TH8115

No d’ordre : 02/2015.
D/GM
République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique
Université des Sciences et de la Technologie Houari Boumediene
Faculté de Génie Mécanique et de Génie des Procédés
Thèse
Présentée pour l’obtention du grade de Docteur en Sciences
En Génie Mécanique
Spécialité : Maintenance et Isolation Vibro-Acoustique
Par : Merzoug Mustapha

Sujet
Etude Dynamique des Transmissions par
Engrenages - Application à la Détection et au
Suivi des Défauts
Soutenue publiquement le 26. 02. 2015, devant le jury composé de :
M. Krimo Azouaoui Prof à l’USTHB Président

M. Abdelhamid Miloudi Prof à l’USTHB Directeur de thèse
M. Jean Paul Dron Prof à l’Université de Reims Examinateur
M. Said Rechak Prof à l’ENP Examinateur
M. Noureddine Ouelaa Prof à l’Université de Guelma Examinateur
M. Khaled Brahimi M.C.-A à l’USTHB Examinateur
Je tiens à dire un grand merci à mon épouse, Nacera. Je suis convaincu que
sans elle ce projet n’aurait jamais pu être réalisé. L’ampleur de sa contribution
dépasse largement ce qu’elle aurait du être. Je lui en suis reconnaissant. Un
merci aussi à mon enfant, Rayan. Non mon fils, pendant toutes ces soirées, je
ne jouais pas à l’ordinateur, j’y travaillais. Maintenant, j’ai plus de temps
libre, je vais me consacrer à toi.
Résumé
La surveillance des transmissions à engrenages est un problème crucial en termes

de disponibilité et de sécurité. En effet un défaut non détecté à temps peut s’aggraver
et conduire à des dommages matériels importants, voire des pertes en vies humaines
dans certains cas. C’est pour cela que d’importants moyens sont déployés pour la
détection précoce des défauts dans les transmissions à engrenages. La maintenance
peut être faite de manière périodique, mais elle a montré ses limites puisque certains
défauts peuvent apparaître de façon aléatoire. On a alors recours aux méthodes de
surveillance conditionnelle basées sur différents tests réalisés de manière régulière.
L’analyse de signaux vibratoires issus d’accéléromètres est l’une des méthodes les
plus adaptées. La maîtrise du comportement vibratoire de ces transmissions est deve-
nue un outil puissant entre les mains des spécialistes. Ceci est particulièrement vrai
dans le domaine de la détection des défauts et anomalies où le choix des méthodes
de diagnostic est indissociable de la pertinence du modèle numérique utilisé. Dans
ce contexte, la compréhension et la modélisation des excitations générées par l’en-
grènement apparaissent comme indispensables. C’est dans ce cadre que se situe ce
travail de thèse dont l’objet principal a été d’établir en premier lieu des modèles de
comportement dynamique puis en second lieu de mettre au point des indicateurs
pertinents pour le diagnostic des transmissions à engrenages à partir des signaux si-
mulés. Pour valider notre approche, nous avons exploités des signaux expérimentaux
issus de compagne de mesures effectué au CETIM sur des engrenages défectueux.
Le but de la première partie de ce travail est d’essayer de maîtriser les différents

paramètres liés à l’analyse par ondelettes pour une détection fiable et peu coûteuse,
à savoir, l’ordre de l’ondelette et le niveau de décomposition. L’approche, consiste à
observer le Kurtosis pour plusieurs ordres d’ondelette en fonction de la gravité du
défaut. Les indicateurs sont parfois limités et ne peuvent donner un verdict fiable sur
l’état de l’engrenage. Bruit aléatoire et d’autres composantes de la machine viennent
ii
polluer le signal et rendent la détection difficile, voire impossible dans certains cas.
Nous avons tenté d’améliorer la sensibilité de ces indicateurs.
Le travail de la deuxième partie s’inscrit dans le cadre du diagnostic des machines

tournantes en régime variable. L’objectif de ce travail est la recherche d’ indicateurs
pertinents pour le diagnostic des transmissions à engrenages à partir de signaux si-
mulés. Deux indicateurs sont proposés : le premier indicateur est basé sur la valeur
RMS et le second sur le calcul du spectrogramme. Pour tester les indicateurs propo-
sés, nous avons utilisé des signaux simulés, à partir de la modélisation dynamique de
la transmission en présence d’un défaut d’excentricité. La réponse dynamique a été
obtenue en utilisant le schéma d’intégration de Newmark.
iii
Avant Propos
Ce travail de thèse a été réalisé sous la Direction du Professeur Abdelhamid Mi-

loudi, en Collaboration avec l’équipe de recherche de Mécanique Appliquée Numé-
rique (MAN) du GRESPI de l’Université Champagne Ardenne de Reims (URCA,
France) dirigé par le professeur Jean Paul Dron. Ce dernier a mis à ma disposition
gracieusement tous les moyens nécessaires pour la préparation de cette thèse.
Par ailleurs, ce travail a donné lieu à deux (02) publications internationales ainsi
qu’à neuf (09) communications internationales et quatre (04) nationales.
Publications Internationales :
1. M. Merzoug, K. Ait Sghir, A. Miloudi and J. P. Dron, Vibratory monitoring of

gear transmissions in variable regime, Mechanics & Industry, Vol 15, pp 377-382,
2014.
2. M. Merzoug, K. Ait Sghir, A. Miloudi and J. P. Dron, Early Diagnosis of Spalling

in the Gear Teeth, Advanced Materials Research, Vol 1016, pp 249-255, 2014.
Communications internationales :
1. M. Merzoug, K. Ait Sghir, A. Miloudi and J. P. Dron, Early Diagnosis of Spal-

ling in the Gear Teeth, International Conference on Mechanical and Aerospace
Engineering, ICMAE’2014, Madrid, Espagne, 2014.
2. M. Merzoug, K. Ait Sghir, A. Miloudi et J. P. Dron, Suivi vibratoire des trans-

missions à engrenages en régime variable, Congrès Français de Mécanique,
CFM’2013, Bordeaux, France, 2013.
iv
3. M. Merzoug, A. Miloudi, Influence de la rigidité des paliers sur la réponse
dynamique des engrenages, Congrès Tunisien de Mécanique, COTUMEC’2012,
Sousse, Tunisie, 2012.
4. M. Merzoug, A. Miloudi, Analyse multi-résolution appliquée aux transmissions

à engrenages, Colloque International, Innovations en Mécaniques Passives et
Actives, IMPACT’2010, Djerba, Tunisie, 2010.
5. M. Merzoug, A. Miloudi, Détection des défauts d’excentricités d’une trans-

mission à engrenages par analyse en ondelettes, Congres International sur
l’ingénierie des Risques Industriels, CIRI’2009, Reims, France, 2009.
6. M. Merzoug and A. Miloudi, Combined flexural-torsional vibrations of gearbox,

International Conference on Advances in Mechanical Engineering and Mecha-
nics, ICAMEM’2008, Sousse, Tunisia, 2008.
7. M. Merzoug, A. Miloudi, Utilisation des transformées en ondelettes dans le

suivi vibratoire des transmissions par engrenages, Congrès International de
Conception et Modélisation des Systèmes Mécaniques, CMSM’2007, Monastir,
Tunisie, 2007.
8. M. Merzoug et A. Miloudi, Diagnostic des transmissions par engrenages double

étages via l’analyse d’enveloppe, Congrès Français de Mécanique, CFM’2007,
Grenoble, France, 2007.
9. M. Merzoug, A. Miloudi et K. Brahimi, Influence de la raideur d’engrènement

sur la résonance paramétrique des engrenages, Congrès Français de Mécanique,
CFM’2003, Nice, France, 2003.
v
Communications nationales :
1. M. Merzoug, A. Miloudi, Détection des défauts d’une transmission à engrenages

par analyse multi résolution, Congrès Algérien de Mécanique, CAM’2009, Bis-
kra, Algérie, 2009.
2. M. Merzoug, A. Miloudi et K. Brahimi, Suivi vibratoire des transmissions par

engrenages doubles étages, Journées Nationales de l’Ingénierie Mécanique,
JNIM’2006, 2006.
3. M. Merzoug, A. Miloudi, Early detection of defects in geared systems using

the wavelet analysis, Journées de Mécanique JM’2006, Bordj-El-Bahri, Alger,
Algérie, 2006.
4. M. Merzoug, A. Miloudi et K. Brahimi, Comportement dynamique non linéaire

d’engrenages induit par la présence d’un jeu entre dent, Séminaire sur les Tech-
nologies Mécaniques Avancées, STEMA’2003, Tlemcen, Algérie, 2003.
vi
Remerciements
J e voudrais tout d’abord exprimer mes plus profonds remerciements au Professeur

Abdelhamid Miloudi qui a assuré l’encadrement scientifique et la direction de
cette thèse pour la confiance qu’il m’a accordé et pour les nombreux conseils qu’il
m’a apporté dans les moments difficiles pour arriver au bout de ce grand défi. Je dois
aussi mentionner sa patience et sa constance tout au long de ces années.
J’adresse toute ma reconnaissance au Professeur Jean Paul Dron du Laboratoire de

Mécanique Numérique (Reims, France) et à son équipe qui m’ont accueilli au sein de
leur laboratoire dans le cadre de mes stages. Je les remercie pour m’avoir aidé et je
cite particulièrement mon ami Khalid Ait-Sghir qui m’a appris beaucoup de choses,
qu’il trouve ici toute ma reconnaissance pour la confiance qu’il m’a accordée et pour
les nombreux conseils.
Je remercie Monsieur le Professeur Krimo Azouaoui de s’être intéressé à mon

travail, et d’avoir bien voulu présider le jury de cette thèse.
Je suis très sensible à l’honneur que m’ont fait Messieurs Said Rechak, Professeur
à l’ENP d’Alger, Noureddine Ouelaa, Professeur à l’Université de Guelma et Khaled
Brahimi Maître de conférences à l’USTHB, en acceptant d’examiner ce travail.
Depuis que je suis à l’USTHB, j’ai eu la chance de côtoyer de nombreux ensei-

gnants et chercheurs dont la compagnie m’a enrichi aussi bien professionnellement
que personnellement. Beaucoup, consciemment ou inconsciemment, m’ont souvent
permis au cours de discussions anodines de retrouver la motivation pour poursuivre
et mener ce projet jusqu’au bout. Certaines de ces personnes resteront plus que de
simples compagnons d’une route mais de véritables amis. Je crains de ne pouvoir les
citer toutes ici, ou pire d’en oublier, mais je voudrais malgré tout témoigner toute
mon amitié à certaines d’entre elles : Said Boukerroum, Belaid Bouzouane, Ammar
vii
Mesbah et Mahmoud Neder. Que tous ceux qui ont participé de près ou de loin à
l’élaboration de ce travail, trouvent ici l’expression de mes vifs remerciements et de
ma profonde gratitude.
viii
Table des matières
Table des matières ix
Notations x
Liste des figures xii
Liste des tableaux xii
1 Introduction Générale 1
2 Etat de l’art 5
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2 Présentation des différents types de modèles de transmissions à

engrenages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.1 Modélisation statique . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.2 Modélisation dynamique . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2.2.1 Modèles linéaires à raideur d’engrènement constante . 13
2.2.2.2 Modèles linéaires à raideur d’engrènement variable . . 14
2.2.2.3 Modèles non linéaires à raideur d’engrènement variable 16
2.3 Principales sources d’excitation dynamique . . . . . . . . . . . . . . 20

2.3.1 L’erreur statique de transmission sous charge . . . . . . . . . . . . . . 21
2.3.2 Fluctuation de la raideur d’engrènement . . . . . . . . . . . . . . . . 22
2.3.3 Défauts de géométrie caractéristiques et conséquences . . . . . . . . . 24
2.3.3.1 Rapport de conduite et rapport de recouvrement . . . . 24
2.3.3.2 Correction de denture et erreur de profil . . . . . . . . . 25
2.3.3.3 Excentricité ou erreur de faux-rond. . . . . . . . . . . . 26
2.3.3.4 Erreur de pas . . . . . . . . . . . . . . . . . . . . . . . . . 27
ix
2.3.3.5 Défaut d’alignement . . . . . . . . . . . . . . . . . . . . . 27
2.4 Techniques d’analyse et méthodes de diagnostic . . . . . . . . . . . 29

2.4.1 Analyse statistique des signaux . . . . . . . . . . . . . . . . . . . . . 29
2.4.2 Analyse spectrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.4.3 Analyse cepstrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4.4 Analyse d’enveloppe . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.4.5 Analyse temps-fréquence . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4.5.1 Transformée de Fourier à Court Terme . . . . . . . . . . 36
2.4.5.2 Transformée en ondelettes . . . . . . . . . . . . . . . . . 37
2.4.5.3 Transformée de Wigner-Ville . . . . . . . . . . . . . . . . 38
2.5 Conclusion du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3 Détection précoce d’un défaut d’engrenage par analyse

vibratoire 41
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2 Transformée en ondelettes . . . . . . . . . . . . . . . . . . . . . . . . . 46

3.2.1 Principe de la décomposition par ondelettes . . . . . . . . . . . . . . 47
3.2.2 Transformation en ondelettes continues . . . . . . . . . . . . . . . . . 47
3.2.3 Relation entre échelle et fréquence . . . . . . . . . . . . . . . . . . . . 49
3.2.4 Transformation en ondelettes discrètes . . . . . . . . . . . . . . . . . 50
3.2.5 Choix des ondelettes . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2.6 Recherche des meilleures ondelettes . . . . . . . . . . . . . . . . . . . 52
3.3 Simulations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.3.1 Modèle dynamique retenu . . . . . . . . . . . . . . . . . . . . . . . . 54
3.3.2 Équations de mouvement . . . . . . . . . . . . . . . . . . . . . . . . 54
3.3.3 Effet de la variation de la raideur d’engrènement . . . . . . . . . . . . 56
3.3.4 Signaux de simulations . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.3.5 Évolution du Kurtosis pour le signal simulé bruité . . . . . . . . . . . 59
3.3.6 Optimisation de l’analyse multirésolution en ondelettes . . . . . . . . 60
3.3.6.1 Seuillage doux . . . . . . . . . . . . . . . . . . . . . . . . 61
3.3.6.2 Seuillage dur . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.3.6.3 Méthodologie utilisée pour l’évaluation des performances 61
x
3.3.6.4 Choix de l’ondelette analysante . . . . . . . . . . . . . . 62
3.3.7 Evolution du Kurtosis pour différentes approximations . . . . . . . . 63
3.4 Application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.4.1 Défaut d’écaillage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.4.2 Présentation des signaux . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.4.3 Signaux originaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.4.3.1 Évolution du kurtosis des signaux originaux . . . . . . . 69
3.4.4 Indicateur proposé . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4 Suivi Vibratoire des Transmissions à Engrenages en Ré-

gime Variable 75
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.2 Modèle dynamique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.3 Réponse dynamique de la transmission . . . . . . . . . . . . . . . . . 80

4.3.1 Excitation induite par un défaut d’excentricité . . . . . . . . . . . . . 80
4.3.2 Equations de mouvement . . . . . . . . . . . . . . . . . . . . . . . . 80
4.4 Signaux de simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.5 Indicateurs proposés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
Conclusion générale 88
A Annexes 90
A.1 Méthode de Newmark . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
A.2 Compléments sur la transformée en Ondelettes . . . . . . . . . . . 93
Bibliographie 98
xi
Notations
CM et CL Couples moteur et récepteur

CSS (t) Cepstre de puissance d’un signal
E(t) Erreur de transmission
Ii Moment d’inertie de la roue i
Km Raideur d’engrènement moyenne
2Ka Taux de variation de la raideur
[K ] Matrice de raideur
M Masse équivalente
Mi Masse de la roue i
[ M] Matrice de masse
N Nombre d’échantillons prélevés dans un signal
Ri Rayon du cercle de base de la roue i
SGx ( a, b) Scalogramme
T Énergie cinétique du système
TOx ( a, b) Transformée en Ondelettes continues de x(t)
V Énergie de déformation du système
X(f) Transformée de Fourier du signal x(t).
Zi Nombre de dents du pignon i
f1 Fréquence de rotation de l’arbre moteur
fz Fréquence d’engrènement
qi Degrés de libertés
t Temps
xi Amplitude du signal pour l’échantillon i
x̄ Valeur moyenne des amplitudes
xii
x(t) Signal temporel
z(t) Signal analytique
α Angle de contact
β Angle d’hélice
δ Taux de dégradation de la raideur
eα Rapport de conduite
eβ Rapport de recouvrement
ωm pulsation d’engrènement
ψa,b ( x ) Transformée en Ondelettes continues de x(t)
θi Rotation de la roue i
CETIM Centre Technique des Industries Mécaniques
DWT Discrete Wavelet Transform
EMD Empirical Mode Decomposition
FWT Transformation en ondelettes rapide
RMS Root Mean Square
TFCT Transformée de Fourier à Court Terme
TWV Transformée de Wigner Ville
TWVL Transformée de Wigner Ville Lissée
xiii
Liste des figures
1.1 Dessins d’Al-Jazari et de Léonard De Vinci (www.wikipedia.org) . . . . 2
2.1 Notations dans la formule de Weber-Banaschek (Weber53) . . . . . . . . 10

2.2 Maillage éléments finis 2D d’une dent (Coy82) . . . . . . . . . . . . . . . 11
2.3 Maillage éléments finis 3D d’un engrenage (Sainsot89) . . . . . . . . . . 11
2.4 Maillage des roues dentées (Rigaud99) . . . . . . . . . . . . . . . . . . . . 12
2.5 Modèle torsionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.6 Modèle de Tuplin d’après Özgüven (Ozguven88) . . . . . . . . . . . . . 14
2.7 Modèle linéaire de Sener et Özgüven (Sener93) . . . . . . . . . . . . . . . 14
2.8 Modèle linéaire d’après (Lin94) . . . . . . . . . . . . . . . . . . . . . . . . 15
2.9 Modèle tridimensionnel d’après Velex et Maatar (Velex96) . . . . . . . . 17
2.10 Modèle de la structure élastique de la dent (Ajmi05) . . . . . . . . . . . . 17
2.11 Modèles non linéaires à raideur d’engrènement variable (Kahraman90) 19
2.12 Variation de la raideur d’engrènement en fonction du temps (Velex91) . 23
2.13 Réduction du bruit d’engrènement avec l’angle d’hélice . . . . . . . . . . 25
2.14 Modulation d’amplitude caractéristique d’un défaut de faux-rond
(Sabot92) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.15 Exemple caractéristique de localisation des bandes latérales dues à l’ex-
centricité (Welbourn79) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.16 Définition des défauts d’inclinaison et de déviation (Umezawa86) . . . . 27
2.17 Signal temporel en présence de défauts multiples de roulement et d’en-
grenages (Breneur02) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.18 Spectre du signal simulé : a) petit défaut ; b) gros défaut . . . . . . . . . 33
2.19 Example d’un Cepstre (Razafindrazato10) . . . . . . . . . . . . . . . . . . 34
2.20 Example d’analyse d’enveloppe . . . . . . . . . . . . . . . . . . . . . . . . 36
2.21 Spectrogramme du signal simulé . . . . . . . . . . . . . . . . . . . . . . . 37
xiv
2.22 Exemple de la représentation Wigner-Ville . . . . . . . . . . . . . . . . . 39
3.1 Exemples d’ondelettes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

