Article PDF - Guelma
Article PDF - Guelma
Article PDF - Guelma
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Application de la Transformée en Ondelettes Discrète dans la<br />
Détection des Défauts de Roulements<br />
A. Djebala 1 , N. Ouelaa 1 , N. Hamzaoui 2 et S. Guenfoud 1<br />
1<br />
Laboratoire de Mécanique & Structures, UNIVERSITE DE GUELMA, B.P. 401 GUELMA<br />
24000, ALGERIE<br />
DJEBALA_ABDERRAZEK@YAHOO.FR<br />
2<br />
Laboratoire Vibrations-Acoustique, INSA de Lyon, Bâtiment A. de St. Exupéry, 25 bis<br />
Avenue Jean Capelle, 69621 Villeurbanne cedex, France<br />
RESUME. Le souci majeur en maintenance prédictive est de pouvoir détecter une<br />
avarie sur une machine avant que sa gravité n’atteigne un seuil intolérable, le plus<br />
souvent provoquant son arrêt, voire celui du système de production tout entier : le pire<br />
cauchemar de tout maintenicien. La détection précoce des défauts de roulements est<br />
devenue l’une des priorités d’où la nécessité d’appliquer, voire d’adapter, de nouvelles<br />
méthodes fiables pouvant répondre à cette exigence. Dans cet article nous proposons<br />
l’analyse en ondelettes discrète en tant qu’outil efficace permettant une détection aussi<br />
claire en temporel qu’en fréquentiel. La méthode a été adaptée à cette fin à partir d’une<br />
simulation numérique sur un modèle mathématique. La validation expérimentale,<br />
réalisée bien évidemment sur des roulements défectueux, montre l’aptitude de cette<br />
méthode à détecter les défauts dans différentes configurations. Le traitement d’un<br />
nombre assez important de signaux mesurés sur un banc d’essais de laboratoire et sur<br />
des machines tournantes de production confirme parfaitement son efficacité.<br />
MOTS-CLES. Maintenance prédictive, Diagnostic des défauts, Analyse en ondelettes<br />
discrète<br />
INTRODUCTION<br />
Récemment, l’analyse vibratoire est devenue l’outil le plus fiable de la maintenance<br />
conditionnelle des machines tournantes. Les techniques associées ont tellement évolué<br />
qu’on a passé d’une simple détection tardive au diagnostic, voire même à la prédiction.<br />
Les roulements sont des éléments clés de toute machines tournantes, ils sont souvent<br />
sujets à des dégradations qui peuvent provoquer l’arrêt du processus de production.<br />
Dans certains cas ils peuvent causer des accidents de fonctionnement graves. La<br />
détection des différents défauts engendrés par les roulements est devenue un domaine de<br />
recherche passionnant et ceci depuis plusieurs années. Faisant intervenir les techniques<br />
d’analyse et de traitement des signaux, il ne cesse d’évoluer de jour en jour.<br />
Les méthodes de détection peuvent en général se subdiviser en deux grandes<br />
familles : celles temporelles et celles fréquentielles. Par méthodes temporelles, on<br />
entend généralement les indicateurs scalaires globaux, ou ceux spécifiques tels que le<br />
kurtosis et le facteur de crête dont l’application s’est montrée très efficace pour la<br />
détection des défauts induisant des chocs, notamment ceux des roulements [1,2]. Des<br />
méthodes de filtrage ont également été développées pour extraire la signature du défaut<br />
à partir du signal mesuré. Le filtrage adaptif [3], le débruitage par soustraction spectrale
