chanical vibration : analysis, uncertainties,
93–100. and control, volume 1. CRC.
[Allemang, 2002] Allemang, R. (2002). Mo- [Blanchet et Prado, 1990] Blanchet, G. et
dal Parameter Estimation Overview/Re- Prado, J. (1990). Méthodes numériques
view. Course notes University of Cincin- pour le traitement du signal : exemples et
nati. programmes. Masson.
[Allemang et Brown, 1993] Allemang, R. et [Bonnet, 2009] Bonnet, M. (2009). Identifi-
Brown, D. (1993). Experimental modal cation et Inversion : cours. Course notes
analysis. VCH Publishers, Inc., Handbook Ecole Centrale Paris.
on Experimental Mechanics. Second Revi- [Brown et al., 1979] Brown, D., Allemang,
sed Edition(USA), 1993,, pages 635–750. R., Zimmerman, R. et Mergeay, M.
[Allemang et Phillips, 2004] Allemang, R. (1979). Parameter estimation techniques
et Phillips, A. (2004). The unified matrix for modal analysis. SAE paper, 790221:19–
polynomial approach to understanding mo- 20.
dal parameter estimation : an update. In [Buffe et al., 2011] Buffe, F., Roy, N. et
Proceedings, International Conference on Cogan, S. (2011). Modal identification
Noise and Vibration Engineering (ISMA). and model updating of pleiades. Advanced
Aerospace Applications, Volume 1, pages
[Allemang et Brown, 1998] Allemang, R. J.
131–143.
et Brown, D. L. (1998). A unified ma-
trix polynomial approach to modal identi- [Bui et Bui, 1994] Bui, H. et Bui, H. (1994).
fication. Journal of Sound and Vibration, Inverse problems in the mechanics of ma-
211(3):301 – 322. terials : an introduction. CRC press Boca
Raton.
[Angelini, 1978] Angelini, J., F. R. P. J.
(1978). Research method of the eigenmodes [Chung-Bang Yun et Bahng, 2001] Chung-
and generalized elements of a linear mecha- Bang Yun, J.-H. Y. et Bahng, E. Y.
nical structure. The Shock and vibration (2001). Joint damage assessment of framed
bulletin, 48(3-4):5. structures using a neural networks tech-
nique, engineering structures. Engineering
[Argoul, 2004] Argoul, P. (2004). Quelques Structures, 23(5):425–435.
réflexions sur l’identification de paramètres
[Clerc, 1961] Clerc, D. (1961). Une me-
en dynamique des matériaux et des struc-
thode d’appropriation des forces d’excita-
tures.
tion aux modes propres non amortis d’une
[Ashory, 1999] Ashory, M. (1999). High structure’. La Recherche Aeronautigue.
quality modal testing methods. University [Da Silva et al., 2008] Da Silva, S., Cogan,
of London. S., Foltête, E., Buffe, F. et al. (2008).
[Avitabile, 2007] Avitabile, P. (2007). Tea- Metrics for non-linear model updating in
ching Experimental Structural Dynamics mechanical systems.
Applications. Sound and Vibration, 41(11): [de Coulon, 1984] de Coulon, F. (1984).
14. Théorie et traitement des signaux, vo-
[Balmes, 2009] Balmes, E. (2009). Methods lume 1.
for vibration design and validation Mé- [Doebling et al, 1997] Doebling, S. et al
thodes de conception et de validation en (1997). A computer toolbox for damage
vibration. identification based on changes in vibration
[Basseville M., 1993] Basseville M., Ben- characteristics. Proceedings of the Interna-
veniste A., G. B. G. M. B. D. D. P. P. M. tional Workshop on Structural Health Mo-
O. M. (1993). Damage monitoring in vibra- nitoring, Stanford.
tion mechanics, issues in diagnostics and [Duvaut, 1991] Duvaut, P. (1991). Traite-
predictive maintenance. Mechanical Sys- ment du signal : concepts et applications.
tems and Signal Processing, 7(5):401–423. Hermes.