3.2 Exemple d’ondelette de Morlet avec a = 2 et b = 1 . . . . . . . . . . . . . 48
3.3 Modèle dynamique de l’engrenage . . . . . . . . . . . . . . . . . . . . . . 54
3.4 Signaux simulés bruités avec et sans défaut . . . . . . . . . . . . . . . . . 59
3.5 Évolution du Kurtosis - Signal similé bruité . . . . . . . . . . . . . . . . . 59
3.6 Comparaison entre ondelettes . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.9 Évolution du Kurtosis pour différentes approximations . . . . . . . . . . 64
3.10 Comparaison des Kurtosis des signaux simulés avec les approximations 64
3.11 Comparaison des Kurtosis . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.12 Défaut local d’écaillage(Breneur02) . . . . . . . . . . . . . . . . . . . . . . 65
3.13 Signaux expérimentaux bruités avec et sans défaut . . . . . . . . . . . . 67
3.14 Évolution du Kurtosis de l’IMF 3 du signal expérimental (Parey06) . . . 67
3.15 Évolution des pics cepstraux A1 et A2 , de leur somme et de l’indicateur
en fonction des jours d’acquisition (El-Badaoui99) . . . . . . . . . . . . . 68
3.16 Évolution des pics pendant les 12 jours (technique de Prony) (Haloui07) 68
3.17 Évolution du Kurtosis - signaux originaux . . . . . . . . . . . . . . . . . 69
3.18 Évolution des Kurtosis des approximations 1 et 2 . . . . . . . . . . . . . 70
3.21 Comparaison des Kurtosis des signaux originaux et les approximations 71
3.22 Indicateur proposé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
3.23 Comparaison entre les indicateurs avant et après décomposition par
transformée en ondelettes . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.1 Modèle dynamique retenu . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

4.2 Profil de la fréquence de rotation retenu . . . . . . . . . . . . . . . . . . . 82
4.3 Signal et spectre pour e p = 80 µm et e g = 0 . . . . . . . . . . . . . . . . . 83
4.4 Spectrogramme pour e p = 80 µm et e g = 0 . . . . . . . . . . . . . . . . . 83
4.5 Indicateur RMS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
xv
4.6 Premier indicateur proposé . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.7 Second indicateur proposé . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
A.1 Pavage temps fréquence pour la transformation en ondelettes . . . . . . 95

A.2 Algorithme pyramidal (ou de Mallat) de la décomposition en ondelettes
discrètes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
Liste des tableaux
3.1 Paramètres de la transmission . . . . . . . . . . . . . . . . . . . . . . . . . 58

3.2 Rapport d’expertise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.3 Comparaison entre les deux méthodes (Haloui07) . . . . . . . . . . . . . 69
xvi
Introduction Générale 1
e présent chapitre est l’introduction de la thèse, nous y découvrons les problé-

L matiques de la détection des défauts dans les transmissions à engrenages. Nous
présentons également les objectifs, nos motivations, nos principales contributions, le
périmètre scientifique ainsi que la structure du manuscrit.
1
2
Figure 1.1 – Dessins d’Al-Jazari et de Léonard De Vinci (www.wikipedia.org)
es engrenages étaient déjà utilisés sous une forme rudimentaire au VIème siècle
L avant notre ère mais ce n’est qu’au XVIIème siècle que leur fonctionnement com-
mença à être étudié de manière véritablement scientifique. Il existe encore d’anciennes
installations possédant des dentures en bois. Ces dessins d’Al-Jazari (XIIIème Siècle) et
de Léonard De Vinci (XVème Siècle) témoignent de l’utilisation des systèmes de trans-
mission de mouvement sur un principe proche de celui des dentures des engrenages
actuels.
Les engrenages occupent une position privilégiée dans le domaine des transmis-
sions de puissance et ont, depuis longtemps, fait l’objet de nombreux travaux de re-
cherche. Parmi l’ensemble des moyens de transmission de puissance, les engrenages
cylindriques en développante de cercle sont, sans conteste, les plus utilisés pour le
transfert de rotation entre axes parallèles. Dans un contexte de perpétuel progrès
technologique avec des produits industriels toujours plus fiables et performants, les
engrenages modernes sont de plus en plus soumis à des exigences strictes en termes
de capacité de charge, du rendement, de bruit développé, etc . . . Ces contraintes ont
ainsi généré, depuis quelques années, un nombre important de travaux relatifs à la si-
mulation et la prédiction du comportement des engrenages. C’est dans cette optique,
3
que nous nous sommes particulièrement investi avec le Laboratoire de Mécanique

Appliquée Numérique de l’Université Champagne Ardène de Reims (France) dans
l’étude du comportement dynamique en utilisant des modèles numériques permet-
tant de prédire les principales caractéristiques statiques et dynamiques de systèmes
d’engrenages.
L’ensemble des problématiques présentées ci-dessus sont à la base de l’organisa-

tion en quatre chapitres retenus pour la présentation du manuscrit de thèse. Le pre-
mier chapitre est consacré à une introduction générale alors que le second chapitre
est essentiellement bibliographique. Il est consacré à la présentation des bases théo-
riques permettant de modéliser une transmission à engrenages. Les différents types
de modélisation ont été présentés afin de choisir les modèles les plus adaptés à l’ap-
plication qui consiste à analyser, détecter et surveiller des défauts d’engrenages. Pour
cela, différentes techniques, les outils de détection et de surveillance ont été rappelés.
Le suivi et l’analyse de signaux vibratoires issus de transmissions par engre-

nages permettent la prédiction précoce des dysfonctionnements et pannes éventuelles.
Comme les fréquences caractéristiques des engrenages sont prédéterminées, on se
propose dans le troisième chapitre de les surveiller et d’identifier les éventuels dé-
fauts en utilisant l’analyse par ondelettes. Pour simuler le signal à analyser, nous
avons introduit volontairement un défaut de rupture de la dent. Nous avons retenu
des ondelettes du type Daubechies qui s’apprêtent bien à ce type de problème. Le but
dans ce chapitre est d’essayer de maîtriser les différents paramètres liés à l’analyse
par ondelettes pour une détection fiable et peu coûteuse, à savoir, l’ordre de l’onde-
lette et le niveau de décomposition. L’approche, consiste à observer le Kurtosis pour
plusieurs ordres d’ondelette en fonction de la gravité du défaut. Les indicateurs sont
parfois limités et ne peuvent donner un verdict fiable sur l’état de l’engrenage. Bruit
aléatoire et d’autres composantes de la machine viennent polluer le signal et rendent
la détection difficile, voire impossible dans certains cas. Nous avons tenté d’améliorer
la sensibilité de ces indicateurs. Pour valider notre approche des signaux expérimen-
taux ont été exploités. Les signaux d’engrenages qu’on a utilisé sont ceux de CETIM.
Le travail du quatrième chapitre s’inscrit dans le cadre du diagnostic des machines

tournantes en régime variable. L’objectif de ce travail est la recherche d’ indicateurs
4
pertinents pour le diagnostic des transmissions à engrenages à partir de signaux si-

mulés. Deux indicateurs sont proposés : le premier indicateur est basé sur la valeur
RMS et le second sur le calcul du spectrogramme. Pour tester les indicateurs propo-
sés, des signaux de simulation sont utilisés. Ces signaux qui sont calculés en utilisant
le schéma d’intégration de Newmark, sont les résultats de la modélisation dynamique
de la transmission à engrenages qui tient compte des défauts d’excentricité.
Etat de l’art 2
Plan du chapitre
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2 Présentation des différents types de modèles de transmis-

sions à engrenages . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.1 Modélisation statique . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.2 Modélisation dynamique . . . . . . . . . . . . . . . . . . . . . . 12
2.2.2.1 Modèles linéaires à raideur d’engrènement constante 13
2.2.2.2 Modèles linéaires à raideur d’engrènement variable 14
2.2.2.3 Modèles non linéaires à raideur d’engrènement va-

riable . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Principales sources d’excitation dynamique . . . . . . . . . . 20
2.3.1 L’erreur statique de transmission sous charge . . . . . . . . . . 21
2.3.2 Fluctuation de la raideur d’engrènement . . . . . . . . . . . . 22
2.3.3 Défauts de géométrie caractéristiques et conséquences . . . . 24
2.3.3.1 Rapport de conduite et rapport de recouvrement . . 24
2.3.3.2 Correction de denture et erreur de profil . . . . . . . 25
2.3.3.3 Excentricité ou erreur de faux-rond. . . . . . . . . . 26
2.3.3.4 Erreur de pas . . . . . . . . . . . . . . . . . . . . . . . 27
2.3.3.5 Défaut d’alignement . . . . . . . . . . . . . . . . . . 27
2.4 Techniques d’analyse et méthodes de diagnostic . . . . . . . 29
5
6
2.4.1 Analyse statistique des signaux . . . . . . . . . . . . . . . . . . 29
2.4.2 Analyse spectrale . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.4.3 Analyse cepstrale . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4.4 Analyse d’enveloppe . . . . . . . . . . . . . . . . . . . . . . . . 35
2.4.5 Analyse temps-fréquence . . . . . . . . . . . . . . . . . . . . . 36
2.4.5.1 Transformée de Fourier à Court Terme . . . . . . . . 36
2.4.5.2 Transformée en ondelettes . . . . . . . . . . . . . . . 37
2.4.5.3 Transformée de Wigner-Ville . . . . . . . . . . . . . . 38
2.5 Conclusion du chapitre . . . . . . . . . . . . . . . . . . . . . . . . 40

7
C e premier chapitre présente un panorama des différentes études relatives à l’ana-

lyse du comportement dynamique des engrenages. Il sera question dans cette
partie de tenter un classement en groupes les différents modèles dynamiques préco-
nisés et expliciter les phénomènes qui sont à l’origine des sources de vibrations et les
techniques d’analyse et méthodes de diagnostic.
2.1. Introduction 8
2.1 Introduction
es engrenages demeurent à l’heure actuelle les organes de transmission de puis-

L sance les plus couramment utilisés et suscitent toujours de nombreux travaux en
recherche et développement. Parmi les thématiques les plus fréquemment abordées, le
comportement dynamique de transmissions constitue un champ d’investigation rela-
tivement récent qui a pris toute son importance dans un contexte de détection et suivi
vibratoire des défauts en vue de réduire les nuisances sonores dans les transmissions
mécaniques.
D’après Sika (Sika08) , deux types d’approches sont fréquemment rencontrés dans
l’analyse du comportement dynamique de transmissions par engrenages :
• Soit l’engrènement est modélisé de façon succincte et le comportement des

autres éléments constitutifs de la transmission est considéré. Ce type d’étude
relève alors principalement de la dynamique des rotors et des mécanismes,
• Soit les éléments extérieurs à l’engrenage sont considérés d’une façon simplifiée
et les contacts entre les dentures sont simulés de la façon la plus complète pos-
sible. Ces travaux relèvent de la mécanique des contacts et de la dynamique des
engrenages.
Les revues bibliographiques les plus consultées dans le domaine de la modé-

lisation dynamique des transmissions à engrenages ont été réalisées par Özgüven
(Ozguven88), Houser (Houser90), Zakrajsek (Zakrajsek90) et Wang (Wang03b). Bien
que publiées respectivement en 1988, 1990 et 2003, elles sont toujours considérées
comme le point de départ de toute investigation sur la dynamique des engrenages.
2.2 Présentation des différents types de modèles de trans-

missions à engrenages
2.2.1 Modélisation statique
Weber et Banaschek (Weber53) et Attia (Attia64), puis plus tard Steward

(Steward90) ont utilisé la théorie de l’élasticité afin d’exprimer la déflexion sous
2.2. Présentation des différents types de modèles de transmissions à engrenages 9
charge des dents en fonction de la géométrie de l’engrenage en décomposant cette

déformation totale en trois principales contributions :
• la déformation due à la flexion de la dent,
• la déformation due à la contribution du corps d’engrenage,
• la déformation de contact entre le couple de dents.
En utilisant la formulation bidimensionnelle proposée par Weber et Banaschek

où il s’agit d’assimiler le contact entre deux dents au contact entre deux massifs
semi-infinis soumis à une distribution hertzienne de pressions normales. Johnson
(Johnson77), a établit que la déflexion au centre du contact par rapport à un point
de référence situé sur la même verticale à une profondeur H s’écrit :
W 1 − ν2

2H ν
δc = 2 . log − (2.1)
b πE aH 2(1 − ν )
Avec
W
la charge par unité de largeur de contact (selon z) ;
b
r
W 1 − ν2
aH = 8 ρ la demi-largeur du contact hertzien ;
b πE
ρ1 ρ2
ρ= le rayon de courbure équivalent au point de contact, voir figure 2.1.
ρ1 + ρ2
W : force normale appliquée sur la dent

b : largeur de la dent
E : module de Young
ν : coefficient de Poisson
H : distance entre le point de contact et la ligne médiane de la dent
ρ1 , ρ2 : rayons de courbure
En se basant sur la comparaison des résultats expérimentaux et analytiques pour

différents angles de pression, rapports de réduction, nombres de dents, et différentes
positions de la charge, une formulation pour l’évaluation des déflexions et contraintes
pour des engrenages à dentures droites est présentée dans (Cornell81).
Figure 2.1 – Notations dans la formule de Weber-Banaschek (Weber53)
Walker (Walker38), après une étude expérimentale portant sur une dent fixée dans
un bâti beaucoup plus rigide que la denture, a introduit une expression de la déformée
de dentures droites. Wellauer et Seireg (Wellauer60) ont présenté une étude de la
flexion des dents d’engrenage basée sur le comportement d’une plaque en porte à
faux.
En utilisant la théorie des potentiels complexes et les transformations conformes

d’un demi-plan élastique, Cardou et Tordion (Cardou81) ont déterminé les déflexions
et contraintes exactes pour le problème bidimensionnel d’une dent sur une embase
élastique.
D’autres travaux de recherche ont été consacrés à l’utilisation de la méthode des

éléments finis pour l’ensemble de l’engrenage, y compris la zone de contact entre
les dents, afin de calculer la rigidité des dents (Arafa99). Quelques auteurs calculent
simultanément la déformation locale de contact et la déformation en flexion de la
dent. Varadi (Varadi89) utilise la méthode des éléments finis en deux dimensions (2D),
mais la zone de contact doit être maillée très finement et le maillage utilisé dépend du
point d’application de l’effort normal. Coy (Coy82) a utilisé un maillage unique pour
calculer la déformation locale et la déformation en flexion de la dent, quelque soit le
point d’application de l’effort normal. Il s’avère que la densité de maillage nécessaire
pour traiter correctement le problème posé conduit à des temps de calcul prohibitifs.
Enfin, différents auteurs utilisent la méthode des éléments finis en 3D. Sainsot
(Sainsot89) discrétise une dent qui repose sur une jante rigide à l’aide d’éléments vo-
Figure 2.2 – Maillage éléments finis 2D d’une dent (Coy82)
lumiques à 20 nœuds. L’ensemble des modèles présentés jusqu’ici n’intègre pas les
déformations des corps des roues. Celles-ci sont systématiquement calculées sépa-
rément des déformations des dents. Pour tenir compte des couplages élastiques qui
peuvent exister entre le corps de la roue et les dents en prise, Prabhu (Prabhu89) dis-
crétise deux dents et un secteur important de la roue à l’aide d’éléments volumiques
à 20 nœuds. II apparaît que la faible densité du maillage utilisé ne permet pas de
prendre en compte la forme réelle de la dent et de son raccordement avec la jante.
De plus, la discrétisation partielle du corps de la roue permet de prendre en compte
les couplages entre la flexion des dents et la déformation de la roue au voisinage
des dents en prise, mais, elle ne permet pas de prendre en compte les déformations
globales de la roue, et notamment ses déformations de torsion.
Figure 2.3 – Maillage éléments finis 3D d’un engrenage (Sainsot89)
Pour calculer les caractéristiques de l’excitation vibratoire des transmissions, Ri-

gaud et Barday (Rigaud99) ont introduit une modélisation par éléments finis 3D des
roues dentées puis résolu le système d’équations non linéaires qui gère le contact
entre les dentures. A partir de cette approche, ils ont pu mettre en évidence les inter-
actions entre les couples de dents en prise et les couplages élastiques entre les corps
de roue et les dentures. Ils ont aussi analysé les effets des corrections de denture sur
les fluctuations périodiques de l’erreur statique de transmission sous charge et de la
raideur d’engrènement de torsion.
Figure 2.4 – Maillage des roues dentées (Rigaud99)
2.2.2 Modélisation dynamique
Les modèles torsionnels initiaux à un seul degré de liberté (Figure 2.5) ont pro-
gressivement évolués vers des représentations tridimensionnelles plus complexes in-
tégrant les couplages entre les différents degrés de liberté du système (torsion, flexion,
traction et compression).
Figure 2.5 – Modèle torsionnel
La classification traditionnelle de ces modèles dynamiques est basée essentielle-

ment sur la nature du comportement dynamique de l’engrenage (linéaire ou non-

linéaire) et sur la description des conditions de contact lors de l’engrènement.
2.2.2.1 Modèles linéaires à raideur d’engrènement constante
Les modèles dynamiques d’engrenages sont considérés linéaires lorsque la contri-

bution de la non linéarité hertzienne due aux conditions de contact ainsi que les
éventuelles pertes de contact en cours de mouvement sont négligées. Certains mo-
dèles linéaires supposent en outre que la raideur d’engrènement est indépendante
de la vitesse de rotation et que ses variations temporelles sont négligeables. Dans
ces conditions, les équations du mouvement sont des équations différentielles à co-
efficients constants classiques et permettent d’accéder aux fréquences naturelles et
modes propres de la transmission.
Dans ces modèles, les excitations naturelles dues à l’engrènement sont introduites
via la notion d’erreur de transmission tout en supposant que la raideur d’engrène-
ment est constante. Il est conclu que le calcul des facteurs dynamiques, en utilisant
ce modèle linéaire afin d’inclure les effets des arbres, est une très bonne alternative
aux modèles plus sophistiqués beaucoup plus coûteux à utiliser. Ces modèle ne per-
mettent pas de prendre en compte les phénomènes paramétriques et non linéaires
associés à la fluctuation de la raideur d’engrènement. Compte-tenu de ces remarques,
le domaine de validité de ce type de modèles correspond aux engrenages fortement
chargés présentant des faibles fluctuations de raideur et soumis à des niveaux d’exci-
tations modérés.
Parmi les premières modélisations proposées, Tuplin (Tulpin58) a matérialisé cette

raideur comme un simple ressort et a modélisé les écarts de forme des profils par des
coins de géométries données se déplaçant entre la raideur et une partie indéformable
simulant les aspects inertiels associés à l’engrenage (Figure 2.6 ).
Sener et Özgüven (Sener93) ont utilisé le modèle linéaire présenté sur la Figure
2.7 pour étudier le comportement dynamique d’un système d’engrenages en tenant
compte de son environnement (les arbres portant les engrenages et deux inerties re-
présentant le moteur et la charge). Dans ce modèle, les excitations naturelles dues à
l’engrènement sont introduites via la notion d’erreur de transmission tout en suppo-
Figure 2.6 – Modèle de Tuplin d’après Özgüven (Ozguven88)
sant que la raideur d’engrènement est constante. Dans ces conditions, le système dif-
férentiel est à coefficients constants et sa résolution est relativement aisée. Il est conclu
que le calcul des facteurs dynamiques, en utilisant ce modèle linéaire afin d’inclure
les effets des arbres, est une très bonne alternative aux modèles plus sophistiqués
beaucoup plus coûteux à utiliser.
Figure 2.7 – Modèle linéaire de Sener et Özgüven (Sener93)
Dans le but de caractériser les efforts dynamiques transmis au carter, Miloudi et