[4] et le débruitage par ondelettes [5] constituent les techniques les plus fiables. Conçue<br />
sur la base des travaux de Mcfadden [6], la méthode d’enveloppe est peut être la<br />
technique la plus utilisée ces dernières années. Elle est basée sur l’association d’un<br />
filtrage passe-bande autour d’une résonance du système et d’une démodulation par la<br />
transformée de Hilbert. Le signal obtenu est souvent appelé enveloppe à partir de<br />
laquelle on peut calculer un spectre afin d’aboutir au spectre d’enveloppe.<br />
Il n y a pas si longtemps la transformée de Fourier était le pilier des méthodes<br />
fréquentielles. Inadaptée pour l’analyse des signaux transitoires, elle a vu ses domaines<br />
d’application se restreindre progressivement, en particulier ceux où l’information locale<br />
d’un signal est capitale. La naissance des méthodes temps-fréquence, notamment la<br />
transformée en ondelettes, a permis une analyse meilleure des signaux. Sa transformée<br />
discrète a été largement utilisée dans plusieurs domaines, y compris celui de la détection<br />
des défauts de roulements [7-9].<br />
MODELISATION DES DEFAUTS DE ROULEMENTS INDUISANT DES<br />
FORCES IMPULSIVES<br />
Le modèle en question a été utilisé antérieurement par plusieurs chercheurs notamment<br />
dans [1,2,4,9]. Le modèle S’(t) est constitué à partir d’un produit de convolution entre la<br />
réponse à une résonance (signal d’un choc) S(t) et d’un peigne de Dirac de période Td<br />
correspondant à la fréquence de répétition des chocs, ou en d’autre terme la fréquence<br />
caractéristique du défaut comme illustré par les équations (1) et (2) :<br />
−t<br />
τ Ae sin 2πF<br />
t<br />
S(t) L<br />
= (1)<br />
∑ ∞<br />
k = 0<br />
'<br />
S ( t)<br />
= S(<br />
t)<br />
* δ ( t − kT )<br />
(2)<br />
Avec A l’amplitude du signal, τ le temps de relaxation et FL la fréquence propre. La<br />
figure (1-a) représente le signal modélisant un défaut de roulement d’une fréquence<br />
caractéristique de 100 Hz, la fréquence propre est prise égale à 2900 Hz. La figure (1-b)<br />
représente son spectre où on peut constater l’existence d’une composante dominante<br />
correspondant à la fréquence de résonance simulée soit 2900 Hz. Des bandes latérales<br />
espacées de la fréquence du défaut, soit 100 Hz, sont également présentes autour de la<br />
fréquence propre, le phénomène de modulation est bien présent.<br />
Amplitude<br />
1<br />
(a)<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
0<br />
-0.2<br />
-0.4<br />
-0.6<br />
0 0.05 0.1 0.15<br />
Temps [s]<br />
Figure 1. (a) Signal simulant un défaut de roulement, (b) Son spectre<br />
d<br />
Magnétude de la FFT<br />
60<br />
(b)<br />
50<br />
40<br />
30<br />
20<br />
10<br />
0<br />
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000<br />
Fréquence [Hz]
En réalité le signal collecté par les accéléromètres n’est pas aussi clair que celui de la<br />
figure (1-a), bruit blanc et d’autres composantes de la machine viennent polluer le signal<br />
et rendent la détection difficile, voire impossible si le défaut est naissant. Le signal de la<br />
figure 2 représente le même signal d’impacts (fig. 1-a) à lequel sont ajoutés un niveau<br />
significatif de bruit blanc Gaussien et plusieurs composantes pour simuler les basses<br />
fréquences. On peut constater aisément que les impacts sont totalement masqués, le<br />