3 Techniques d’identification modale (système) 73

[Ewins, 1984] Ewins, D. (1984). Modal tes- [Maia et al., 1997] Maia, N., e Silva, J. et
ting : theory and practice. Research Studies (Portugal), I. S. T. (1997). Theoretical
Press Ltd., Taunton, Somerset, England. and experimental modal analysis. Research
[Foltete, 1998] Foltete, E. (1998). Identifi- Studies Press Hertfordshire, UK.
cation modale de structures lineaires et fai- [Maia et Silva, 2001] Maia, N. et Silva, J.
blement non-lineaires. These de doctorat, (2001). Modal analysis identification tech-
UFR des sciences et techniques de l’uni- niques. Philosophical Transactions of
versite de Franche Comte. the Royal Society of London. Series A :
[Foltete, 2011] Foltete, E. (2011). Analyse Mathematical, Physical and Engineering
modale : cours. Course notes EUROSAE. Sciences, 359(1778):29.
[Friswell et Mottershead, 1995] Friswell, [Mallat, 2000] Mallat, S. (2000). Une ex-
M. et Mottershead, J. (1995). Finite ploration des signaux en ondelettes.
element model updating in structural [Max et Berthier, 1981] Max, J. et Ber-
dynamics, volume 38. Springer. thier, D. (1981). Méthodes et techniques
[Fritzen et al., 1998] Fritzen, C., Jenne- de traitement du signal et applications aux
wein, D. et Kiefer, T. (1998). Damage de- mesures physiques. Masson Paris etc.
tection based on model updating methods. [McGuire, 1995] McGuire, J. (1995). Notes
Mechanical Systems and Signal Processing, on semi-rigid connections. FEMCI Book,
12:163–186. NASA.
[Gu et al., 2005] Gu, D., Petkov, P. et [Mevel L., 2003a] Mevel L., Goursat M.,
Konstantinov, M. (2005). Robust control B. M. (2003a). Stochastic subspace-based
design with MATLAB. Springer Verlag. structural identification and damage detec-
[Hammond et Waters, 2001] Hammond, J. tion - application to the steel-quake bench-
et Waters, T. (2001). Signal processing mark. Mechanical Systems and Signal Pro-
for experimental modal analysis. Philoso- cessing, 17(1):91–101.
phical Transactions of the Royal Society of [Mevel L., 2003b] Mevel L., Goursat M.,
London. Series A : Mathematical, Physical B. M. (2003b). Stochastic subspace-based
and Engineering Sciences, 359(1778):41. structural identification and damage detec-
[Hladik et Morand, 1969] Hladik, J. et Mo- tion and localization - application to the
rand, M. (1969). La transformation de La- z24 bridge benchmark. Mechanical Sys-
place à plusieurs variables. Masson et Cie tems and Signal Processing, 17(1):143–151.
Éd. [Mitchell, 1994] Mitchell, L. (1994). Mo-
[Jung et Ewins, 1992] Jung, H. et Ewins, D. dal Test Methods-Quality, Quantity, and
(1992). On the Use of Simulated" Expe- Unobtainable. Sound and Vibration,
rimental" Data for Evaluation of Modal 28(11):10–17.
Analysis Methods. In Proceedings of the [Morlier, 2004] Morlier, J. (2004). Struc-
International Modal Analysis Conference, tural health monitoring of structure using
pages 421–421. advanced vibration analysis. In Procee-
[Kijewski et Kareem, 2003] Kijewski, T. et dings of the 5th International Conference
Kareem, A. (2003). Wavelet transforms on Acoustical and Vibratory Surveillance
for system identification in civil enginee- Methods and Diagnostic Techniques, Sur-
ring. Computer Aided Civil and Infrastruc- veillance 5.
ture Engineering, 18(5):339–355. [Mottershead et Friswell, 1993]
[Lardies et Gouttebroze, 2002] Lardies, J. Mottershead, J. et Friswell, M.
et Gouttebroze, S. (2002). Identification (1993). Model updating in structural
of modal parameters using the wavelet dynamics : a survey. Journal of sound and
transform. International Journal of vibration, 167(2):347–375.
Mechanical Sciences, 44(11):2263–2283. [Nayfeh et Mook, 1979] Nayfeh, A. et
[Ljung, 1985] Ljung, L. (1985). System iden- Mook, D. (1979). Nonlinear oscillations,
tification. Uncertainty and Control, pages volume 31. Wiley Online Library.
48–83. [Newland, 1993] Newland, D. (1993). An
[Ljung et Ljung, 1987] Ljung, L. et Ljung, introduction to random vibrations, spec-
E. (1987). System identification : theory tral and wavelet analysis.
for the user. Prentice-Hall Englewood [Newland, 1994a] Newland, D. (1994a).