Merzoug (Miloudi07) ont choisi un modèle de ce type où la raideur d’engrènement
est considérée constante.
2.2.2.2 Modèles linéaires à raideur d’engrènement variable
Dans cette catégorie, les hypothèses précédentes conduisant à un modèle linéaire

sont maintenues, mais la raideur d’engrènement est considérée comme variable. Le
système d’engrenages est alors caractérisé par des équations différentielles à coeffi-
cients périodiques.
Ce type de modèle a été utilisé dans (Lin94) pour étudier l’effet de corrections de
profil de denture sur l’erreur de transmission statique et le chargement dynamique sur
les flancs des dents d’un engrenage droit. Le modèle dynamique d’engrenages droits,
représenté Figure 2.8, est un modèle torsionnel à quatre degrés de liberté. Les raideurs
et les moments d’inerties des différentes composantes du système sont obtenus à
partir des principes fondamentaux de la mécanique. Les équations de mouvement
contiennent des termes d’excitations dues aux variations périodiques de la raideur
d’engrènement et à la présence d’erreurs de profils. Ces équations sont linéarisées
en décomposant la période d’engrènement en petits intervalles. Des corrections de
profil linéaires ou paraboliques ont été introduit dans le modèle afin de comparer et
discuter l’influence individuelle de chaque correction sur le chargement dynamique
sur l’engrenage.
Figure 2.8 – Modèle linéaire d’après (Lin94)
Pour résoudre numériquement dans le domaine temporel le système d’équations

différentielles obtenu, Merzoug et Miloudi (Merzoug07) ont opté pour le schéma nu-
mérique de Newmark.
Il est possible de calculer la réponse d’un système paramétrique à grand nombre

de degrés de liberté en utilisant une méthode spectrale et itérative (Perret-Liaudet96).
Le domaine de validité de ce type de modèle correspond aux engrenages fortement
chargés et soumis à des niveaux d’excitations modérés, c’est à dire en l’absence de

pertes de contact entre les dents en prise et si le système s’écarte peu de la position
correspondant à l’équilibre statique.
2.2.2.3 Modèles non linéaires à raideur d’engrènement variable
Les modèles dynamiques non linéaires à raideur d’engrènement variable repré-

sentent les modèles d’engrenages les plus sophistiqués, pouvant tenir compte de plu-
sieurs phénomènes qui peuvent se produire lors du fonctionnement, notamment à
l’approche des fréquences critiques et à la présence des défauts de géométrie ou de
montage, etc... comme les pertes de contact entre dents et des déplacements dépen-
dant de la rigidité d’engrènement. Velex et Maatar (Velex96) ont proposé un modèle
dynamique non linéaire d’engrenages cylindriques à denture droite ou hélicoïdale. Le
pignon et la roue sont assimilés à des cylindres rigides reliés à des arbres flexibles.
Le contact entre les dents est supposé linéique et se fait exclusivement dans le plan
d’action. Les lignes de contact sont discrétisées en plusieurs segments (Figure 2.9)
de sorte que l’élasticité des dents est simulée par une distribution de raideurs élé-
mentaires indépendantes représentatives des segments en contact. A chaque pas de
temps, la somme de ces raideurs élémentaires donne la raideur d’engrènement totale
instantanée et cette discrétisation permet d’introduire d’une manière simple les dé-
fauts et les écarts de forme dans la variation temporelle de la raideur d’engrènement
globale. Les équations du mouvement ont été mises en place en utilisant les équations
de Lagrange et en écrivant les énergies cinétiques et potentielles de chaque élément
du système mécanique global (couple d’engrenage, arbres, paliers).
Figure 2.9 – Modèle tridimensionnel d’après Velex et Maatar (Velex96)
Dans (Ajmi05), Ajmi et Velex ont étendu ce modèle afin d’étudier les engrenages
cylindriques à denture larges et considérer les distorsions des corps d’engrenages en
ajoutant des éléments finis d’arbre pour les corps et des fondations élastiques pour
les rigidités de dentures (Figure 2.10).
Figure 2.10 – Modèle de la structure élastique de la dent (Ajmi05)
L’utilisation de ce type de modèles permet de prendre en compte les phénomènes

non linéaires qui peuvent apparaître lors du fonctionnement des transmissions par
engrenages peu ou pas chargées et soumises à des niveaux d’excitations importants.
On observe alors une évolution de la raideur d’engrènement avec la charge instanta-
née en raison de :
• la faible non-linéarité des contacts hertziens,
• l’évolution de l’aire de contact (pour des engrenages peu chargés présentant des
écarts de géométrie, les dents ne sont que partiellement en contact. On observe
alors une évolution de l’aire de contact avec la charge dynamique). En plus, elle
permet d’étudier les phénomènes de chocs induits par des pertes de contact
entre dentures Singh (Singh89), Kahraman (Kahraman90) et Pfeiffer (Pfeiffer96).
Le contact entre les dents en prise est alors représenté par une raideur non
linéaire qui devient nulle lorsque le contact est rompu.
Le but de l’étude proposée par Espin et Joël Perret-Liaudet (Espin07) a été d’analy-
ser la pertinence de ce modèle vis-à-vis de résultats expérimentaux mettant en œuvre
un banc d’essais dont les caractéristiques, notamment au niveau de la micro-géométrie
des dentures, sont parfaitement contrôlées.
La complexité des phénomènes étudiés et des équations à résoudre est telle que,
dans tous les cas, les modèles non linéaires ne sont pas adaptés aux systèmes à grand
nombre de degrés de liberté. En effet, pour ce type de systèmes, la valeur moyenne de
la matrice de raideur varie avec la réponse dynamique du système, la recherche d’une
base modale sur laquelle on pourrait décomposer la réponse du système devient im-
possible. Seule une méthode de résolution temporelle associée à une actualisation à
chaque pas de temps de la valeur des paramètres permet de résoudre les équations de
mouvement. Pratiquement, les systèmes étudiés possèdent rarement plus de quatre
degrés de liberté.
Dans cet article (Shena06), les auteurs utilisent la méthode IHBM (Incremental
Harmonic Balance Method) pour analyser la dynamique non linéaire d’une paire de
roues d’engrenage. Dans un premier temps, ils ont développé un modèle dynamique
tenant compte d’une rigidité d’engrènement variable dans le temps et de l’erreur de
transmission statique. Ensuite, une comparaison avec les solutions numériques est
effectuée et qui montre la validité de la méthode proposée. Enfin l’influence du taux
d’amortissement et l’amplitude d’excitation ont été étudiées.
Kahraman et Singh (Kahraman90), superposent les phénomènes de « backlash » à

la variation temporelle de la raideur d’engrènement et aux écarts de géométrie pris
en compte sous forme d’excitation forcée par l’erreur de transmission quasitatique

sous charge (Figure 2.11). Ils comparent leurs résultats avec les courbes de réponses
expérimentales de Kubo (Kubo78), et montrent l’efficacité de leur modèle en faisant
également apparaître des sauts d’amplitude à l’approche de vitesses critiques de den-
tures pour des amortissements relativement faibles.
Figure 2.11 – Modèles non linéaires à raideur d’engrènement variable (Kahraman90)
Walha et al (Walha09) ont développé un modèle dynamique à 12 degrés de liberté

qui se compose d’un engrenage à deux étages, trois arbres, et deux inerties représen-
tant le moteur et la charge et trois paliers. Le contact est caractérisé par une rigidité
d’engrènement variant périodiquement et un jeu qui peut conduire à la perte du
contact. La réponse dynamique non-linéaire du système est étudiée grâce à une tech-
nique de linéarisation. Le système d’équations est résolu grâce à l’algorithme itératif
de Newmark. Les résultats obtenus mettent en évidence le phénomène de perte de
contact entre les dents à cause de la discontinuité du mouvement cinématique entre
les mobiles.
2.3. Principales sources d’excitation dynamique 20
2.3 Principales sources d’excitation dynamique
Nous présentons dans cette section un aperçu des défauts géométriques identifiés
comme les plus influents sur le comportement vibratoire et acoustique des engre-
nages. Ces défauts peuvent être liés au procédé de fabrication (taillage des dents), au
montage des engrenages ou à l’apparition d’usure altérant les profils de denture. Ils
peuvent également être volontaires dans le cadre d’une correction de profil.
Les forces généralisées qui engendrent la réponse vibratoire des carters sont mul-
tiples (Remond93). On peut distinguer d’une part les excitations internes, propres au
fonctionnement de la transmission, et d’autre part, les excitations externes. Parmi les
sources d’excitation internes, il y a celles qui résultent d’interactions fluide-solide. Il
s’agit essentiellement :
• de l’excitation des carters par des écoulements et par des projections de lubri-
fiant,
• de l’excitation des carters par des émissions acoustiques internes (bruit d’engrè-
nement associé au phénomène de «fluid-pumping» ou aspiration refoulement
de l’air entre les dents et rayonnement acoustique des roues).
Parmi les excitations internes, il y a également celles qui résultent d’interactions

solide-solide. Il s’agit essentiellement :
• des fluctuations des forces de contact au niveau des dentures, transmises aux
paliers ou roulements puis au carter, qui engendrent l’erreur statique de trans-
mission,
• des fluctuations des forces de contact au niveau des roulements qui engendrent
leurs propres défauts,
• des fluctuations des forces de frottement au niveau des dentures,
• des forces de contact engendrées par des chocs dus à la présence des jeux fonc-
tionnels. Cependant, il est bien établi que l’erreur statique de transmission sous
charge constitue la source d’excitation vibratoire interne dominante.
Les sources d’excitation externes sont associées aux fluctuations du couple moteur,
aux fluctuations du couple de charge, aux variations de l’inertie de charge et aux
vibrations transmises via les points de fixation par la structure.
2.3.1 L’erreur statique de transmission sous charge
La principale source d’excitation vibratoire des transmissions par engrenages est

générée par le processus d’engrènement et ses caractéristiques dépendent des situa-
tions instantanées des couples de dents en prise. Ces situations résultent essentiel-
lement des écarts de géométrie et des déformations élastostatiques des engrenages.
On suppose généralement que c’est l’erreur statique de transmission sous charge qui
constitue la principale source d’excitation interne d’une transmission (Welbourn79).
Cette erreur correspond, pour une vitesse de rotation très faible et sous l’application
du couple moteur, à l’écart entre la position réelle occupée par la roue menée et sa po-
sition théorique. Lors du fonctionnement de la transmission, cette erreur donne alors
naissance à des surcharges dynamiques sur les dentures et engendre, via les arbres
et les paliers, des surcharges dynamiques (moments et forces) sur le carter. On peut
distinguer l’erreur statique de transmission de l’erreur dynamique de transmission
(Welbourn79) et (Pearce86). La première est mesurée pour des vitesses très faibles de
fonctionnement alors que la seconde prend en compte les effets dynamiques lorsque
la vitesse augmente. De plus, lors de l’application d’un couple moteur et pour des
vitesses de rotation faibles, on parle d’erreur statique de transmission sous charge.
Enfin, pour de faibles vitesses de fonctionnement et pour des couples moteur juste
suffisants pour assurer le contact entre dents sans déformation, on parle d’erreur ci-
nématique de transmission.
Plusieurs auteurs ont analysé expérimentalement l’influence de cette erreur sur

les niveaux de bruit rayonné. Une forte corrélation entre l’erreur statique de transmis-
sion et le bruit rayonné par les carters a été clairement mise en évidence (Opitz69),
(Niemann70) et (Baron88). Certains auteurs (Thompson77) et (Welbourn77) ont ob-
servé une dépendance linéaire. Dans sa thèse, Bard (Bard95) présente également des
techniques de mesure de l’erreur de transmission.
Rigaud et Barday (Rigaud99)v , ont présenté un outil numérique qui permet de

calculer l’évolution temporelle de l’erreur statique de transmission sous charge d’un

engrenage à denture droite ou hélicoïdale, à partir de ses caractéristiques géomé-
triques, de ses corrections de forme, de ses défauts et des conditions de fonctionne-
ment (couple moteur). Cet outil s’appuie sur les calculs des déformations en flexion
des dents d’engrenages et des déformations locales de contact. La résolution des équa-
tions non linéaires qui gèrent le contact entre les roues dentées permet de calculer,
pour différentes positions successives de la roue menante, le rapprochement des dents
en prise.
2.3.2 Fluctuation de la raideur d’engrènement
La transmission d’un couple moteur entraîne, par l’intermédiaire de la denture,

la déformation élastique de l’engrenage (denture et corps de roue). Il existe deux
contributions aux déformations d’une part une contribution associée à la flexion des
dents et des corps de roue et d’autre part une contribution associée aux contacts lo-
caux entre dents de type hertzien. Vu que les points de contact sur les profils des
dents, que la répartition de charge entre chacun des couples de dents en prise et que
le nombre des dents en prise évoluent au cours de l’engrènement, ces déformations
élastiques dépendent étroitement des positions angulaires des deux roues. Ces défor-
mations se caractérisent au cours de l’engrènement par un rapprochement des dents
entre elles le long de la ligne d’action, rapprochement qui n’est donc pas constant
selon les positions angulaires des roues. Ce rapprochement constitue l’erreur statique
de transmission. On peut, pour chaque position angulaire, modéliser selon la ligne
d’action et à partir de l’effort transmis et du rapprochement des dents entre elles, une
raideur de liaison entre les roues que l’on appelle communément la raideur d’engrè-
nement. Comme l’erreur statique de transmission, cette raideur évolue au cours de
l’engrènement et est fortement conditionnée par :
• l’évolution cyclique du nombre de couples de dents en prise,
• l’évolution des lignes de contact sur le plan d’action,
• l’évolution de la répartition de charge le long de ces lignes de contact.

La raideur d’engrènement s’exprime généralement, pour chaque position an-

gulaire de la roue menante, comme la pente de la relation non linéaire effort-
déplacement qui lie l’erreur statique de transmission sous charge à l’effort transmis
(raideur linéarisée). Par ailleurs, la fluctuation de la raideur d’engrènement possède
un contenu fréquentiel identique à celui de l’erreur statique de transmission sous
charge. En régime de fonctionnement stationnaire, elle est périodique et constitue par
la même une source d’excitation de type paramétrique. Enfin, il n’est pas inutile de
rappeler que la fluctuation d’amplitude de la raideur d’engrènement est fortement
liée à la macro géométrie de l’engrenage. On observe des fluctuations l’amplitudes
de raideur moins grandes pour des engrenages à denture hélicoïdale par rapport à
des engrenages à denture droite. Cela s’explique par un nombre moyen de couples de
dents en prise plus élevé pour des dentures hélicoïdales.
A partir de la connaissance de la raideur d’un couple de dents en tout point du

profil actif, la raideur globale d’engrènement peut être calculée par addition de l’en-
semble des contributions individuelles par paire de dents. Gregory et al. (Gregory63),
Seireg et Houser (Seireg70) , Iwatsubo et Arii (Iwatsubo84), Velex et al (Velex91) re-
présentent la raideur globale d’engrènement d’engrenages à dentures droites par une
fonction en créneaux et en trapèze pour les dentures hélicoïdales (Figure 2.12).
Figure 2.12 – Variation de la raideur d’engrènement en fonction du temps (Velex91)

2.3.3 Défauts de géométrie caractéristiques et conséquences
On présente dans cette section un aperçu des défauts géométriques identifiés

comme les plus influents sur le comportement vibratoire et acoustique des engre-
nages. Ces défauts peuvent être liés au procédé de fabrication (taillage des dents), au
montage des engrenages ou à l’apparition d’usure altérant les profils de denture. Ils
peuvent également être volontaires dans le cadre d’une correction de profil.
2.3.3.1 Rapport de conduite et rapport de recouvrement
Le rapport de conduite eα et le rapport de recouvrement e β caractérisent le nombre

moyen de dents en prise. Le rapport de recouvrement est piloté par l’angle d’hélice β
dans le cas de dentures hélicoïdales tandis que le rapport de conduite dépend d’un
certain nombre de paramètres géométriques liés à la denture comme l’angle de pres-
sion α (qui baisse le rapport de conduite lorsqu’il augmente) ou le nombre de dents.
Dans le cas de dentures hélicoïdales, on parlera de rapport de conduite total qui est
la somme du rapport de conduite et du rapport de recouvrement. Umezawa et al.
(Umezawa85) ont travaillé sur l’influence du rapport de conduite eα et du rapport
de recouvrement e β sur les vibrations produites par un engrenage hélicoïdal. Ils ont
montré qu’une augmentation du rapport de recouvrement, a pour conséquence une
diminution du niveau de vibration et ce, particulièrement, pour les rapports de re-
couvrement supérieur à 1. Ils ont également montré qu’un engrenage hélicoïdal se
comporte comme un engrenage droit si la somme du rapport de conduite et de re-
couvrement est inférieure à 2.
Une étude (Liou92) menée sur les engrenages à dentures droites a montré l’in-
fluence du rapport de conduite sur le niveau de vibration. Elle révèle que l’augmen-
tation du rapport de conduite est bénéfique pour le comportement vibratoire d’une
transmission. Elle montre également qu’un rapport de conduite égal à 2 donne de
bons résultats pour une large gamme de vitesse de fonctionnement. Bard (Bard95)
illustre l’influence du rapport de recouvrement sur la réduction de bruit en citant des
résultats expérimentaux plus anciens . Ces résultats montrent une réduction de bruit
pouvant atteindre plus de 25 décibels (Figure 2.13).
Figure 2.13 – Réduction du bruit d’engrènement avec l’angle d’hélice
2.3.3.2 Correction de denture et erreur de profil
Les corrections de denture sont généralement des corrections de tête de profil afin
de limiter l’apparition d’interférence en fonctionnement. Elles permettent l’amélio-
ration de la continuité de l’engrènement et donc le comportement vibratoire de la
transmission. Il est possible de déterminer une correction optimale en fonction du
couple à transmettre. La correction de denture peut également être une correction
de bombé dont l’objectif est de mieux répartir la charge à transmettre sur la largeur
de la denture. Une étude menée par Iwase et Miyasaka (Iwase96) illustre sur le cas
d’une boîte de vitesse automobile, la réduction du bruit par l’ajout de corrections au
profil. Tavakoli et Houser (Tavakoli86) proposent une optimisation du profil de den-
ture afin de réduire le niveau des harmoniques de la fréquence d’engrènement. Il en
ressort que des corrections de tête ou de pied de profil permettent d’obtenir de bons
résultats. L’erreur de profil est généralement liée à des défauts de taillage, de rectifi-
cation ou aux phénomènes d’usure (pitting, écaillage, etc...) qui vont altérer la surface
du profil. Bard (Bard95) illustre l’impact de l’erreur de profil sur le comportement
dynamique de l’engrènement. Notamment l’apparition de « raies fantômes » autour
de la fréquence d’engrènement pouvant atteindre des niveaux supérieurs à ceux de
la fondamentale d’engrènement. Rémond (Remond91) montre que l’état de surface
des dentures permet une réduction du bruit pouvant atteindre 5 dB entre un taillage
normal et une rectification précise.
2.3.3.3 Excentricité ou erreur de faux-rond.
Ce défaut traduit la non-concentricité entre l’axe du cylindre primitif de denture