défauts simulé n’est par conséquent plus évident. Pour quantifier l’effet de masque,<br />
disons tout simplement que le kurtosis, étant l’indicateur le plus sensible aux chocs,<br />
décroît de 15,06 pour le signal original à 3,15 pour le signal bruité. Tout semble dans<br />
l’ordre si on se réfère à cette valeur, alors que le défaut est bel et bien existant mais<br />
masqué. Ce cas est le pire ennemi de tout maintenicien en pratique.<br />
Amplitude<br />
2<br />
1.5<br />
1<br />
0.5<br />
0<br />
-0.5<br />
-1<br />
-1.5<br />
0 0.05 0.1 0.15<br />
Temps [s]<br />
Figure 2. Signal bruité<br />
APPROCHE DE L’ANALYSE EN ONDELETTES DISCRETE<br />
Rappel Théorique<br />
Souvent appelée Analyse Multirésolution en ondelettes, cette méthode consiste à faire<br />
introduire le signal à analyser dans deux filtres passe-bas (L) et passe-haut (H). A ce<br />
niveau, deux vecteurs seront obtenus : cA1 et cD1. Les éléments du vecteur cA1 sont<br />
appelés coefficients d’approximation, ils correspondent aux plus basses fréquences du<br />
signal, tandis que les éléments du vecteur cD1 sont appelés coefficients de détail, ils<br />
correspondent aux plus hautes d’entre elles. La procédure peut être répétée avec les<br />
éléments du vecteur cA1 et successivement avec chaque nouveau vecteur cAk obtenu.<br />
Le processus de décomposition peut être répété n fois, avec n le nombre maximal de<br />
niveaux.<br />
Lors de la décomposition, le signal s(t) et les vecteurs cAk subissent un sous<br />
échantillonnage, c’est la raison pour laquelle les coefficients d’approximation cAk et de<br />
détail cDk passent à nouveaux à travers deux filtres de reconstruction (LR) et (HR).<br />
Deux vecteurs en résultent : Ak appelés approximations et Dk appelés détails,<br />
satisfaisant la relation :<br />
Ak −1<br />
s = A<br />
= A + D<br />
k<br />
+<br />
k<br />
∑<br />
i≤<br />
k<br />
D<br />
k<br />
i<br />
où i et k sont des entiers. (3)
Désignant par Fmax la fréquence maximale du signal mesuré, la bande de fréquence de<br />
chaque niveau i revient à 0<br />
Fmax<br />
⎤ pour les approximations et ⎡F<br />
max Fmax<br />
⎤ pour les<br />
⎡<br />
⎢ − i<br />
⎣ 2<br />
détails. La figure 3 représente un exemple de décomposition pour n=3.<br />
S<br />
[0-Fmax]<br />
H<br />
L<br />
⎥<br />
⎦<br />
cD1<br />
[Fmax/2-Fmax]<br />
cA1<br />
[0-Fmax/2]<br />
Niveau 1<br />
H<br />
L<br />
cD2<br />
[Fmax/4-Fmax/2]<br />
cA2<br />
[0-Fmax/4]<br />
Niveau 2<br />
Figure 3. Exemple de décomposition à trois niveaux<br />
⎢<br />
⎣<br />
2<br />
i<br />
− i −1<br />
Approche Proposée<br />
L’algorithme en cascade permet un filtrage successif du signal par deux filtres à la fois.<br />
Nous obtenons ainsi plusieurs autres signaux filtrés dans différentes bandes de<br />
fréquences. En effet, l’analyse en ondelettes est une projection de la fonction à analyser<br />
sur plusieurs bases, ce qui conduit finalement à plusieurs filtrages passe-bande offerts<br />
par les détails. Dans un travail antérieur une optimisation de cette méthode a été<br />
entamée pour la rendre adaptée à l’analyse des signaux de roulements défectueux [2,9].<br />
Plusieurs paramètres ont été minutieusement choisis, tels que le type d’ondelette<br />
utilisée, la fréquence d’échantillonnage du signal, la fréquence de chocs et le nombre<br />