Cliffs, NJ. Wavelet analysis of vibration, part i :
3 Techniques d’identification modale (système) 74

Theory. ASME Journal of Vibration and (1985). Parameter estimation from fre-
Acoustics, 116:409–416. quency response measurements using
[Newland, 1994b] Newland, D. (1994b). rational fraction polynomials. Structural
Wavelet analysis of vibration, part ii : Wa- Measurement Systems Technical Note,
velet maps. ASME Journal of Vibration 85(3).
and Acoustics, 116:417–425. [Semmlow, 2004] Semmlow, J. (2004). Bio-
[Nichols et Todd, 2009] Nichols, J. et signal and biomedical image processing.
Todd, M. (2009). Nonlinear features Marcel Dekker.
for shm applications. Encyclopedia of [Shannon, 1948] Shannon, C. (1948). A ma-
Structural Health Monitoring. thematical theory of communication. Bell
[Olgac et Jalili, 1998] Olgac, N. et Jalili, System Technical Journal, 27(10):623–656.
N. (1998). Modal analysis of flexible beams [Shin et Hammond, 2008] Shin, K. et Ham-
with delayed resonator vibration absorber : mond, J. (2008). Fundamentals of signal
Theory and experiments. Journal of Sound processing for sound and vibration engi-
and Vibration, 218(2):307–331. neers. Wiley.
[Overbey et Todd, 2009] Overbey, L. et [Staszewski, 1997] Staszewski, W. (1997).
Todd, M. (2009). Effects of noise on Identification of damping in MDOF sys-
transfer entropy estimation for damage tems using time-scale decomposition. Jour-
detection. Mechanical Systems and Signal nal of Sound and Vibration, 203(2):283–
Processing, 23(7):2178–2191. 305.
[Owen et al., 2001] Owen, J., Eccles, B., [Tarazaga, 2004] Tarazaga, P. (2004).
Choo, B. et Woodings, M. (2001). The Model updating using a quadra-
application of auto-regressive time series ting form. Master thesis, Vir-
modelling for the time-frequency analysis ginia Polytechnic Institute, scho-
of civil engineering structures. Engineering lar.lib.vt.edu/theses/available/ etd-
Structures, 23(5):521–536. 07262004-193730/unrestricted/ETD.pdf.
[Peeters et al, 1999] Peeters, B. et al [Vakakis, 2010] Vakakis, A. (2010). Advan-
(1999). Output-only modal analysis : de- ced Nonlinear Strategies for Vibration Mi-
velopment of a gui for matlab. Proceedings tigation and System Identification, volume
of IMAC 17, the International Modal 518. Springer Verlag.
Analysis Conference, Kissimmee, pages [Van Den Abeele et De Visscher, 2000] Van
1049–1055. Den Abeele, K. et De Visscher, J.
[Peeters et Roeck, 1999] Peeters, B. et (2000). Damage assessment in reinforced
Roeck, G. D. (1999). Reference based concrete using spectral and temporal
stochastic subspace identification in civil nonlinear vibration techniques. Cement
engineering. Proceedings of the 2nd In- and concrete research, 30(9):1453–1464.
ternational Conference on Identification [Vayssade, 2004] Vayssade, C. (2004). Opti-
in Engineering Systems, Swansea, pages misation en mécanique : cours UTC.
639–648.
[Williams et al., 1985] Williams, R.,
[Peyre, 2009] Peyre, G. (2009). Advance si- Crowley, J. et Vold, H. (1985). The
gnal and image processing. ceremade. multivariate mode indicator function in
[Peyre, 2010] Peyre, G. (2010). The Nume- modal analysis. In Proceedings of the 3rd
rical Tours of Signal Processing. International Modal Analysis Conference,
[Piranda, 2001] Piranda, J. (2001). Analyse pages 66–70.
modale expérimentale. Techniques de l’in- [Worden et al., 2008] Worden, K., Farrar,
génieur. Bruit et vibrations, (R6180). C., Haywood, J. et Todd, M. (2008). A
[Preumont, 1990] Preumont, A. (1990). Vi- review of nonlinear dynamics applications
brations aléatoires et analyse spectrale. to structural health monitoring. Structural
PPUR presses polytechniques. Control and Health Monitoring, 15(4):540–
567.
[Puel, 2007] Puel, G. (2007). La prise en
compte des incertitudes dans la validation
des modeles : cours.
[Richardson et Formenti, 1985]
Richardson, M. et Formenti, D.