et l’axe de rotation de l’arbre auquel la denture est liée. Il se traduit par l’introduction
d’une modulation d’amplitude harmonique à la rotation des arbres sur les signaux
d’erreur de transmission et de bruit d’engrènement (Figure. 2.14).
Figure 2.14 – Modulation d’amplitude caractéristique d’un défaut de faux-rond (Sabot92)
Cette modulation est traduite par l’apparition de deux raies basse fréquence (fré-
quence de rotation des arbres) et par deux bandes latérales autour des harmoniques
de la fréquence d’engrènement (Figure 2.15).
Figure 2.15 – Exemple caractéristique de localisation des bandes latérales dues à l’excentricité
(Welbourn79)
Les effets caractéristiques des défauts de faux-rond sont bien connus dans la biblio-
graphie et les auteurs ayant étudié l’influence des défauts géométriques les signalent
(Welbourn79). Brière (Briere) a proposé une technique de calcul de cette erreur et a
obtenu de bonnes corrélations expérimentales. Notons également l’existence d’une

solution analytique directe Mitome et Ishida (Mitome94), Velex (Velex88) dans le cas
où les excentricités sont faibles devant le rayon des engrenages.
2.3.3.4 Erreur de pas
L’erreur de pas décrit l’erreur de position angulaire d’une dent par rapport à sa
position théorique. On distingue alors l’erreur de pas individuelle qui correspond au
décalage angulaire d’une dent par rapport à sa position théorique et l’erreur de pas
cumulée qui est la somme algébrique des erreurs de pas individuelles. Ce type de
défauts conduit à l’apparition d’une modulation basse fréquence liée à la fréquence
de rotation des arbres. La manifestation de l’erreur de pas sous la forme d’une modu-
lation la rend difficilement discernable du défaut d’excentricité puisqu’il produit les
mêmes effets. Bard (Bard95) propose une revue bibliographique de ces deux défauts.
2.3.3.5 Défaut d’alignement
Le défaut d’alignement est représenté par l’inclinaison et la déviation. L’inclinai-

son correspond à un écart angulaire d’un axe dans le plan des axes de rotation des
engrenages par contre la déviation correspond à un décalage angulaire d’un axe dans
le plan normal au plan formé par les deux axes de rotation et parallèle à ceux-ci. La
représentation de ces défauts est donnée par la figure 2.16
Figure 2.16 – Définition des défauts d’inclinaison et de déviation (Umezawa86)
Ce défaut peut-être causé par un défaut de montage ou par la flexion des arbres de
transmission. Des travaux de Smith (Smith94) ont montré que même un petit défaut
d’alignement (de l’ordre de 60 microns) peut avoir une forte influence sur l’erreur de
transmission.
2.4. Techniques d’analyse et méthodes de diagnostic 29
2.4 Techniques d’analyse et méthodes de diagnostic
Nous présentons dans cette section les différents outils de traitement du signal
adéquats à la détection des défauts d’engrenages et de roulements par analyse de
signaux vibratoires.
Les capteurs tels que les accéléromètres délivrent un signal composé de N points
de mesure à intervalle de temps régulier. La première observation possible d’un signal
est donc la représentation temporelle. Cet outil est aisé à employer lorsque le signal
est simple (vibration de type sinusoïdal du balourd d’un rotor par exemple), mais
devient inexploitable dans le cas de sollicitations multiples et de faible influence de
défauts (Figure 2.17).
Figure 2.17 – Signal temporel en présence de défauts multiples de roulement et d’engrenages

(Breneur02)
Plusieurs indicateurs globaux ont été définis à partir de l’analyse temporelle afin
de caractériser la forme de celle-ci, mais une telle démarche ne permet pas de détecter
de manière fiable un défaut ni d’identifier son origine. Les domaines spectral, cepstral,
ou de l’enveloppe sont en général plus adaptés au diagnostic (Breneur02).
2.4.1 Analyse statistique des signaux
Un moyen pour détecter un défaut dans une machine tournante est l’analyse statis-
tique du signal de vibration. A cet effet, on peut citer la valeur efficace ou RMS (Root
Mean Square), le facteur de crête CF (Crest Factor) et le Kurtosis. Ces paramètres
ont été largement utilisés comme paramètres pertinents dans le suivi vibratoire des
roulements (Dyer78) et ils sont définis par :
v
N
u
u1
RMS = t
N ∑ [ x i ]2 (2.2)
i =1
1
[max xi − min xi ]
FC = 2 (2.3)
RMS
N
1
N ∑ [xi − x̄]4
i =1
Kurtosis = " #2 (2.4)
N
1
N ∑ [xi − x̄]2
i =1
Où xi est l’amplitude du signal pour l’échantillon i, N est le nombre d’échantillons

prélevés dans le signal et x̄ est la valeur moyenne des amplitudes tel que :
N
− 1
x=
N ∑ xi (2.5)
i =1
La présence du défaut peut s’interpréter par le dépassement des indicateurs

d’un seuil prédéterminé. Les seuils de dépassement peuvent être définis soit par les
normes, soit par expérience. La norme peut donner seulement un ordre de grandeur
car elle ne prend pas en compte le type de la machine et ses conditions de fonction-
nement.
Le Kurtosis (mot grecque signifiant « bosse ») est défini par le moment d’ordre 4 de
la distribution des amplitudes vibratoires divisé par la moyenne d’ordre 2 au carré : il
traduit la largeur de la courbe de densité de probabilité du signal. Pour la distribution
dite « normale » ou « gaussienne », les valeurs mesurées se répartissent en forme de
cloche autour d’une valeur moyenne, et le Kurtosis vaut mathématiquement 3.
Un signal ayant un Kurtosis > 3 se représente par une distribution plus étroite
dominée par la présence d’amplitudes crêtes anormalement élevées comme c’est le
cas en présence de chocs répétés.
L’application locale du Kurtosis à différentes bandes fréquentielles a conduit à

l’introduction d’un autre outil statistique : le Kurtosis spectral (Antoni04). L’auteur
a démontré que cet indicateur peut servir à localiser des séries de formes non sta-
tionnaires du signal dans le domaine fréquentiel (Kurtogramme). Il a appliqué cette
méthode dans la détection de défaut de bague extérieure d’un roulement.
La valeur RMS est un indicateur très utilisé bien qu’elle présente des inconvénients
(Pachaud97). Elle est sensible à l’effet de masque, c’est à dire qu’elle peut s’avérer
inefficace à l’apparition de certains défauts. Le facteur de crête et le Kurtosis sont
mieux adaptés pour représenter un signal induit par des forces impulsionnelles tels
que les écaillages de roulements. Bien que ces paramètres qui indiquent la forme
d’un signal soient utiles pour détecter les défauts naissants, ils ont tendance à être
moins efficaces pour les défauts avancés qui génèrent des signaux de vibrations plus
aléatoires qu’impulsionnels.
Plusieurs scientifiques ont utilisé cette technique auparavant : Sidahmed

(Sidahmed90), Lewicki et Zakrajsek (Lewicki96), Ismall, Martin et Omar (Ismail95),
Dowling (Dowling93). Chacun d’eux traitait les signaux de différentes façons avant
de calculer le Kurtosis. Sidahmed (Sidahmed90) a utilisé le facteur de crête pour les
défauts d’engrenages
2.4.2 Analyse spectrale
Transformée de Fourier
En 1822, Fourier a montré qu’une fonction périodique pouvait être décomposée en

une somme infinie de fonctions exponentielles périodiques complexes.
Par généralisation, la transformée de Fourier décompose un signal en fonctions ex-

ponentielles complexes de différentes fréquences. Les coefficients de la décomposition
sont les coefficients de la transformée de Fourier X(f).
Z +∞
x (f) = X ( f )e j2π f t d f (2.6)
−∞
Pour calculer la valeur d’un coefficient de Fourier à la fréquence f, on multiplie le

signal x(t) par une exponentielle de fréquence f et on intègre sur tout le temps.
Z +∞
X (f) = x (t)e− j2π f t dt (2.7)
−∞
L’analyse spectrale est un outil fondamental pour le traitement des signaux de vi-
brations. Généralement, le signal de vibration enregistré sur une machine tournante
est une composition de réponses à toutes les forces d’excitations. L’analyse spectrale
est souvent utilisée pour les machines complexes comportant beaucoup d’éléments
mécaniques. Son intérêt est de pouvoir dissocier et identifier les sources de vibrations
en fonction des caractéristiques cinématiques des différents éléments constitutifs et de
leurs vitesses de rotation. Dans le spectre, les composantes fréquentielles qui repré-
sentent les défauts peuvent alors être identifiées ainsi que leurs harmoniques et leurs
bandes latérales correspondantes. Pour fournir des informations de diagnostic utiles,
les composantes fréquentielles du spectre doivent satisfaire à deux exigences. Premiè-
rement, les composantes fréquentielles du défaut doivent être plus énergétiques que
le bruit de fond et non masquées par d’autres composantes de fréquence. Deuxième-
ment, les composantes fréquentielles doivent être discrètes pour qu’on puisse identi-
fier la fréquence du défaut.
Le diagnostic vibratoire des réducteurs à engrenages par analyse spectrale a fait

l’objet de nombreuses études (Bendat93), (Dron95), (Drouiche93), (Taylor80), (Gao98),
(McFadden85) et (Rasolofondraibe93). Dans ce qui suit, nous présentons un exemple
de diagnostic par analyse spectrale à partir d’un signal simulé sous Matlab.
Modèle mathématique de défauts d’engrenage
Pour un engrenage parfait, le signal vibratoire est périodique avec une période
1
Tz = , où f z est la fréquence d’engrènement fondamentale. Elle est définie comme
fz
le produit du nombre de dents Z p du pignon et de la fréquence de rotation f r . Le
signal vibratoire possède des composantes sinusoïdales à la fréquence d’engrènement
et ses harmoniques (D’Amours00). Le signal est défini comme :
M
x (t) = ∑ Xm sin (2πm f z t + Φm ) (2.8)
m =1
M est l’ordre de l’harmonique.
Dans notre cas, l’amplitude Xm et la phase Φm de la sinusoïde sont variables. En

raison d’un défaut localisé, les modulations sont périodiques à la fréquence de rota-
tion de l’arbre f r . La modulation de la phase Φm (t) et la modulation de l’amplitude
Am (t) pour chaque harmonique de la fréquence d’engrènement vont être représentées

par une série de Fourier discrète jusqu’à Q composantes :
Q
∑ amq sin

δm (t) = 2πq f z t + αmq (2.9)
q =1
Q
∑ bmq sin

Am (t) = 2πq f z t + β mq (2.10)
q =1
Une fois modulé, le signal vibratoire provenant de l’engrenage prend la forme

suivante :
M
x (t) = ∑ Xm (1 + Am (t)) sin (2πm f z t + Φm + δm (t)) (2.11)
m =1
Dans cet exemple, le spectre d’énergie est obtenu à partir de la transformée de Fourier.
La Figure 2.19 représente les spectres en fréquence du signal simulé pour différents
cas de fonctionnement de l’engrenage. La Figure 2.18.a correspond au cas d’un petit
défaut, on retrouve la famille de raies d’engrènement, entourée par une famille de
raies latérales périodiques de période égale à la fréquence de rotation de l’élément
analysé. La Figure 2.18.b correspond au cas d’un défaut plus important, on observe
encore une augmentation d’amplitude des raies latérales, témoignant ainsi de l’évo-
lution grandissante du défaut.
Figure 2.18 – Spectre du signal simulé : a) petit défaut ; b) gros défaut
Su et Lin en 1992 (Su92), développent le modèle précédent proposé en 1984 par

Mac Fadden (McFadden84) pour décrire les vibrations d’un roulement provoqué par
un défaut simple, et ont donné un aperçu détaillé sur l’analyse des spectres de vibra-
tion.
2.4.3 Analyse cepstrale
Un autre outil très utile pour le diagnostic des défauts des machines tournantes
est l’analyse cepstrale. L’opérateur cepstre est une méthode de traitement non linéaire,
introduit par Bogert en 1963 pour faire la détection d’échos (Bogert63). Dans les ma-
chines tournantes, les signaux ont un caractère périodique, de plus les défauts in-
duisent des motifs récurrents pouvant être considérés comme un système d’échos
multiples ; c’est la raison pour laquelle la méthode a été utilisée (Randall80). La défi-
nition du cepstre de puissance d’un signal est donnée par :
h i
CSS (t) = TF −1 log | X ( f )|2 (2.12)
Où TF −1 symbolise la transformée de Fourier inverse et X(f) est la transformée de

Fourier du signal x(t).
Figure 2.19 – Example d’un Cepstre (Razafindrazato10)

Randall est l’un des précurseurs dans le cas de l’analyse vibratoire. En effet dans
les articles (Randall75) et (Randall80), on trouve une étude intéressante sur l’inter-
prétation du cepstre dans le cas de diagnostic de réducteurs. Le travail présenté par
Miloudi et Bouzouene (Miloudi99), s’intéresse à l’application de l’analyse cepstrale
pour la détermination de la périodicité des chocs générés par le défaut de roulement.
2.4.4 Analyse d’enveloppe
L’analyse d’enveloppe est un outil très utile pour diagnostiquer les défauts. Elle
identifie les composantes fréquentielles qui indiquent la localisation du défaut et la
vitesse de l’arbre sur lequel il est monté. Souvent, cette technique est appliquée dans
une bande de fréquence où le rapport signal/bruit est le plus élevé.
La transformée de Hilbert permet de calculer l’enveloppe d’un signal s(t) qui est
définie par la formule suivante :
Z +∞
1 x (t)
H [ x (t)] = dτ = x̄ (t) (2.13)
π −∞ t−τ
Ceci constitue la partie imaginaire du signal analytique défini par :
z (t) = x (t) + j x̄ (t) = | x (t)| e jθ (t) (2.14)
Où
x̄ (t)
θ (t) = arctan (2.15)
x (t)
Le module du signal analytique est défini par :
q
z (t) = x2 (t) + x¯2 (t) (2.16)
La figure 2.20, montre le spectre d’enveloppe du signal simulé précédemment dans

l’analyse spectrale.
Certains défauts d’engrenage, manifestent leur présence par une modulation

d’amplitude et de fréquence du signal d’engrènement (McFadden85), (Randall97). Il
est donc possible à partir des méthodes de démodulation d’amplitude et de phase de
détecter la présence d’un défaut (Pachaud92). McFadden (McFadden86) partant d’un
modèle mathématique simple de signal vibratoire d’engrènement a calculé l’influence
des modulations d’amplitude et de phase dues à un défaut localisé.
Figure 2.20 – Example d’analyse d’enveloppe
2.4.5 Analyse temps-fréquence
Bien que l’analyse spectrale soit parfaitement adaptée à l’étude des signaux pério-
diques, elle ne peut naturellement pas prendre en compte l’évolution temporelle des
caractéristiques fréquentielles d’un signal non-stationnaire. Pour décrire cette évolu-
tion temporelle, il faut réaliser une analyse spectrale évolutive, d’où les méthodes
temps-fréquence.
Les méthodes d’analyse temps-fréquence ont été développées pour l’étude des
signaux non stationnaires (Ville48), (Flandrin93) et (Choy96). Cette notion de non-
stationnarité peut s’appliquer aussi bien à des signaux aléatoires qu’à des signaux
déterministes. Plus généralement, elles s’appliquent à des signaux dont les propriétés
fréquentielles évoluent au cours du temps.
2.4.5.1 Transformée de Fourier à Court Terme
La Transformée de Fourier à Court Terme (TFCT) est la technique d’analyse la plus

largement utilisée en temps-fréquence, le résultat peut être présenté par un spectro-
gramme. Le signal à analyser est non stationnaire, l’idée de la TFCT est de partager
ce signal en fractions supposées stationnaires. Pour chaque fraction temporelle, une
transformée de Fourier (FFT) est appliquée. Le signal est découpé au moyen d’une fe-
nêtre « g » où l’indice τ représente le positionnement temporel de cette fenêtre et donc
le positionnement du spectre correspondant. La formule suivante résume le principe
Z +∞
TFCT (t, f ) = x (t) g (t − τ ) e− j2π f (t−τ ) dt (2.17)
−∞
Où τ représente le paramètre de localisation de la fenêtre g. TFCT (t, f ) corres-

pond au spectre du signal x autour de τ, f est le paramètre de fréquence. La série
de spectres ainsi constituée représente une forme de transformée temps-fréquence du
signal appelé spectrogramme.
La figure 2.21, montre le spectrogramme du signal simulé précédemment dans

l’analyse spectrale.
Figure 2.21 – Spectrogramme du signal simulé
2.4.5.2 Transformée en ondelettes
La transformée en ondelettes (TO) ou la représentation temps-échelle est une tech-

nique multi-résolution utilisée pour analyser des signaux non-stationnaires. Elle est
semblable à la technique temps-fréquence en ce qu’elle donne une représentation
temps-fréquence d’un signal en deux dimensions, mais contrairement à l’autre, elle

analyse les basses fréquences avec une fenêtre appelée ondelette de longueur don-
née et les hautes fréquences avec une ondelette de longueur plus courte. La TO sera
détaillée dans le chapitre 3.
2.4.5.3 Transformée de Wigner-Ville
La transformée de Wigner Ville fournit une décomposition temps fréquence sans

aucune restriction sur les résolutions temporelles et fréquentielles. Elle apparaît tout
à fait adaptée à l’analyse des signaux non stationnaires puisque qu’elle ne nécessite
par d’hypothèses sur le signal lui-même. La TWV est définit par :
Z +∞
τ τ − j2π f t
W (t, f ) = x (t + ) x t − e dt (2.18)
−∞ 2 2
Cette formule représente l’énergie d’un signal x au temps t et à la fréquence f. Mal-

heureusement, la non linéarité de cette transformée a des conséquences désastreuses
qui se manifestent par l’apparition d’interférences et d’énergies négatives dans la dis-
tribution temps fréquence de l’énergie du signal. Ces phénomènes sont remarquables
lorsqu’il y a présence de 2 événements distincts en temps et en fréquence. Ce phéno-
mène est totalement irréaliste d’un point de vue physique et laisse entrevoir des diffi-
cultés d’interprétation de la TWV. C’est pourquoi, afin d’extraire des résultats fiables,
il est nécessaire d’éviter ces énergies négatives par un post traitement qui affectera les
propriétés de résolution de la transformée. Simplement négliger les énergies négatives
est une erreur car elles représentent une information qui doit être pris en compte bien
que difficilement interprétable. La solution revient à adoucir localement la rigueur de
la résolution. La transformée de Wigner Ville lissée (TWVL) est exprimée par :
Z Z
WK (t0 , f 0 ) = W (t0 + t, f 0 + f ) K (t, f ) dtd f
Où K est appelé noyau de lissage. Selon les propriétés bidimensionnelles de cette

fonction, la TWVL diminue les niveaux d’énergies négatives et fournit suivant les cas
une distribution d’énergie complètement positive. Cette condition est souhaitée quel
que soit le signal. D’un autre côté, le lissage doit préserver le caractère local du signal,
des compromis sont à trouver. Le noyau gaussien suivant est souvent utilisé pour la
TWVL :
2 2
K t0, f0 = e−(γt) e−(2πδ f )