maximal de niveaux de la décomposition.<br />
Problème posé<br />
Il est parfaitement connu qu’un filtrage n’est optimal que si la bande passante du filtre<br />
couvre la fréquence de résonance du système. Lors de la décomposition en ondelettes<br />
les bandes de fréquences des détails et des approximations sont automatiquement<br />
déduites à partir de la fréquence maximale du signal, un problème peut être envisagé;<br />
c’est le fait que la fréquence de résonance peut être coupée par ces bandes et dans ce cas<br />
le filtrage n’est pas réalisé autour d’elle. Par exemple si la résonance est égale à 5000<br />
Hz et si le signal est mesuré dans la bande [0-10000] Hz, la bande fréquentielle du<br />
premier détail sera exactement [5000-10000] Hz. Dans ce cas le filtrage est réalisé dans<br />
une bande qui ne couvre pas la fréquence de résonance du système et par ce fait ça ne va<br />
mener à aucun résultat, raison de plus que la résonance n’est pratiquement pas cernée<br />
par n’importe quel autre vecteur de la décomposition. Ce problème est peut être une<br />
limite sérieuse qu’on peut attribuer à l’AMRO.<br />
Afin d’éviter cette problématique, la solution que nous proposons est de choisir la<br />
fréquence maximale du signal de telle façon qu’au moins un ou plusieurs détails auront<br />
une bande passante autour de la fréquence de résonance, ceci est tout à fait possible<br />
mathématiquement.<br />
H<br />
L<br />
2<br />
⎥<br />
⎦<br />
cD3<br />
[Fmax/8-Fmax/4]<br />
cA3<br />
[0-Fmax/8]<br />
Niveau 3
Sachant que la bande de chaque détail (i) est :<br />
résonance Fr soit couverte par cette bande elle doit satisfaire :<br />
⎡ F max Fmax<br />
⎤<br />
⎢ − , pour que la fréquence de<br />
i i−1<br />
⎥<br />
⎣ 2 2 ⎦<br />
Fmax<br />
Fmax<br />
+ i i−1<br />
F =<br />
2 2<br />
(4)<br />
r<br />
2<br />
Il n’est pas difficile de démonter ensuite que la fréquence maximale du signal doit<br />
satisfaite à son tour :<br />
2 1 + i<br />
r<br />
F max = F<br />
(5)<br />
3<br />
L’indice (i) indique le niveau où la résonance est cernée. Pour l’exemple précédent,<br />
et en prenant i=1, la fréquence maximale sera égale approximativement à 7500 Hz, la<br />
résonance est cernée par le premier détail [3500-7000]. En prenant i=3, elle sera égale à<br />
environ 27000 Hz, dans ce cas la résonance est cernée par le troisième détail [3375-<br />
6750] Hz. La question qui se pose est quelle fréquence maximale doit-on prendre. En se<br />
référant à [9], il est optimal de prendre la plus haute fréquence d’échantillonnage<br />
possible, donc la fréquence maximale la plus élevée. Pour le signal de la figure 2 ce<br />
problème ne se pose pas car la résonance étant égale à 2900 Hz est cernée par la bande<br />
du premier détail [2500-5000] Hz. Par ailleurs, on peut en appliquant l’équation (5)<br />
choisir une fréquence maximale d’environ 30000 Hz (pour i=4), dans ce cas elle est<br />
cernée par la bande du détail 4 [1875-3750] Hz et le résultat du filtrage est meilleur.<br />
Magnitude de la FFT<br />
Amplitude<br />
100<br />
(b)<br />
90<br />
80<br />
70<br />
60<br />
40<br />
30<br />
20<br />
10<br />
1.5<br />
(a)<br />
1<br />
0.5<br />
0<br />
-0.5<br />
-1<br />
-1.5<br />
0 0.05 0.1 0.15<br />
Temps [s]<br />
100 Hz<br />
50<br />
2X<br />
3X<br />
0<br />
0 200 400 600 800 1000<br />
Fréquence [Hz]<br />
1200 1400 1600 1800 2000<br />
Figure 4 : (a) Signal reconstruit, (b) Spectre d’enveloppe des coefficients d’ondelettes
La figure (4-a) montre le signal reconstruit dont la bande de fréquence est [2500-<br />
5000] Hz, on constate que les impacts, étant masqués sur le signal bruité, sont très<br />
visibles sur le signal filtré, le kurtosis affiche 5,24, une valeur très significative de la<br />
présence d’un défaut. Un spectre d’enveloppe calculé à partir de la transformée de<br />
Hilbert du signal reconstruit montre clairement la fréquence du défaut simulé (soit 100<br />
Hz) et plusieurs de ses harmoniques (fig. 4-b).<br />
VALIDATION EXPERIMENTALE<br />
Démarche Expérimentale<br />
Plusieurs expériences, ayant pour but de valider la méthode proposée, ont été réalisées<br />
sur des roulements à une rangée de billes du type 6200 montés sur un banc d’essais<br />
adéquat du Laboratoire Vibrations-Acoustique de l’INSA de Lyon, France. Petits et<br />
grands défauts sont provoqués sur la bague extérieure, intérieure et sur la bille à l’aide<br />
d’un outil en diamant tournant à une très grande vitesse (50000 tr/min). Des signaux<br />
d’accélération ont été collectés par un analyseur B&K 2035 muni d’un accéléromètre<br />
B&K 4384 avec différentes fréquences d’échantillonnage et pour plusieurs vitesses de<br />
rotation. La figure 5 montre une photo du banc d’essais, la figure 6 montre une photo<br />
montrant, à titre d’exemple, un des défauts crées sur la bague intérieure.<br />
En deuxième lieu plusieurs autres mesures ont été collectées sur des roulements à<br />
rouleaux cylindriques du type Nu 205 montés sur un tour parallèle. Seuls des défauts sur<br />
la bague extérieure ont été crées. Ces signaux comprendront, en plus de la signature du<br />
défaut, les autres composantes de la machine, la détection sera par conséquent moins<br />
évidente que sur un banc d’essais de laboratoire, bref nous serons plus proches de la<br />
réalité. La figure 7 montre un schéma du montage conçu.<br />
Enfin et pour être en plein dans la réalité, une mise à l’épreuve de la méthode<br />
proposée s’est effectuée sur un groupe turbo-alternateur du complexe de raffinage de<br />
sucre de la ville de <strong>Guelma</strong>. Plusieurs mesures ont été collectées sur huit points dont<br />
deux sont des roulements à double rangées de billes du type SKF NU330 MIC 3. La<br />
figure 8 représente un schéma du groupe et des points de mesure.<br />
Figure 5. Photo du banc d’essais du LVA, INSA de Lyon
Figure 6. Petit défaut crée sur la bague intérieure d’un roulement 6200<br />
Mandrin du tour<br />
P8<br />
Arbre<br />
A<br />
Touches de la lunette<br />
Roulement<br />
Ecroue de fixation<br />
Figure 7. Schéma du montage conçu<br />
P7<br />
P4<br />
Figure 8. Schéma du groupe turbo-alternateur et des points de mesure<br />
P6<br />
R<br />
P3<br />
P5<br />
P2<br />
Accéléromètre<br />
T<br />
P1
Résultats Expérimentaux<br />
Application sur un banc d’essais de laboratoire<br />
La figure (9.a) représente le signal d’accélération mesuré sur un roulement du type 6200<br />
sur lequel un défaut a été simulé sur sa bague extérieure. Le roulement tourne à une<br />
vitesse de 50 Hz, le signal est conditionné avec une fréquence d’échantillonnage de<br />
16384 Hz. Le spectre correspondant (fig. 9.b) ne permet de tirer aucune conclusion sur<br />