(2.20)
Avec γ et δ = 1
La figure 2.22, montre une représentation basée sur transformée de Wigner-Ville

du signal simulé précédemment dans l’analyse spectrale, qui met au clair la raie spec-
trale à la fréquence d’engrènement (333.33 Hz dans notre cas), mais aussi le phéno-
mène de modulation d’amplitude. L’élévation d’énergie associée à la fréquence de
rotation (16.66 Hz), n’est pas trop remarquable sur cette représentation.
Figure 2.22 – Exemple de la représentation Wigner-Ville

2.5. Conclusion du chapitre 40
2.5 Conclusion du chapitre
e chapitre a montré qu’un très grand nombre de travaux a été mené sur l’étude
C des transmissions par engrenages. Différents niveaux de modélisation sont en-
visagés allant des modèles à paramètres concentrés induisant la manipulation d’un
faible nombre de degrés de liberté aux modèles éléments finis permettant la représen-
tation de structures complexes mais dont le coût en terme de temps de traitement est
important (de l’ordre de plusieurs jours). A la vue des travaux existants sur le sujet,
il apparaît alors pertinent de développer une approche permettant de s’affranchir au
maximum des éléments finis tout en conservant la possibilité de décrire la géométrie
de transmissions complexes sans discrétisation. Les objectifs sont alors de réduire au
maximum les temps de calcul tout en conservant un maximum de paramètres du
modèle accessibles pour analyser, détecter et surveiller des défauts d’engrenages par
la mise au point d’un indicateur basé sur l’analyse en ondelettes puis la recherche
d’indicateurs pertinents dans le cas où la vitesse de rotation est variable. Pour cela,
les différentes techniques ainsi que les outils de détection et de surveillance ont été
rappelés.
Détection précoce d’un défaut 3
d’engrenage par analyse vibratoire
Plan du chapitre
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2 Transformée en ondelettes . . . . . . . . . . . . . . . . . . . . . . 46
3.2.1 Principe de la décomposition par ondelettes . . . . . . . . . . 47
3.2.2 Transformation en ondelettes continues . . . . . . . . . . . . . 47
3.2.3 Relation entre échelle et fréquence . . . . . . . . . . . . . . . . 49
3.2.4 Transformation en ondelettes discrètes . . . . . . . . . . . . . . 50
3.2.5 Choix des ondelettes . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2.6 Recherche des meilleures ondelettes . . . . . . . . . . . . . . . 52
3.3 Simulations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.3.1 Modèle dynamique retenu . . . . . . . . . . . . . . . . . . . . . 54
3.3.2 Équations de mouvement . . . . . . . . . . . . . . . . . . . . . 54
3.3.3 Effet de la variation de la raideur d’engrènement . . . . . . . 56
3.3.4 Signaux de simulations . . . . . . . . . . . . . . . . . . . . . . . 58
3.3.5 Évolution du Kurtosis pour le signal simulé bruité . . . . . . . 59
3.3.6 Optimisation de l’analyse multirésolution en ondelettes . . . 60
41
42
3.3.6.1 Seuillage doux . . . . . . . . . . . . . . . . . . . . . 61
3.3.6.2 Seuillage dur . . . . . . . . . . . . . . . . . . . . . . . 61
3.3.6.3 Méthodologie utilisée pour l’évaluation des perfor-

mances . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.3.6.4 Choix de l’ondelette analysante . . . . . . . . . . . . 62
3.3.7 Evolution du Kurtosis pour différentes approximations . . . . 63
3.4 Application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.4.1 Défaut d’écaillage . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.4.2 Présentation des signaux . . . . . . . . . . . . . . . . . . . . . . 66
3.4.3 Signaux originaux . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.4.3.1 Évolution du kurtosis des signaux originaux . . . . 69
3.4.4 Indicateur proposé . . . . . . . . . . . . . . . . . . . . . . . . . 72

43
e but de ce chapitre est d’essayer de maîtriser les différents paramètres liés à

L l’analyse par ondelettes pour une détection fiable et peu coûteuse, à savoir,
l’ordre de l’ondelette et le niveau de décomposition en vue d’améliorer la sensibilité
de certains indicateurs comme le Kurtosis qui ne peuvent donner un verdict fiable sur
polluer le signal et rendent la détection difficile. L’approche, déjà utilisée pour des
roulements, consiste à observer le Kurtosis pour plusieurs ordres d’ondelettes et ni-
veaux de décomposition en fonction de la gravité du défaut.
3.1. Introduction 44
3.1 Introduction
a présence des engrenages dans la plupart des domaines industriels, ainsi que
L la nécessité d’un diagnostic précoce des défauts et un contrôle qualité du bruit,
font que l’étude de ses vibrations suscite un vif intérêt dans le monde de la recherche.
Parmi les méthodes de surveillance des machines, l’analyse des vibrations occupe
une place privilégiée car elles sont l’image des efforts dynamiques engendrés par les
pièces en mouvement ou par des sources extérieures.
Le traitement des signaux vibratoires permet d’extraire d’un signal global com-
plexe difficile à interpréter, des signaux correspondants aux vibrations provoquées
par les pièces en mouvement dans la machine. Jusqu’à présent, l’analyse vibratoire
était essentiellement basée sur des méthodes stationnaires (analyses spectrales, de
Fourier, cepstrale). Cependant, de nouveaux travaux ont montré l’intérêt de nouvelles
méthodes basées sur la non stationnarité ou la non linéarité de ce phénomène.
Les signaux vibratoires des machines tournantes sont de nature harmonique. Ceci
justifie l’emploi de la transformée de Fourier qui, est incontournable dans l’analyse
du signal utilisant l’aspect fréquentiel d’un signal mais elle ne convient pas à tous
les types de signaux, notamment des signaux non stationnaires. Elle est insuffisante
pour mettre en évidence les caractéristiques évolutives du signal. Et ni la description
temporelle ni la description fréquentielle seules ne permettent de décrire l’évolution
temporelle du contenu spectral d’un signal. Une autre description est donc nécessaire.
Drouiche et al (Drouiche91) jugent les techniques basées sur l’analyse de Fourier et
l’emploi de descripteurs de signaux tels les valeurs RMS, Kurtosis, ne sont pas effi-
caces. Ils ont donc testé des méthodes de traitement du signal (Capon, Lagunas, AR)
réputées plus performantes pour détecter des défauts, caractérisés à l’état précoce, par
des non-stationnarités locales lors de l’engrènement des dents. Aatola et al (Aatola90)
ont réalisé une étude comparative entre plusieurs méthodes d’analyse vibratoire. Il
ont utilisé comme indicateurs : le spectre d’énergie, le cepstre d’énergie, la valeur ef-
ficace (RMS) et le Kurtosis du signal. L’objectif était d’étudier les performances de ces
différentes méthodes. A la suite de ces travaux, il s’est avéré que le cepstre d’énergie
était le plus efficace, puisqu’il a permis de déceler de manière claire, l’apparition des
défauts quatre heures avant la cassure des dents. Dans les travaux de Bouzouane et al
(Bouzouane03) deux types d’ondelettes ont été testés sur des cas réels : Daubechies et
Morlet. Ils ont montré que la première est adaptée aux signaux stationnaires tels que
ceux générées par un balourd et la deuxième aux signaux non stationnaires tels que
ceux générés par un défaut de dentures. La conclusion est que de meilleurs résultats
peuvent être obtenus, notamment pour la multirésolution, si la cadence d’échontillon-
nage est plus importante. D’après eux, il reste à voir la capacité de cette méthode à
s’adapter à des signaux contenant deux ou plusieurs types de défauts à la fois.
Le contenu spectral de l’erreur statique de transmission sous charge se caractérise

par des raies autour des fréquences de rotation des arbres et ses harmoniques qui sont
attribuées aux défauts d’excentricité ou aux erreurs de division et par des raies à la
fréquence d’engrènement et ses harmoniques qui sont attribuées aux défauts de pro-
fil Randall (Randall82), aux défauts de parallélisme, et aux fluctuations de la raideur
d’engrènement. Par ailleurs, la combinaison d’un défaut d’excentricité avec la fluc-
tuation de la raideur d’engrènement induit la présence de raies latérales autour de la
fréquence d’engrènement et de ses harmoniques. Ces raies traduisent un phénomène
de modulation d’amplitude des raies à la fréquence d’engrènement ou ses harmo-
niques par les fréquences de rotation des arbres caractéristiques des transmissions
par engrenages.
Djebala et al (Djebala13) ont proposé une approche qui profite du caractère lo-
cal de l’analyse en ondelettes et sa capacité à détecter les phénomènes transitoires.
Ils ont tout d’abord calculé la transformée de Hilbert du signal puis ils ont calculé
une enveloppe du signal qui sera traitée par l’analyse en ondelettes. Ils ont extrait
alors le détail qui couvre la fréquence de rotation de la roue défectueuse. Parey et
al (Parey06) utilisent une décomposition en mode empirique (EMD) utilisée comme
un outil de traitement pour des signaux non stationnaires. Dans leur travail, ils ex-
posent son fonctionnement à partir d’un signal réel. Ils exploitent cette méthode pour
détecter d’une manière précoce la présence d’un défaut en utilisant des indicateurs
vibratoires globaux qui sont basés sur l’analyse statistique d’un signal temporel tels
que le Kurtosis et le facteur crête.
Les indicateurs sont parfois limités et ne peuvent donner un verdict fiable sur
3.2. Transformée en ondelettes 46
polluer le signal et rendent la détection difficile, voire impossible dans certains cas.
Une première solution consiste à mesurer les signaux dans des bandes étroites aux
hautes fréquences grâce à un filtrage passe-bande (Pachaud97). Une deuxième ap-
proche consiste à utiliser les outils modernes de débruitage des signaux vibratoires
développés à partir de la transformée en ondelettes (Donoho95) et (Ling00), soustrac-
tion spectrale (Dron04), ou le filtrage adaptif (Lin03). Une comparaison entre les trois
méthodes a été appliquée sur des signaux de roulements défectueux (Dron10). En ef-
fet, l’utilisation de ces méthodes permet d’avoir des signaux filtrés et débruités dont
le Kurtosis est plus significatif. Ceci va permettre de détecter les éventuels défauts
dont la détection n’était pas possible dans les signaux bruts ou large bande.
3.2 Transformée en ondelettes
Les ondelettes ont vu le jour lorsque certains sujets d’étude ont nécessité une ana-
lyse en fréquence et en temps. Au XIXème siècle, l’analyse de Fourier était la seule
technique permettant la décomposition d’un signal et sa reconstruction sans perte
d’information ; malheureusement elle fournit une analyse en fréquence mais ne per-
met pas la localisation temporelle de changements. En 1909, Alfréd Haar définit une
fonction composée d’une courte impulsion négative suivie d’une courte impulsion
positive, connue pour être la première ondelette (Ondelette de Haar). En 1946, Dennis
Gabor, mathématicien hongrois, inventa une transformation de fonction analogue à
celle de Joseph Fourier, appliquée sur une fenêtre temporelle exprimée par une fonc-
tion gaussienne. Finalement, le terme d’ondelette fut introduit dans le langage ma-
thématique par Jean Morlet et Alex Grossmann en 1984. Terme initialement français,
il fut traduit en anglais par wavelet, à partir des termes wave (onde) et le diminutif let
(petite). Yves Meyer, reconnu comme un des fondateurs de la théorie des ondelettes,
rassembla en 1986 toutes les découvertes précédentes puis définit les ondelettes or-
thogonales. La même année, Stéphane Mallat fit le lien entre les ondelettes et l’analyse
multirésolution. Enfin, Ingrid Daubechies mit au point en 1987 des ondelettes ortho-
gonales appelées ondelettes de Daubechies, facilement implémentables, (voir figure
3.1).
Une Ondelette est une oscillation en forme d’onde, d’une durée limitée et dont
la représentation graphique est telle que les aires positive et négative sont égales
(moyenne nulle). On parle aussi de fenêtre « en accordéon »
Figure 3.1 – Exemples d’ondelettes
3.2.1 Principe de la décomposition par ondelettes
L’idée de base de la transformation en ondelettes consiste à utiliser des fenêtres

de pondération de fonction réelle à deux paramètres a et b de la forme ψa,b (t) . Une
telle fonction se caractérise par : le facteur d’échelle a : il mesure l’étirement ou la
contraction de l’ondelette. Une faible valeur de a signifie une ondelette contractée
temporellement, le facteur de translation (ou la position) b est tel qu’en déplaçant son
support d’analyse, on déplace l’ondelette dans le temps.
Cette méthode permet en particulier d’effectuer des études localisées sur une par-
tie du signal. Des aspects particuliers caractérisant les phénomènes non stationnaires.
L’historique et les développements théoriques sont donnés en annexe A.2.
3.2.2 Transformation en ondelettes continues
De l’analyse de Fourier ressortent des coefficients qui, multipliés par des sinu-
soïdes de fréquences appropriées, permettent de reconstituer le signal initial. Pour
l’analyse par ondelettes, les coefficients d’ondelettes (liés au type d’ondelette utilisé)
pour une transformation sont déterminés par :

Z +∞
C ( a, b) = x (t).ψa,b (t)dt (3.1)
−∞
x(t) étant le signal temporel, ψa,b (t) la fonction de base de l’ondelette. Tout se
déroule comme si on projetait le signal sur une base des fonctions analysantes. Ces
dernières sont de la forme :
t−b

1
ψa,b (t) = √ ψ∗ (3.2)
a a
et sont construites à partir de la fonction génératrice (en général complexe) appelée
ondelette-mère. La figure suivante montre l’exemple de l’ondelette de Morlet, consti-
tuée de sinus modulé par une gaussienne : Dès lors, une transformée en ondelettes
continues s’écrit :
Z +∞
t−b

1 ∗
TOx ( a, b) = √ x (t).ψ dt (3.3)
a −∞ a
Figure 3.2 – Exemple d’ondelette de Morlet avec a = 2 et b = 1
Le scalogramme, défini par le carré du module de la transformée en ondelettes

continues, est très utilisé dans le diagnostic de défauts :
SGx ( a, b) = | TOx ( a, b)|2 (3.4)
qui n’est rien d’autre que la corrélation locale entre la fonction analysante et le signal.
La différence par rapport à la transformée de Fourier est l’utilisation de défor-

mation (dilatation ou contraction) du motif de l’ondelette originale. La notion de
fréquence laisse la place à la notion d’échelle de dilatation (d’où le nom d’analyses
multi-échelles ou de représentation temps-échelle).
A titre d’exemple, les ondelettes de Morlet et le « chapeau mexicain », de type

à faible oscillation, ont été étudiées par (Addison02). En raison de sa parité, cette
catégorie donne une décomposition temporelle. Elles peuvent alors convenir pour la
détection de caractéristiques de courte durée, de faible amplitude, et masquées dans
du bruit.
Pour certaines familles d’ondelettes, la décomposition est unique (il n’y a pas de
redondance) car les coefficients d’ondelettes sont indépendants : on parle d’orthogo-
nalité de ces ondelettes, lesquelles forment une base de fonctions orthogonales.
La procédure permettant d’arriver à la transformation en ondelettes continues est

décrite comme suit :
1. choisir une Ondelette d’analyse et la comparer à une portion au début du signal,
2. calculer le coefficient d’ondelette C représentant la valeur de la corrélation entre

l’ondelette et le signal,
3. déplacer l’ondelette et refaire les opérations 1. et 2. jusqu’à balayer intégralement

le signal,
4. varier l’échelle de l’ondelette et répéter les opérations 1. à 3. puis les étapes 1. à

4. pour toutes les échelles.
A la fin, on obtient les coefficients d’ondelettes aux différentes échelles et positions.
3.2.3 Relation entre échelle et fréquence
Le terme « échelle » désigne la corrélation entre la taille de l’ondelette et celle des

composantes que l’on recherche.
De manière générale, les ondelettes étendues (grandes échelles) conviennent pour

voir la tendance du signal aux basses fréquences, autrement dit les composantes de
longue durée. En effet, étirer les oscillations fait baisser leur fréquence. Par contre,
celles qui sont fines ou contractées (petites échelles) permettent de se concentrer sur
les hautes fréquences correspondant aux composantes transitoires en général. Elles
poursuivent les variations rapides et fournissent des informations sur le temps d’ap-
parition d’un évènement.
C’est ainsi que les ondelettes s’adaptent automatiquement aux différentes compo-
santes du signal.
L’avantage de la multi-résolution est mis en évidence dans la localisation de com-

posants de courte durée dans le signal. Cette qualité a été mise à profit par (Wang03c)
pour surveiller l’état d’une boîte de transmission à engrenage sur un hélicoptère,
particulièrement les défauts générant des phénomènes transitoires. Pour cela, un al-
gorithme de calcul a été élaboré.
La combinaison de différentes techniques s’avère souvent pertinente. (Wang03a)

a conjugué avantageusement les transformations de Fourier et en ondelettes pour
caractériser des défauts naissants et bien localisés sur les paliers à roulement.
Si la plupart des travaux portent sur la représentation des ondelettes en am-

plitude, le plan des phases (pour les ondelettes complexes) peut aussi être sondé.
(Boulahbal99) a alors combiné les deux espaces pour évaluer l’état des engrenages. Il
a en outre introduit la représentation polaire, très intéressant pour le repérage précis
de la dent usée. Par la suite, (Meltzier04) a poursuivi ces travaux en ajoutant un autre
facteur : vitesse de rotation variable. Pour cela, un logiciel spécifique a été développé
et testé sur un réducteur à engrenage droit à denture hélicoïdale, des améliorations
ont été trouvées.
Rubini (Rubini01) a démontré l’efficacité des ondelettes par rapport à d’autres

techniques, en étudiant des roulements comportant des défauts de piqûres sur les
pistes et cela pour de faibles charges radiales. Les exemples s’étendent vers d’autres
domaines, tels que les turbomachines. (Aretakis97) a ainsi confirmé la pertinence de
la méthode en diagnostiquant les défauts sur une turbine à gaz. Dalpiaz (Dalpiaz00)
a pu analyser les vibrations non-stationnaires dans les mécanismes à cames sur les
machines d’emballage automatique.
3.2.4 Transformation en ondelettes discrètes
Le facteur d’échelle et le pas de translation étant des réels, la transformation

en ondelettes continue est redondante. Étant parcouru continûment, l’espace temps-
fréquence est sur-analysé. En outre, la transformation occasionne un volume impor-
tant de calculs, vue la quantité des coefficients. C’est pourquoi on a créé la transfor-
mation en ondelettes discrète dans laquelle on ne translate et dilate l’ondelette que
selon des valeurs discrètes.
En général, le facteur de dilatation a est une puissance de 2. C’est comme si on

procède par échantillonnage avec des échelles égales à des puissances de 2. Le nombre
de coefficients est ainsi considérablement réduit.
Yin-ge (Yin-ge91) a utilisé la transformée de Haar pour le diagnostic des défauts

sur les machines tournantes. Pour cela, il s’est basé sur le pic d’impulsion comme
indicateur. En raison de sa simplicité, la transformation de Haar a en outre été utili-
sée dans d’autres domaines. Tonshoff (Tonshoff03) a étudié les machines- outils avec
cette méthode. L’auteur a utilisé la transformée en ondelette discrète pour prévenir la
cassure de l’outil fraise par mesure du courant électrique du moteur d’entraînement.
3.2.5 Choix des ondelettes
En raison de sa forme, l’ondelette de Morlet se prête naturellement à l’analyse de

signaux de type réponses impulsionnelles à un choc (D’Amours00). En outre, selon
Staszewski (Staszewski97), ce type d’ondelette est aussi bien adapté pour détecter
de brusques changements (discontinuités et impulsions) dans les signaux vibratoires
venant d’engrenages.
En tout cas, il importe de se pencher sur deux facteurs : le système de représenta-

tion (continu ou discret) et les propriétés des ondelettes, notamment trois caractéris-
tiques essentielles :
Le nombre de moments nuls : plus il y en a, plus l’ondelette oscille. S’il n’y en

a qu’un seul, l’ondelette ne voit pas les fonctions linéaires. S’il en a deux, elle
est aveugle aux fonctions quadratiques ? En réalité, l’effet du nombre de mo-
ments nuls est de concentrer l’information du signal dans quelques coefficients.
Par exemple, selon I. Daubechies, deux moments nuls suffisent pour l’analyse
numérique des images,
La régularité (Ondelette lisse ou non) qui agit sur la qualité de la reconstruction

du signal,
La sélectivité fréquentielle : une Ondelette est constituée d’un mélange de fré-

quences indiqué par sa transformée de Fourier. Les coefficients d’ondelettes se
réfèrent à ce mélange. Ainsi, plus cette gamme de fréquences est étroite, plus
l’ondelette est sélective en fréquence : elle peut découper en fréquence le signal
avec netteté.
Dans le choix de la fonction d’ondelettes, quatre aspects doivent être considérés :
L’orthogonalité : suite à une redondance aux larges échelles, le spectre d’onde-

lettes est fortement corrélé aux positions temporelles adjacentes. La non ortho-
gonalité est alors admise en cas de variations lisses et continues dans le signal,
Fonction mère complexe ou réelle : une fonction complexe donnant des infor-
mations à la fois en amplitude et en phase, convient mieux pour capturer des
oscillations. Une fonction réelle ne fournit qu’une composante et peut donc s’uti-
liser pour isoler des discontinuités ou des pics,
Largeur : une fonction étroite en temps aura une bonne résolution temporelle
mais pauvre en fréquence et vice-versa,
Forme : elle devra refléter le type de caractéristiques contenues dans le signal.

Pour des sauts aigus ou des peignes de pics, une fonction rectangulaire (Haar)
conviendra ; pour des variations plus douces, une fonction similaire (cosinus
amorti) sera choisie.
3.2.6 Recherche des meilleures ondelettes
Les ondelettes sont caractérisées d’une part par les propriétés de localisation en
temps et en fréquence, d’autre part par l’orthogonalité : elles ne s’adaptent pas à
tous les signaux. Il est nécessaire de limiter leur utilisation. Pour différents types
d’ondelettes, il est nécessaire de rappeler les caractéristiques d’une Ondelette donnée,
afin de disposer de bons critères de comparaison.
L’utilisation de l’ondelette de Morlet est semblable à celle d’un sinus lors de la

transformée de Fourier. D’Amours (D’Amours00) a établi qu’un lien peut être fait
entre l’échelle de l’ondelette et la fréquence du sinus.
L’échelle de temps est une fonction décroissante de la fréquence du signal. Géné-

ralement, la sensibilité des ondelettes aux fréquences importantes est faible.
Par ailleurs, pour un signal doux sur une longue durée, se contentant d’osciller,
l’analyse avec de petites ondelettes ne capturant que quelques oscillations à la fois,
n’est pas raisonnable. C’est une des raisons pour lesquelles les ondelettes s’adaptent
peu à la musique et à la parole.
3.3. Simulations 54
3.3 Simulations
3.3.1 Modèle dynamique retenu
Le modèle dynamique utilisé dans la présente partie est accessible dans la littéra-
ture et la représentation graphique correspondante est présentée sur la figure 3.3.
Figure 3.3 – Modèle dynamique de l’engrenage
3.3.2 Équations de mouvement
Les équations de mouvement peuvent être déduites en utilisant la méthode de

Lagrange.
L’énergie cinétique du système est T ;
1h 2 i
T= I p θ̇ p + Ig θ̇ g2 (3.5)
2
L’énergie de déformation du système est V ;
1 2
V= K (t) R p θ p − R g θ g (3.6)
2
L’énergie de dissipation du système est D ;
1 2
D = C (t) R p θ˙p − R g θ˙g (3.7)
2
L’équation de Lagrange

d ∂L ∂L ∂D
− + = Fi (3.8)
dt ∂q̇i ∂qi ∂qi
3.3. Simulations 55
Où, L = T - V est le Lagrangien du système et qi représentent les degrés de liberté

généralisés.
En substituant les équations (3.5), (3.6) et (3.7) dans l’équation (3.8) et la réalisation
des opérations nécessaires, les équations du mouvement sont données par :
I p θ¨p + C (t).R p R p θ˙p − R g θ˙g + K (t).R p R p θ p − R g θ g = Cm

(3.9)
Ig θ¨g − C (t).R g R p θ˙p − R g θ˙g − K (t).R g R p θ p − R g θ g = −Cr

(3.10)
L’équation du mouvement est réorganisée sous la forme de l’équation (3.11) en

Rg Rp
soustrayant fois l’équation (3.10) de fois l’équation (3.9).
Ig Ip
d2 x dx
M 2
+ C (t) + K (t) x = F (3.11)
dt dt
Où la variable x est le degré de liberté analysé, appelé erreur de transmission

dynamique, elle est définie comme suit :
x = R p θ p − Rg θg (3.12)
Où R p et R g sont les rayons de base, θ p et θ g les rotations, respectivement, du

pignon et de la roue et e(t) la fonction erreur. De plus, M est la masse équivalente
décrite dans l’équation 3.11 ; le terme de la raideur K(t) est mathématiquement traité
au moyen d’un développement de Fourier, grâce à un facteur constant Km , F est la
force de contact entre les dents.
La force est calculée comme le rapport entre le couple Cm et le rayon de base R p :
Cm Cr
F= = (3.13)
Rp Rg
Cm et Cr sont les couples moteur et récepteur.
Le deuxième paramètre à évaluer est la masse équivalente M. C’est une fonction

des moments d’inertie des deux roues de l’engrenage I p et Ig et des rayons de base
3.3. Simulations 56
correspondants R p et R g :
I p Ig
M= (3.14)
Ig R2p + I p R2g
La réponse dynamique est simulée en résolvant numériquement cette équation

pour chaque incrément de temps. L’effet de la variation de la raideur d’engrènement
est implanté dans le modèle par la mise à jour de sa valeur pour chaque incrément de
temps.
3.3.3 Effet de la variation de la raideur d’engrènement
Lin et Parker (Lin02) supposent que la raideur varie avec la rotation de l’arbre,
suivant l’équation :
∞
K (t) = Km + 2Ka ∑ ai sin (ωm t) + bi cos (ωm t) (3.15)
i =1
Où
2
ai = − sin [iπ (e − 2φ)] sin (iπe) (3.16)
iπ
2
bi = − cos [iπ (e − 2φ)] sin (iπe) (3.17)
iπ
Où,
Km : raideur d’engrènement moyenne
2Ka : taux de variation de la raideur
ωm : fréquence d’engrènement
e : facteur de conduite
φ : angle de phase
La fissuration d’une dent d’engrenage est un défaut qui présente des aspects dan-
gereux pour le fonctionnement correct. Pouvoir détecter ce défaut le plutôt possible
s’avère donc une tache d’une extrême importance.
Pour modéliser une fissure d’une dent au niveau de sa racine, la pluparts des
études considèrent des modifications dans le profil de la raideur d’engrènement
(Abbes10). En effet la raideur s’attenue au niveau de la dent défaillante, et cela se
produit une fois par cycle de contact de cette dent.
3.3. Simulations 57
Nous avons donc modélisé une fissure locale sur une dent par rapport à sa position
angulaire sur le cercle de base. A cette position, on considère une diminution de la
raideur d’engrènement, ce phénomène se répète à chaque fois que la dent fissurée
rentre en contact avec les dents de la roue opposée. Dans ce cas la condition qui
régit l’expression de la raideur en présence d’une fissure localisée sur une dent s’écrit
comme suit :
• Si le contact se fait entre des dents saines, la raideur d’engrènement est donnée
par K(t),
• Si le contact se fait entre la dent fissurée et les dents de la roue opposée, la

raideur d’engrènement est donnée par K (t) [1 − D (t)], avec 0 < D(t) > 1 qui
présente le taux de dégradation de la raideur.
Cela revient à supposer que la raideur d’engrènement en présence d’une fissure

localisée sur une dent, comme une fonction modulée par une fonction périodique
D (t), qui a pour expression :
" #
sin (nαπ )
D (t) = αδ 1 + ∑ cos (nΩi t) (3.18)
n nαπ
Ωi = 2π f i , i = 1, 2 et f i représente la fréquence de rotation de la roue affectée par

la fissure. δ est l’amplitude de la fonction D (t), il représente l’évolution de la fissure.
1
α= représente le rapport cyclique.
Zi
3.3. Simulations 58
3.3.4 Signaux de simulations
Les simulations numériques du système d’engrenages sont réalisées en utilisant

le schéma d’intégration de Newmark (Annexe A.1). Les principaux paramètres de la
transmission sont regroupés dans le tableau 3.1.
Table 3.1 – Paramètres de la transmission
Paramètres Désignation Valeur Unité
Zp Nombre de dents de la roue 1 29

Zg Nombre de dents de la roue 2 27
Mp Masse de la roue 1 2.7 Kg
Mg Masse de la roue 2 2.53 Kg
Ip Moment d’inertie de la roue 1 0.00216 Kg.m2
Ig Moment d’inertie de la roue 2 0.001781 Kg.m2
Rp rayon de base de la roue 1 0.04 m
Rg Rayon de base de la roue 2 0.0375 m
N
Km Raideur d’engrènement moyenne 9107 m
f1 Fréquence de rotation de l’arbre moteur 30 Hz

fz Fréquence d’engrènement 870 Hz
Le défaut envisagé sur l’engrenage est un défaut localisé sur une dent de la roue
motrice de l’engrenage. La figure 3.4 présente l’allure du signal simulé. Les signaux
temporels sont présentés pour une durée de 0.3 secondes, le couple d’engrenage pro-
duit des vibrations à travers tout le système mécanique.
Le signal d’accélération avec un engrenage sans défaut est constitué de deux carac-
téristiques principales : il contient un signal périodique à la période d’engrènement et
une modulation d’amplitude de période de rotation d’arbre. En présence du défaut
local d’engrenage, l’amplitude générale du signal due à la modulation d’amplitude
est également plus importante que dans la configuration sans défaut.
3.3. Simulations 59
Figure 3.4 – Signaux simulés bruités avec et sans défaut
3.3.5 Évolution du Kurtosis pour le signal simulé bruité
Dans plusieurs travaux le kurtosis s’est montré plus sensible que les autres indi-
cateurs scalaires, ce qui le place en tant qu’indicateur privilégié lorsqu’il s’agit de dé-
fauts de type chocs, notamment ceux des roulements et des engrenages (Pachaud97).
Figure 3.5 – Évolution du Kurtosis - Signal similé bruité
La figure 3.5, représente l’évolution selon la gravité du défaut, du Kurtosis pour le

3.3. Simulations 60
signal simulé bruité où la totalité des points sont pris en compte. Les résultats obtenus
montrent qu’il est difficile de détecter le défaut dès sa naissance (pour un seuil fixé au
paravant). une analyse de cet indicateur met en évidence que le défaut n’apparait que
lorsque le taux de dégradation atteint la valeur de 3.18 %. Il est donc nécéssaire de
décomposer le signal en plusieurs approximations en utilisant l’analyse en ondelettes.
3.3.6 Optimisation de l’analyse multirésolution en ondelettes
Le débruitage est un processus qui consiste à éliminer le bruit d’un signal quel-
conque. La complexité de cette tâche est toujours liée à la nature du bruit et au type
du signal. Cette complexité est liée la plupart du temps à la stationnarité ou à la
non stationnarité et du signal et du bruit. Un bruit blanc est souvent plus simple à
éliminer qu’un bruit coloré. Depuis plusieurs décennies, on tente de développer des
méthodes de plus en plus performantes et rigoureuses en matière d’élimination de
bruit tout en préservant l’intégrité du signal. Longtemps le domaine de Fourier était
l’outil de choix pour traiter ce problème, sauf qu’il était toujours difficile d’éviter
d’altérer du signal en réduisant une grande quantité de bruit. Des méthodes basées
sur le seuillage par transformée d’ondelettes ont vu le jour pour combler ces lacunes
(Donoho95), (Donoho94), (Johnstone97). Leurs force réside dans leur simplicité d’ap-
plication et dans leur efficacité. L’algorithme de base de débruitage par ondelettes
peut être décomposé en trois étapes essentielles (Donoho95) :
• La décomposition par la transformée en ondelettes.
• Le seuillage des coefficients issus par la décomposition.
• La reconstruction par la transformée en ondelettes inverse.
En effet, à partir du signal à débruiter, on décompose le signal sur une base or-
thogonale d’ondelettes. On effectue ensuite une opération de seuillage qui consiste à
éliminer les coefficients qu’on considère comme du bruit ou à les réduire en fonction
du seuil calculé. En dernier lieu, on applique la transformée en ondelettes inverse sur
les coefficients seuillés et on récupère le signal débruité.
3.3. Simulations 61
Les méthodes de seuillage les plus connues, introduites par Donoho (Donoho94),
sont le seuillage doux et le seuillage dur. Des variantes de ces types de seuillage
(Chang02) ont été développées pour tenter d’améliorer ces méthodes.
3.3.6.1 Seuillage doux
Le seuillage doux consiste à éliminer tout coefficient au dessous du seuil et à

soustraire ce seuil des autres coefficients. Soit un vecteur x quelconque. La fonction
de seuillage doux Tdoux ( x ) appliquée sur x est donnée par :

 sign( x )(| x | − λ) |x| ≥ λ
Tdoux ( x ) = (3.19)
 0 |x| < λ
3.3.6.2 Seuillage dur
Le seuillage dur est plus catégorique que le seuillage doux du fait qu’on considère
un coefficient donné soit comme représentant totalement un bruit pur donc à éliminer,
ou comme un coefficient représentant une portion du signal donc à conserver. La
fonction de seuillage dur Tdur ( x ) appliquée sur x est donnée par l’équation :

 x |x| < λ
Tdur ( x ) = (3.20)
 0 |x| ≤ λ
Où λ est la valeur du seuil.
Le théorème de Donoho et Johnstone définit un seuil T pour les coefficients de la

transformée en ondelettes (Donoho94) et dont la valeur est :
q
T=σ 2log( N ) (3.21)
Où σ est l’écart-type ou le niveau du bruit qui est estimé par l’équation 3.16 :
mediane(|di |)
σ= (3.22)
0.6745
et où di représente les coefficients des détails obtenus au niveau i.

3.3. Simulations 62
3.3.6.3 Méthodologie utilisée pour l’évaluation des performances
Pour évaluer la performance de l’approche utilisée, on se base sur un critère utilisé

largement dans les tests de simulation et qui est celui du rapport signal bruit (SNR)
exprimé par le rapport des puissances du signal, PS , et du bruit, PB :

PS
SNR = 10 log (3.23)
PB
3.3.6.4 Choix de l’ondelette analysante
L’analyse du choix de l’ondelette analysante sera effectuée sur la base d’un test de
plusieurs ondelettes analysantes. Ceci se fera sur l’étude du SNR, existant entre le si-
gnal original et le signal après reconstruction. L’ondelette analysante choisie sera celle
qui présentera la valeur du SNR la plus grande. Nous appliquons l’algorithme d’ana-
lyse multirésolution de Mallat en employant l’ondelette analysante pour différents
ordres. Les ondelettes analysantes les plus utilisées sont Daubechies (db) et Symelet
(sym). Une comparaison entre deux ondelettes est montrée sur la figure 3.6.
Figure 3.6 – Comparaison entre ondelettes
Dans le cadre des simulations effectuées dans ce travail, les choix ont été effec-
tués à plusieurs niveaux concernant : le type d’ondelette, le nombre de niveaux de
décomposition et la technique de seuillage.
L’étude relative au choix de l’ordre de l’ondelette de Daubchies, montre que la
(db20) est la mieux adaptée pour ce type de signaux dans le cas d’un seuillage doux.
Les résultats sont donnés pour le niveau 6 et la méthode parmi les méthodes de
seuillage (seuillage doux, seuillage dur), nous tracons les courbes représentant le gain
en rapport signal/bruit en fonction du SNR en entrée et de l’ ordre de l’ ondelette.
3.3. Simulations 63
Le seuillage doux donne des résultats peu intéressants dans la mesure où il altère
énormément le signal ce qui est bien visible dans le cas d’un SNR égal à -5, 0 ou à
5 dB et où l’on observe un gain négatif, d’où son inefficacité. Pour ce qui concerne
la variation de l’ordre de l’ondelette, on constate qu’il n’a presque aucun effet sur
l’efficacité de débruitage pour les valeurs de SNR -5 dB et 0 dB, mais qu’il donne
une amélioration entre les valeurs de 1’ ordre de l’ondelette (ordre 5 et 40) dans le
cas ou le SNR est fixé à 5 ou à 10 dB. On constate dès lors que plus l’ordre est élevé,
plus cette amélioration est remarquable. Le seuillage dur représente une amélioration
très nette par rapport au seuillage doux. Bien que cette amélioration ne soit pas très
efficace pour un SNR= -5 dB, elle l’est fortement pour un SNR = 0 dB et plus où l’on
observe un gain de plusieurs décibels comme le montre la Figure 3.8.