l’état de fonctionnement du roulement. Quelques modulations sont apparentes et qui<br />
sont dues probablement aux fréquences de résonance du roulement et du système tout<br />
entier. Des composantes basses fréquences, dues à la vitesse de rotation et ses<br />
harmoniques, sont également visibles.<br />
Accélération [m/s²]<br />
60<br />
(a)<br />
40<br />
20<br />
0<br />
-20<br />
-40<br />
-60<br />
0 0.02 0.04 0.06<br />
Temps [s]<br />
0.08 0.1 0.12<br />
0<br />
0 1000 2000 3000 4000 5000 6000 7000<br />
Fréquence [Hz]<br />
Figure 9. (a) Signal mesuré et (b) Son spectre. Roulement 6200 avec un défaut sur la<br />
bague extérieure<br />
La méthode proposée, basée sur l’optimisation de l’AMRO, a été appliquée sur le<br />
signal mesuré. Le signal reconstruit a été extrait à partir du détail 3 (D3), sa bande<br />
fréquentielle est [1600-3200] Hz qui couvre en réalité la fréquence propre du roulement<br />
égale environ à 2500 Hz. La figure (10.a) illustre des impacts très clairs qui sont dus au<br />
défaut, le signal reconstruit apparaît donc plus informatif que celui mesuré. Son spectre<br />
d’enveloppe des coefficients d’ondelettes (fig. 10.b) a été calculé à partir de la<br />
transformée de Hilbert, mettant en évidence la fréquence du défaut (131 Hz) ainsi que<br />
plusieurs de ses harmoniques.<br />
Accélération [m/s²]<br />
25<br />
(a)<br />
20<br />
15<br />
10<br />
5<br />
0<br />
-5<br />
-10<br />
-15<br />
-20<br />
0 0.02 0.04 0.06<br />
Temps [s]<br />
0.08 0.1 0.12<br />
Figure 10. (a) Signal reconstruit et (b) Son spectre d’enveloppe des coefficients<br />
d’ondelettes<br />
Magnitude de la FFT<br />
Magnitude de la FFT<br />
2.5<br />
1.5<br />
0.5<br />
5000<br />
4000<br />
3000<br />
2000<br />
1000<br />
x 104<br />
4<br />
(a)<br />
3.5<br />
3<br />
2<br />
1<br />
(b)<br />
BPFO = 131 Hz<br />
2X<br />
3X<br />
0<br />
0 200 400 600 800 1000<br />
Fréquence [Hz]<br />
4X
Application sur un montage spécial conçu sur un tour parallèle<br />
Dans ce cas un défaut a été simulé sur la bague extérieure d’un roulement du type Nu<br />
205 monté sur un tour parallèle. Le roulement tourne à 12,5 Hz, le signal est<br />
conditionné avec une fréquence d’échantillonnage de 16384 Hz. Sur la figure 11, ni le<br />
signal mesuré ni son spectre ne donnent d’informations sur l’existence d’un défaut. Des<br />
modulations dues aux fréquences propres du système sont apparentes sur le spectre.<br />
Après l’application de la méthode proposée, le signal reconstruit (fig. 12.a) met en<br />
évidence des impacts dont l’espacement correspond à la fréquence d’un défaut sur la<br />
bague extérieure, soit 47 Hz. Ceci est d’autant plus confirmé par le spectre d’enveloppe<br />
de l’énergie des coefficients d’ondelettes (fig. 12.b).<br />
Accélération [m/s²]<br />
200<br />
(a)<br />
150<br />
100<br />
50<br />
0<br />
-50<br />
-100<br />
-150<br />
-200<br />
0 0.02 0.04 0.06<br />
Temps [s]<br />
0.08 0.1 0.12<br />
6000<br />
(b)<br />
0<br />
0 1000 2000 3000 4000 5000 6000<br />
Fréquence [Hz]<br />
Figure 11. (a) Signal mesuré et (b) Son spectre. Roulement Nu 205 avec un défaut sur la<br />
bague extérieure.<br />
Accélération [m/s²]<br />
60<br />
(a)<br />
40<br />
20<br />
0<br />
-20<br />
-40<br />
-60<br />
0 0.02 0.04 0.06<br />
Temps [s]<br />
0.08 0.1 0.12<br />
Figure 12. (a) Signal reconstruit et (b) Son spectre d’enveloppe de l’énergie des<br />
coefficients d’ondelettes<br />
Application sur un groupe turbo-alternateur<br />
Comme mentionné auparavant, plusieurs mesures ont été collectés dans huit points et<br />
dans deux directions, horizontale et verticale. Après traitement des résultats, le<br />
roulement du point 8 ne semble pas en état normal. Le kurtosis du signal reconstruit<br />
après l’application de la méthode proposée sur le signal mesuré est égale à 9,47, qui est<br />
en réalité une valeur très élevée. Le spectre d’enveloppe des coefficients d’ondelettes<br />
(fig. 13) met en évidence une composante fréquentielle correspondant à la fréquence de<br />
rotation soit 25 Hz (1500 tr/min) et plusieurs de ses harmoniques. Elle ne correspond<br />
donc à aucune fréquence caractéristique d’un défaut. Ceci confirme que le roulement est<br />
en bon état mais que le montage est avec jeu, le roulement tourne dans l’arbre. Des<br />
recommandations ont été données aux responsables de maintenance.<br />
Magnitude de la FFT<br />
5000<br />
4000<br />
3000<br />
2000<br />
1000<br />
Magnitude de la FFT<br />
x 108<br />
15<br />
(b)<br />
10<br />
5<br />
BPFO = 47 Hz<br />
0<br />
0 200 400 600<br />
Fréquence [Hz]<br />
800 1000 1200
Module de l'FFT<br />
8000<br />
(b)<br />
7000<br />
25 Hz<br />
6000<br />
5000<br />
4000<br />
3000<br />
2000<br />
1000<br />
0<br />
0 100 200 300 400 500<br />
Fréquence [Hz]<br />
Figure 13. Spectre d’enveloppe des coefficients d’ondelettes du signal reconstruit au<br />
point 8<br />
CONCLUSION<br />
Dans cet article nous avons proposé l’analyse multirésolution en ondelettes en tant<br />
qu’outil efficace permettant la détection des défauts induits par les roulements.<br />
S’inspirant des fabuleuses propriétés de l’AMRO, une méthode d’analyse a été<br />
optimisée et appliquée sur des signaux simulés. L’extraction de la signature du défaut<br />
est d’autant claire sur le signal reconstruit que sur le spectre d’enveloppe des<br />
coefficients d’ondelettes qui met en évidence la fréquence d’apparition du défaut et<br />
plusieurs de ses harmoniques. La validation expérimentale, réalisée sur des roulements<br />
défectueux, valide à grande échelle cette approche. Les résultats montrent la capacité de<br />
l’AMRO à détecter des défauts de différentes tailles et natures et dans plusieurs<br />
configurations, y compris dans le milieu industriel. L’étape suivante sera sûrement<br />
d’essayer d’étendre cette méthode à d’autres défauts induisant la même signature que<br />
les roulements tels que les engrenages par exemple.<br />
REFERENCES BIBLIOGRAPHIQUES<br />
1 Pachaud C., Salvetat R. et Fray C. (1997) Mech. Syst. & Sig. Proc. 11(6), 903-916.<br />
2 Djebala A., Ouelaa N. et Hamzaoui N. (2007) Méc. & Indus. Volume 8 N°4.<br />
3 Khemili I. et Chouchane M. (2005) Eur. J. of Mec. A/Solids 24, 293-303.<br />
4 Dron J.P., Bolaers F. et Rasolofondraibe L (2004) J.S.V. 270, 61-73.<br />
5 Hai Q., Jay L., Lin J. et Gang Y. (2006), J.S.V. 289, 1066-1090.<br />
6 MacFadden P.D. et Smith J. (1984) Trib. Int. 17(1), 447-453.<br />
7 Brabhakar S., Mohanty A.R., et Sekhar A.S. (2002) Trib. Int. 35, 793-800.<br />
8 Purushotham V., Narayanan S. et Prasad S. A. N. (2005) NDT&E Int. 38, 654-664.<br />
9 Djebala A., Ouelaa N. et Hamzaoui N. Meccanica (2008) 43, 339-348.