3.3. Simulations 64
3.3.7 Evolution du Kurtosis pour différentes approximations
Plusieurs simulations ont montré que l’indicateur le mieux adapté dans ce cas
est le Kurtosis puisque c’est lui qui peut détecter d’une manière précoce le défaut
pour les premières approximations. Effectivement la figure 3.9 ; met en évidence cette
conclusion. Au bout de l’approximation 2, nous pouvons détecter le défaut lorsque
le taux de dégradation atteint la valeur de 1.36 % si on se fixe un seuil de 3 pour le
Kurtosis.
Figure 3.9 – Évolution du Kurtosis pour différentes approximations
Une comparaison entre les valeurs du Kurtosis avant décomposition du signal et

après (Figure 3.10), montre l’apport des transformées en ondelettes dans l’améliora-
tion de la sensibilité de cet indicateur par rapport au cas classique.
Figure 3.10 – Comparaison des Kurtosis des signaux simulés avec les approximations
Les valeurs du Kurtosis sont très influencées par le bruit. La figure 3.11, montre la
différence entre les valeurs du Kurtosis du signal original et celles du signal recons-
truit.
3.4. Application 65
Figure 3.11 – Comparaison des Kurtosis
3.4 Application
3.4.1 Défaut d’écaillage
Les dégradations sont produites par fatigue en sous-couche, au point de ci-

saillement maximal. On rencontre ce type d’avarie dans les engrenages cémentés
(couche superficielle durcie) ; ces engrenages sont actuellement très répandus car
ils permettent de passer des couples importants dans des dimensions raisonnables.
L’écaillage qui est le défaut principal, évolue très rapidement vers la rupture, sans
passer par une phase d’usure.
L’écaillage situé sur une dent d’engrenage est sollicité à chaque tour d’arbre ; sa
fréquence caractéristique est la fréquence de rotation de l’arbre sur lequel est montée
la roue dentée (Figure 3.12).
Figure 3.12 – Défaut local d’écaillage(Breneur02)

3.4. Application 66
3.4.2 Présentation des signaux
Les vibrations d’engrenages sur lesquelles nous avons fait les calculs proviennent
d’un réducteur du CETIM. Le dimensionnement des roues de l’engrenage cémenté
trempé, ainsi que les conditions de fonctionnement (vitesse, couple) ont été fixés
de façon à obtenir un écaillage sur toute la longueur d’une dent (Drouiche91) et
(www. laspi.fr). Tous les jours après l’acquisition des signaux vibratoires, le banc est
arrêté, pour expertiser l’état des dentures des roues (Tableau 3.2). Les essais du réduc-
teur s’étalent sur 12 jours avec l’enregistrement d’un signal vibratoire chaque jour. Le
réducteur est composé d’un pignon de 20 dents et d’une roue de 21 dents. La vitesse
du moteur d’entraînement est de 1000 trs/mn soit environ 16.67 Hz, la vitesse de
rotation de la roue est de 15.87 Hz et la fréquence d’engrènement de l’ordre de 330
Hz. La fréquence d’échantillonnage est de 20 khz. Chaque enregistrement comporte
60000 points soit une durée de signal de 3 s. Durant l’expérimentation, le réducteur
passe de l’état de bon fonctionnement à un état détérioré.
Table 3.2 – Rapport d’expertise
Jours Observations
1 Premier jour d’acquisition pas d’anomalie

2 Pas d’anomalie
3 Pas d’anomalie
4 Pas d’anomalie
5 Pas d’anomalie
6 Écaillage dent 1 / 2
7 Pas d’évolution
8 Dent 1 / 2 pas d’évolution. Dent 15 / 16 début d’écaillage
9 Évolution de l’écaillage dent 15 / 16
12 Écaillage sur toute la largeur de la dent 15 / 16
3.4. Application 67
3.4.3 Signaux originaux
Sur la figure 3.13, nous avons représenté les signaux temporels originaux avec et
sans défaut.
Figure 3.13 – Signaux expérimentaux bruités avec et sans défaut
En 2006 Parey et El-Badaoui (Parey06), utilisent la méthode de la décomposition

en modes empiriques (EMD : Empirical Mode Décomposition) et montrent qu’il est
possible de détecter le défaut le 10ème jour (Figure 3.14) au lieu du 11ème jour comme
le montre le rapport d’expertise.
Figure 3.14 – Évolution du Kurtosis de l’IMF 3 du signal expérimental (Parey06)
El-Badaoui (El-Badaoui99) a constaté que le pic cepstral de la roue qui développe le

3.4. Application 68
défaut ( A1 ) augmente au détriment de l’autre. La somme des premiers pics toujours

voisine de 0.5, lui indique que les signaux traités sont très peu bruités. L’évolution
de son indicateur indique clairement qu’à partir du 8ème jour, le pignon développe
un défaut. Ce résultat concorde avec le constat de l’expertise faite sur ce réducteur,
qui indique, ce 8ème jour l’apparition d’un début d’écaillage sur la dent 15/16 (Figure
3.15).
Figure 3.15 – Évolution des pics cepstraux A1 et A2 , de leur somme et de l’indicateur en fonction des
jours d’acquisition (El-Badaoui99)
Dans leur article, Haloui et al (Haloui07), ont proposé une technique basée sur le
modèle de Prony. Ils ont montré que l’analyse des vibrations, grâce à la technique de
Prony, permet de détecter le défaut présent sur la roue détériorée au 6ème jour (Figure
3.16), alors que le Cepstre synchrone détecte le défaut le 8ème jour comme précisé
précédemment.
Figure 3.16 – Évolution des pics pendant les 12 jours (technique de Prony) (Haloui07)
3.4. Application 69
Pour mettre en évidence les performances de cette technique dans le diagnostic

des systèmes à engrenages une comparaison avec celles de la méthode du cepstre
synchrone et le rapport d’expertise a été réalisée (Tableau 3.3).
Table 3.3 – Comparaison entre les deux méthodes (Haloui07)
Jours Cepstre synchrone Méthode de Prony
2 Pas d’anomalie Pas d’anomalie

6 Pas d’anomalie Détection d’un défaut
7 Pas d’anomalie Pas d’évolution
8 Détection d’un défaut Évolution du défaut
9 Évolution du défaut Évolution du défaut
3.4.3.1 Évolution du kurtosis des signaux originaux
Nous pouvons distinguer sur la figure 3.17 qui montre l’évolution du Kurtosis des
signaux originaux, trois phases différentes. La première commence à partir du 1er jour
et se termine au 4ème jour et qui correspond à la phase sans défaut. La deuxième phase
commence à partir du 4ème jour et se termine le 11ème jour. Cette étape caractérise
l’apparition de l’écaillage. Finalement, la dernière phase est liée à l’état critique de
l’écaillage de la dent. Ces résultats sont conformes au rapport d’expertise du tableau
3.2 et aux travaux d’El- Badaoui.
Les résultats obtenus montrent qu’il n’est pas possible de détecter le défaut dès sa
naissance avant le 8ème jour. Il est donc nécessaire de décomposer le signal en plusieurs
approximations en utilisant l’analyse en ondelettes.
3.4. Application 70
Figure 3.17 – Évolution du Kurtosis - signaux originaux
Figure 3.18 – Évolution des Kurtosis des approximations 1 et 2
Une comparaison entre les Kurtosis des signaux originaux et ceux de la 5ème et 6ème
approximation, montre que la décomposition en ondelettes apporte un plus et permet
de détecter un début d’écaillage le 6ème jour malgré que les signaux sont peu bruités.
3.4. Application 71
Figure 3.21 – Comparaison des Kurtosis des signaux originaux et les approximations
3.4.4 Indicateur proposé
L’indicateur que nous allons utiliser est établi à partir de la représentation spec-
trale. Il s’agit d’un indicateur inspiré des travaux de Breneur (Breneur02) qui l’avait
utilisé dans le cas des défauts combinés des roulements et des engrenages. Breneur
calcule la somme des amplitudes correspondant aux deux premières harmoniques de
la fréquence de rotation de l’arbre portant la roue affectée dans le cas d’un défaut
d’engrenage seul, puis calcule la différence par rapport au cas sans défaut.
Dans notre travail, avant de calculer la somme des amplitudes correspondant aux
deux premières harmoniques de la fréquence de rotation de l’arbre portant la roue
affectée, nous allons tout d’abord décomposer les signaux par transformée en onde-
lettes, puis on calcule le spectre des enveloppes déterminées par la transformée de
Hilbert.
3.4. Application 72
Les signaux d’enveloppes ainsi obtenus ne fournissent pas d’indication propre-

ment dite sur la présence d’un défaut.
Figure 3.22 – Indicateur proposé
La détermination des approximations par la méthode des ondelettes a permis de

suivre l’évolution de l’état de santé du réducteur. Après réduction du bruit, les si-
gnaux ont été reconstruits à partir d’un niveau de décomposition égal à 10 en utili-
sant la transformée en ondelettes. Les signaux résiduels des 12 jours n’ont pas permis
d’obtenir une information sur l’existence d’une quelconque anomalie. Cependant l’in-
dicateur proposé et le calcul du Kurtosis ont permis de voir l’amorce de l’écaillage
plutôt que prévu c.-à-d. le 6ème jour (Figures 3.22).
Une comparaison entre les indicateurs proposés pour les signaux originaux et ceux
décomposés par transformée en ondelettes, montre l’intérêt de cette méthode (Figure
3.23).
Figure 3.23 – Comparaison entre les indicateurs avant et après décomposition par transformée en
ondelettes
’ approche qui vient d’être décrite n’a pas la prétention de résoudre tous les
L problèmes de surveillance des machines tournantes. Cependant elle permet de
remonter à l’origine de certains défauts après une décomposition du signal original
en détails et approximations car une analyse préalable des signaux temporels et des
travaux de certains chercheurs, nous a permis de visualiser l’apparition d’un défaut
très marqué le 12ème jour pour certains et le 10ème ou le 6ème pour d’autres, il n’est donc
pas possible de détecter de façon précoce l’apparition d’un défaut à l’aide des signaux
temporels. Aussi, nous espérons que l’ensemble des résultats relatifs à la surveillance
des engrenages, joints à ceux obtenus quant aux autres éléments des machines, aide-
ront l’ingénieur à faire un meilleur diagnostic et cela en vue de l’amélioration de la
qualité des transmissions.
Suivi Vibratoire des Transmissions à 4
Engrenages en Régime Variable
Plan du chapitre
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.2 Modèle dynamique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.3 Réponse dynamique de la transmission . . . . . . . . . . . . . . 80
4.3.1 Excitation induite par un défaut d’excentricité . . . . . . . . . 80
4.3.2 Equations de mouvement . . . . . . . . . . . . . . . . . . . . . 80
4.4 Signaux de simulation . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.5 Indicateurs proposés . . . . . . . . . . . . . . . . . . . . . . . . . . 84
74
75
e chapitre s’inscrit dans le cadre du diagnostic des machines tournantes en ré-

C gime variable. L’objectif de ce travail est la recherche des indicateurs pertinents
pour le diagnostic des transmissions à engrenages à partir des signaux simulés. Deux
indicateurs sont proposés : Le premier indicateur est basé sur la valeur RMS et le
second sur le calcul du spectrogramme. Pour tester les indicateurs proposés, des si-
gnaux de simulation sont utilisés. Ces signaux qui sont calculés en utilisant le schéma
d’intégration de Newmark, sont les résultats de la modélisation dynamique de la
transmission à engrenages qui tient compte des défauts d’excentricité.
4.1 Introduction
our des signaux évoluant en raison d’une modification de la structure vibrante

P au moment de l’apparition d’un défaut, des chercheurs ont identifié et déve-
loppé des techniques permettant la détection et le diagnostic de ces défauts, en se
basant sur une analyse des signaux vibratoires engendrés lors de l’engrènement, Badi
et al (Badi95). En 1985, McFadden (McFadden85) avait proposé une technique afin
d’obtenir l’enveloppe d’un signal démodulé en amplitude une fois filtré autour d’une
harmonique. La technique permettait de fournir une évidence claire de la présence
d’une fissure. En 1990, Forrester (Forrester90) avait utilisé la distribution de Wigner-
Ville pour détecter la présence d’une fissure ainsi que d’autres défauts. En 1991, Dal-
piaz et Meneghetti (Dalpiaz91) ont développé une fonction de transfert pour filtrer les
signaux vibratoires provenant d’un carter, afin de recouvrer les vibrations de torsion
venant directement de l’engrenage. En 2009, Merzoug et al (Merzoug09), ont utilisé
la transformée en ondelettes pour détecter les défauts induits par des excentricités et
ont optimisé certains paramètres de la multi-résolution.
D’autres chercheurs ont tenté des techniques fournissant des indicateurs permet-
tant d’identifier la progression du défaut et même d’automatiser le processus de dé-
tection de celui-ci. En 1999, Laurent et al (Laurent99), proposent une étude compa-
rative de deux méthodes s’intéressant à la surveillance de systèmes mécaniques. La
première méthode utilise une approche temps-fréquence et est basée sur le calcul
de distances entre représentations temps-fréquence. La seconde, repose elle sur l’in-
terprétation cyclostationnaire des signaux et utilise la corrélation spectrale. En 2010,
Chikouche et al (Chikouche10), ont proposé des indicateurs pour le diagnostic d’un
réducteur complexe à engrenages fonctionnant sous des conditions normales. Ces in-
dicateurs sont basés sur l’analyse cepstrale. Le lien entre cette technique proposée
et les caractéristiques du signal est mis en évidence. Bartelmus et al (Bartelmus10),
ont proposé une nouvelle approche de la surveillance de l’état des engrenages sous
charges et ont montré qu’il ya deux causes dominantes à basses fréquences qui in-
fluencent la modulation du signal vibratoire : la charge variable et la fréquence de
rotation. Villa (Villa12), présente les résultats d’un algorithme d’analyse statistique
des vibrations, appliqué à un banc d’essai fonctionnant sous des conditions de charge
4.2. Modèle dynamique 77
et de vitesse variables similaires à ceux que l’on retrouve dans différents types de ma-
chines comme les éoliennes. Dans le cadre du suivi vibratoire d’un défaut d’écaillage
de roulement en régime non stationnaire, Ait-Sghir et al (Ait-Sghir13), ont proposé
un nouvel indicateur, basé sur un signal provenant d’un accéléromètre et un signal
issu d’un codeur optique acquis en même temps. Un algorithme pour estimer la vi-
tesse instantanée à partir du signal délivré par le codeur optique est appliqué. Par la
suite, chaque échantillon du signal accéléromètrique est divisé par la vitesse instan-
tanée correspondante et la valeur RMS est appliquée alors au signal résultant. Fedala
(Fedala12), propose d’utiliser des techniques de ré-échantillonnage angulaire pour
la détection des défauts des engrenages à partir des signaux codeurs et accéléromé-
triques enregistrés sur un banc d’essai en fonctionnement. En associant plusieurs de
ces capteurs, il montre qu’il est possible d’étendre le nombre d’indicateurs sur la base
des signaux disponibles.
Ce chapitre s’inscrit dans le cadre du diagnostic des engrenages en régime va-

riable en vitesse. L’objectif est l’élaboration des indicateurs pertinents sur l’état des
engrenages défectueux à partir des signaux de vibrations simulés en régime variable.
Parmi les indicateurs les plus utilisés dans l’industrie, nous avons choisi d’adapter la
valeur RMS et l’analyse spectrale au régime variable.
4.2 Modèle dynamique
Compte tenu des modèles décrits précédemment pour l’interface d’engrènement,

pour les composants de la transmission et les défauts considérés, la question qui se
pose à présent est d’adopter un modèle de transmission par engrenages adapté à
l’étude réalisée dans le cadre de cette thèse. Celle-ci porte sur le suivi et la détection
des défauts dans une transmission par engrenages. Il apparait, au regard de l’étude
bibliographique, que l’intégration du carter au sein du modèle de la transmission
n’est pas indispensable dans notre cas mais c’est pour la prédiction du bruit rayonné
par celle-ci, le calcul de la réponse dynamique d’une transmission nécessite de mettre
en oeuvre un modèle intégrant l’ensemble des composants de la transmission, lignes
d’arbres et paliers. Les modèles dynamiques de type masse-ressort présentés dans
4.2. Modèle dynamique 78
l’analyse bibliographique apparaissent alors comme les plus adaptés pour cette étude.
Figure 4.1 – Modèle dynamique retenu
Face aux complexités de la résolution auxquelles conduit l’introduction dans les

modèles des non-linéarités associées à l’engrènement ou aux roulements, ces non-
linéarités ne sont pas prises en compte. On suppose donc que le couple moteur est
suffisant pour prévenir toute perte de contact entre les dentures de la transmission.
Par ailleurs, on considère que la valeur moyenne de la raideur d’engrènement et les
raideurs des roulements ne sont pas affectées par les déformations dynamiques de la
transmission lorsque les efforts dynamiques restent suffisamment faibles devant les
efforts statiques induits par le couple moteur.
Le modèle de la transmission étudiée est représenté sur la figure 4.1. Le système est
constitué de deux engrenages (pignon P et roue G) en prise et entraîné par un moteur
M et qui à son tour entraine une charge L. Les arbres sur lesquels sont montées les
roues ont chacun deux degrés de liberté de translation, dans une direction horizontale
(direction Z) et l’autre dans la direction verticale (direction Y). Les roues, le moteur
et la charge ont chacun un degré de liberté de torsion. Par conséquent, il existe deux
degrés de liberté (y p , y g ) suivant la direction latérale et quatre degrés de liberté de
torsion (θ M , θ p , θ g , θ L ). Les rigidités des arbres (Kt ) sont supposées constantes dans
toutes les directions.
Les hypothèses de petits déplacements et de vitesse angulaire constante sont uti-

lisées. Les paliers sont représentés par des ressorts linéaires, les engrenages sont mo-
délisés par des disques rigides.
4.3. Réponse dynamique de la transmission 79
Les termes gyroscopiques centrifuges sont négligés tout comme les fluctuations
du couple appliqué à l’entrée. La fluctuation de la raideur d’engrènement est une
fonction périodique du temps de fréquence fondamentale égale à la fréquence d’en-
grènement (voir chapitre précédent).
4.3 Réponse dynamique de la transmission
L’erreur statique de transmission a en général, plusieurs origines. De nombreux

travaux ont été entrepris pour analyser la contribution respective de chacune de ces
origines au comportement vibroacoustique des transmissions par engrenages et pour
déterminer leurs caractéristiques fréquentielles. Ces origines peuvent être des défauts
de géométrie, qui résultent de la fabrication des engrenages et de l’assemblage de la
transmission ou bien des déformations élastiques des dents.
4.3.1 Excitation induite par un défaut d’excentricité
Le défaut d’excentricité, résulte du fait que le centre des cercles primitifs des roues
n’est pas situé sur l’axe de rotation de la roue correspondante. Ce défaut peut être
associé à un mauvais montage de la roue sur son arbre et/ou à la fabrication de la roue
et de l’arbre. L’excentricité d’une roue, se caractérise essentiellement par la présence
dans le spectre de l’erreur de transmission, de raies à la fréquence de rotation de la
roue excentrée et à des bandes latérales autour de la raie d’engrènement et de ses
harmoniques Driot (Driot02).
L’erreur de transmission E(t) est la déformation élastique globale des dents au

point de contact d’une paire de roues dentées.
Soit :
E(t) = y p − y g + R p θ p − R g θ g + e p sin (Ω1 t) − e g sin (Ω2 t) (4.1)
4.3.2 Equations de mouvement
Les équations de mouvement peuvent être déduites en utilisant la méthode de

Lagrange.
L’énergie cinétique du système est T ;
4.3. Réponse dynamique de la transmission 80
1h 2 2 2 2 2 2
i
T= I p θ̇ p + Ig θ̇ g + J M θ̇ M + JL θ̇ L + M p ẏ p + Mg ẏ g (4.2)
2
L’énergie de déformation du système est V ;
1h 2
V= Kz R p θ p + y p − R g θ g − y g + Ky y2p + y2g
2 (4.3)
2 2
+ Kt θ p − θ M + Kt θ g − θ L
L’équatiion de Lagrange

d ∂T ∂T ∂V
− + = Fi (4.4)
dt ∂q̇i ∂qi ∂qi
Où, qi représentent les degrés de liberté.
En substituant les équations (4.2) et (4.3) dans l’équation (4.4) et la réalisation

de l’opérations nécessaires, l’équation du mouvement est obtenue par six équations
matricielles de la façon suivante :
d2 q dq
[ M] 2
+ [C (t)] + [K (t)] q = { F } (4.5)
dt dt
où les matrices de masse [ M ] et de raideur [K ] et le vecteur force son donnés par :

 
M 0 0 0 0 0
 p 
 0 Mg 0 0 0 0 
 
 
 0 0 Ip 0 0 0 
 
[ M] =  
 0 0 0 Ig 0 0 
 
 

0 0 JM 0 

 0 0
 
0 0 0 0 0 JL
 
K + Ky − Kz R p Kz − R g Kz 0 0
 z 
 − Kz Kz + Ky − R p Kz R g Kz 0 0
 

 
 R p Kz − R p Kz R2p Kz + Kt − R p R g Kz −Kt 0
 

[K (t)] =  
 − R g Kz R g Kz − R p R g Kz R2g Kz + Kt 0 −Kt
 

 
− Kt

Kt

 0 0 0 0 
 
0 0 0 − Kt 0 Kt
4.4. Signaux de simulation 81
 


 yp 



 

yg

 


 


 


 θ 

p
{q} =


 θg 



 

 


 θM 



 


 θ 

L
 


 F1 



 

− F1

 


 


CM

 

e p cos (Ω1 t) − R p F1

 

 
Rp
 
{ F} =
CM
e g cos (Ω2 t) − R g F1

 

Rp

 


 


 




 CM 




 

 C L

où
F1 = Kz e g sin (Ω2 t) − e p sin (Ω1 t)

(4.6)
+Cz e g Ω2 cos (Ω2 t) − e p Ω1 cos (Ω1 t)

4.4 Signaux de simulation
Afin de tester les indicateurs proposés, nous avons considéré le modèle de simula-
tion des signaux d’engrenages en régime variable. Le profil retenu pour la fréquence
de rotation de l’arbre moteur est montré sur la figure 4.2.
La fréquence de rotation augmente de 0 jusqu’à 20 Hz en premier temps puis
constante le reste du temps. Le choix de ce profil est motivé par le fait qu’il existe
dans de nombreuses machines industrielles (éoliennes, systèmes de propulsion ma-
rine, tramway etc.), des phases de démarrage et d’arrêts qui se répètent de manière
infini.
La figure 4.3 représente le signal de simulation et son spectre pour une erreur
d’excentricité sur le pignon de 80 µm. Nous constatons que l’amplitude du signal
est modulée par le profil de la fréquence de rotation et que son spectre est difficile à
interpréter.
4.4. Signaux de simulation 82
Figure 4.2 – Profil de la fréquence de rotation retenu
Figure 4.3 – Signal et spectre pour e p = 80 µm et e g = 0
La figure 4.4 représente le spectrogramme du signal de simulation pour une erreur

d’excentricité sur le pignon de 80 µm.
4.5. Indicateurs proposés 83
Figure 4.4 – Spectrogramme pour e p = 80 µm et e g = 0
4.5 Indicateurs proposés
La valeur RMS est un indicateur très utilisé dans l’industrie ; elle consiste à mesu-
rer le niveau d’énergie statistique redressée d’un signal vibratoire. Sa formule d’esti-
mation est donnée par : v
N
u
u1
RMS = t
N ∑ [ x i ]2 (4.7)
i =1
Où xi est l’amplitude du signal pour l’échantillon i, N est le nombre d’échantillons

prélevés dans le signal.
L’avantage de la valeur RMS est son extrême facilité de mise en oeuvre. Cependant,
il est peu sensible et on l’utilise en général quand la puissance du signal vibratoire
en fonctionnement sain est faible par rapport à la puissance du défaut (Boulenger98).
En régime variable, cet indicateur est fonction linéaire de la vitesse de rotation. L’idée
principale est d’éliminer l’influence de la vitesse de rotation, qui peut masquer une
éventuelle défaillance.
L’analyse spectrale est parmi les méthodes les plus utilisées dans la littérature
et dans l’industrie pour le diagnostic des engrenages (Boulenger98). En analysant
l’évolution des fréquences de rotation et les fréquences d’engrenages, nous pouvons
distinguer les défauts de dentures. En régime variable, la vitesse de rotation déforme
le spectre du signal vibratoire et par conséquent empêche le diagnostic. La variation
de la vitesse engendre une modulation d’amplitude et de fréquence des harmoniques
caractéristiques d’engrenages. Cette variation est considérée comme fonction linéaire

de la vitesse.
Le deuxième indicateur proposé dans ce chapitre, est la fréquence d’engrènement

normalisée par la vitesse moyenne. Cela consiste à diviser le signal vibratoire en
tranches équivalentes et pour chacune d’elle on détecte la fréquence d’engrènement
(la plus grande harmonique). Enfin on divise le signal par la vitesse moyenne estimée
dans cette tranche. Ainsi, le nouvel indicateur permet de s’affranchir de l’impact de
variation de la vitesse sur l’analyse spectrale.
Pour faire un diagnostic avec la valeur RMS, nous avons découpé le signal en
tranches de 1024 points et sur chaque tranche la valeur RMS est calculée pour trois
cas différents ou nous avons fait varier la valeur du défaut (Figure 4.5). Sur cette figure
nous pouvons constater que la valeur RMS est fonction linéaire de la vitesse et par
conséquent très influencée par la variation de cette dernière, ce qui empêche de faire
le diagnostic, par exemple si le seuil est fixé à 4000, on peut bien voir que les trois
courbes coupe la droite représentant ce seuil.
Figure 4.5 – Indicateur RMS
Sur les figures 4.6 et 4.7, nous avons présenté les deux indicateurs proposés. Pour
le premier indicateur, nous pouvons constater que les trois courbes qui représentent
les différents états d’erreur d’excentricité sont constantes et séparables quelque soit la
fréquence de rotation (chaque tranche une vitesse de rotation). De même, le deuxième
indicateur, extrait du spectre du signal, donne des courbes qui permettent de distin-
guer les trois cas d’erreurs d’excentricité. Pour mettre en évidence ce résultat des
seuils peuvent être fixés.
Figure 4.6 – Premier indicateur proposé
Figure 4.7 – Second indicateur proposé

a modélisation numérique nous a permis d’avoir une première approche du com-

L portement dynamique des transmissions à engrenages. En effet les signaux is-
sus des simulations possèdent les caractères essentiels des signaux réels, du fait que
le modèle numérique choisi tient compte de certains organes de la transmission et
la possibilité d’introduire différentes erreurs en vue d’étudier leur influence dans le
cas où la fréquence de rotation est variable. Ce travail reste une contribution dans
le domaine du diagnostic des machines tournantes et plus précisément dans l’éter-
nelle recherche des indicateurs pertinents. Comparés aux indicateurs classiques, nous
considérons que les indicateurs proposés dans cette étude sont prometteurs, car ils
offrent l’avantage de fixer des seuils pour le suivi et la détection des défauts dans les
machines tournantes.
Conclusion générale
ette thèse a montré qu’un très grand nombre de travaux a été mené sur l’étude
C des transmissions par engrenages. Différents niveaux de modélisation sont en-
visagés allant des modèles à paramètres concentrés induisant la manipulation d’un
faible nombre de degrés de liberté aux modèles éléments finis permettant la repré-
sentation de structures complexes mais dont le coût en terme de temps de calcul est
important (de l’ordre de plusieurs jours). A la vue des travaux existants sur le sujet,
il apparaît alors pertinent de développer une approche permettant de s’affranchir au
maximum des éléments finis tout en conservant la possibilité de décrire la géométrie
de transmissions complexes sans discrétisation. Les objectifs sont alors de réduire au
maximum les temps de calcul tout en conservant un maximum de paramètres du
modèle accessibles pour analyser, détecter et surveiller des défauts d’engrenages par
la mise au point d’un indicateur basée sur l’analyse en ondelettes puis la recherche
d’indicateurs pertinents dans le cas où la vitesse de rotation est variable. Pour cela,
les différentes techniques ainsi que les outils de détection et de surveillance ont été
rappelés.
L’approche décrite dans le chapitre trois n’a pas la prétention de résoudre tous
les problèmes de surveillance des machines tournantes. Cependant elle permet de
remonter à l’origine de certains défauts après une décomposition du signal original
en détails et approximations car une analyse préalable des signaux temporels et des
travaux de certains chercheurs, nous a permis de visualiser l’apparition d’un défaut
très marqué le 12ème jour pour certains et le 10ème ou le 6ème pour d’autres, il n’est donc
pas possible de détecter de façon précoce l’apparition d’un défaut à l’aide des signaux
temporels. Aussi, nous espérons que l’ensemble des résultats relatifs à la surveillance
des engrenages, joints à ceux obtenus quant aux autres éléments des machines, aide-
ront l’ingénieur à faire un meilleur diagnostic et cela en vue de l’amélioration de la
qualité des transmissions.
87
Conclusion générale 88
La modélisation numérique nous a permis d’avoir une première approche du com-

portement dynamique des transmissions à engrenages. En effet les signaux issus des
simulations possèdent les caractères essentiels des signaux réels, du fait que le modèle
numérique choisi tient compte de certains organes de la transmission et la possibilité
d’introduire différentes erreurs en vue d’étudier leur influence dans le cas où la fré-
quence de rotation est variable. Ce travail reste une contribution dans le domaine du
diagnostic des machines tournantes et plus précisément dans l’éternelle recherche des
indicateurs pertinents. Comparés aux indicateurs classiques, nous considérons que les
indicateurs proposés dans cette étude sont prometteurs, car ils offrent l’avantage de
fixer des seuils pour le suivi et la détection des défauts dans les machines tournantes.
Perspectives
Dans la continuité directe de notre travail de thèse, nous proposons d’approfondir

les points suivants :
1. Pour le cas où la vitesse de rotation est constante
• Pour valider l’approche proposée, inclure dans le modèle numérique

d’autres types de défauts d’engrenages,
• Dans le but de constater si on peut encore améliorer la sensibilité du Kur-

tosis, tester d’autres ondelettes,
• Optimiser l’ordre et le niveau de l’ondelette choisie.
2. Pour le cas où la vitesse de rotation est variable
• Pour valider l’approche proposée, utiliser des signaux issus d’expérimen-

tation,
• Dans le but de généraliser l’approche, tester d’autres profils de la variation

de la vitesse de rotation en s’inspirant de cas pratiques.
Annexes A
Plan du chapitre
A.1 Méthode de Newmark . . . . . . . . . . . . . . . . . . . . . . . . . . 91
A.2 Compléments sur la transformée en Ondelettes . . . . . . 93
89
A.1. Méthode de Newmark 90
A.1 Méthode de Newmark
L a méthode de Newmark permet la résolution numérique d’équations différen-

tielles du second ordre. Elle convient, non seulement aux des systèmes différen-
tiels linéaires, mais aussi pour des systèmes fortement non-linéaires avec une matrice
de masse et une force appliquée qui peuvent dépendre à la fois de la position et du
temps. Dans ce second cas, le calcul nécessite à chaque pas une boucle d’itération.
Le principe de cette méthode consiste à déterminer par un développement limité

la position et la vitesse à l’instant t à partir des mêmes grandeurs à l’instant t-dt .
Ce développement contient un terme d’erreur du troisième ordre proportionnel à la
dérivée de l’accélération. Diverses hypothèses permettent de remplacer cette dérivée
troisième par l’accélération au temps précédent en introduisant deux paramètres δ et
α.
La méthode de Newmark (Bourdon97) est une méthode directe de résolution des

équations de l’équilibre dynamique :

[ M] Ẍ + [C ] Ẋ + [K ] { X } = { Fext } (A.1)
L’idée essentielle de cette méthode, et des méthodes directes en générale, est de

satisfaire l’équation précédente pour des temps ti discrets, c’est-à-dire de considérer
à chaque instant t l’équilibre statique incluant les effets d’inertie et d’amortissement.
La méthode de Newmark est implicite et les vitesses et les déplacements au temps
t + ∆t sont déterminés par :
h i
Ẋ t+∆t = Ẋ t + (1 − δ) Ẍ t + δ Ẍ t+∆t ∆t

1
(A.2)
= { X }t + Ẋ t ∆t + Ẍ t + α Ẍ t+δt ∆t2

{ X }t+δt −α
2
où les coefficients δ et α sont des paramètres choisis pour rendre la méthode

convergente et stable. Dans le cas de la méthode de Newmark originelle (méthode
trapézoïdale ), δ = 0.5 et α = 0.25 ce qui assure une stabilité inconditionnelle. L’algo-
rithme général de résolution peut se résumer à :
A.1. Méthode de Newmark 91
1. Initialisation des vecteurs déplacements, vitesses, accélération, et pour α, δ, ∆t

fixés, Calcul des coefficients ai
1 δ 1
a0 = a1 = a2 =
α∆t2 α∆t α∆t
∆t δ

1 δ
a3 = −1 a4 = − 1 a5 = −2
2α α 2 α
a6 = ∆t (1 − α) a7 = δ∆t

2. Calcul et triangularisation de la matrice K̂

K̂ = [K ] + a0 [ M] + a1 [C ] (A.3)

3. Pour chaque pas de temps considéré Calcul du vecteur R̂ t+∆t

R̂ t+∆t = { Fext }t+∆t + [ M] a0 { X }t + a2 Ẋ t + a3 Ẍ t ) + [C ]
(A.4)
a1 { X }t + a4 Ẋ t + a5 Ẍ t
Calcul des vecteurs vitesse et déplacement en t + ∆t

Ẍ t+∆t = a0 { X }t+∆t − { X }t − a2 Ẋ t − a3 Ẍ t Ẋ t+∆t =
(A.5)
Ẋ t + a6 Ẍ t + a7 Ẍ t+∆t
Remarque : lorsque le système d’équation (A.4) est à coefficients dépendants du

temps, la matrice K̂ doit être calculée et inversée à chaque itération.
A.2. Compléments sur la transformée en Ondelettes 92
A.2 Compléments sur la transformée en Ondelettes
(Razafindrazato10)
E n 1983, J. Morlet a proposé une méthode d’analyse dans la continuité de la trans-

formée de Fourier à fenêtre glissante, utilisant une fenêtre temporelle d’observa-
tion variant par translation et par dilatation/contraction. C’est une approche qui s’est
révélée intéressante en analyse vibratoire bien que déjà utilisée dans le domaine de la
compression de données et du traitement d’images numériques.
Dans le domaine de l’imagerie, la transformation en Ondelettes est utilisée au

découpage de données fonctions ou opérateurs, en composantes fréquentielles suivant
une résolution adaptée à l’échelle. La technique conserve la notion de localisation de
l’événement tout en fournissant une information sur son contenu fréquentiel.
Plus tard, des bases mathématiques ont été mises en place, faisant apparaître les
notions de base orthogonale (Y. Meyer 1985), d’Ondelettes à support compact (I. Dau-
bechies 1988) et d’analyse multirésolution (S. Mallat 1989).
Au niveau des fonctions de base (éléments d’analyse), contrairement aux sinu-

soïdes utilisées dans la transformation de Fourier, les Ondelettes ont une forme irré-
gulière et une étendue finie : dans l’analyse de Fourier, le signal est décomposé en
une somme de sinus de différentes fréquences. L’analyse par Ondelettes, quant à elle,
procède à une décomposition du signal en des versions translatées et dilatées d’un
motif de base appelée Ondelette mère.
A partir de transformations simples d’une fonction de base, on distingue deux

types d’analyse :
par Ondelettes lorsqu’il s’agit de translation et dilatation, le support de fenêtre

étant alors variable
par Gaborettes lorsqu’on effectue un déplacement et une modulation, le support

étant constant.
Propriétés de l’Ondelette mère

R +∞ |ψ(t)|2
l’intégrale −∞ dt est finie,
|t|
R +∞
−∞ ψ(t)dt = 0 conduisant à une bonne localisation dans le temps et en fré-
quence,
propriété de régularité (ou de moments nuls) : une ondelette possède n moments

R +∞
nuls si M p = −∞ t p ψ(t)dt = 0 ∀ p = 0 à n auquel cas les coefficients dé-
croissent rapidement, comme a(n+2). C’est ce qui permet à l’ondelette de mettre
en évidence les singularités d’un signal.
Ainsi, il est possible de créer des fonctions analysantes ψa,τ (t) centrées autour de
τ et à échelle variable définie par le paramètre a.
Quelques remarques concernant les propriétés de la transformée en ondelettes :
la transformation par ondelettes effectue la correspondance entre une fonction à

une seule variable s(t) en une fonction à deux variables C ( a, τ ),
le calcul de la transformée en Ondelettes peut être vu comme une comparai-

son du signal avec un signal de base (ondelette-mère) décalé temporellement
et dilaté ou comprimé. La comparaison est d’autant meilleure que l’ondelette
reproduit correctement toute fraction du signal qui présente les mêmes échelles
temps/fréquence que l’ondelette ψa,τ (t) : le résultat de la transformée C ( a, τ ) est
alors maximum (C ( a, τ ) alors s’apparente ici à l’intercorrélation du signal avec
l’ondelette mère au point a(t, τ )),
Les difficultés rencontrées dans la mise en oeuvre des ondelettes sont : le choix
de l’Ondelette mère, l’échelle de temps et l’échelle de fréquence à laquelle le
signal est sensé se manifester,
Comme les filtres associés aux fonctions analysantes ont des réponses impul-
sionnelles symétriques de type non causal, la transformation en ondelettes ne
peut être calculée en temps réel. Pratiquement, il faut d’abord enregistrer le si-
gnal dans son intégralité avant d’entreprendre les calculs de la Transformée en
ondelettes.
Pavage
En prenant comme unité la largeur temporelle de ψ, la résolution temporelle est

σt = a. De même, dans le domaine fréquentiel, on détermine l’étendue fréquentielle de
1
l’ondelette par σ f = . Il en résulte un pavage temps fréquence de surface constante.
a
Figure A.1 – Pavage temps fréquence pour la transformation en ondelettes
Orthogonalité
Les ondelettes discrètes orthogonales fournissent une représentation sans redon-

dance et se prêtent aisément aux algorithmes rapides. Le principal avantage réside
dans la concision résultant de la facilité de la transformation. En effet, le calcul de
chaque coefficient ne nécessite qu’un produit scalaire (signal, fonction de base) et ne
dépend pas de celui des autres coefficients. Pour les ondelettes biorthogonales, on
utilise deux bases d’ondelettes différentes pour la décomposition et la reconstruction
du signal.
Transformation en ondelettes rapide (FWT)
Le calcul de la transformée en ondelettes discrète d’un signal à N points nécessite

2c x N opérations, c étant un coefficient dépendant de l’ondelette utilisée.
En pratique, cela se ramène à des opérations de filtrages numériques suivies de

sous échantillonnage. La reconstruction est parfaite et s’effectue également par des
filtrages numériques précédés de sur échantillonnage. Les mêmes filtres (à un renver-

sement de temps près) sont utilisés dans les deux cas.
La nature des filtres (symétriques ou non, récursifs ou non, ?) conditionne le coût

de calcul et le choix de l’éventuelle architecture matérielle d’implantation.
Procédure pratique pour le calcul de la transformée en ondelettes

discrètes
La décomposition d’un signal en ondelettes aux résolutions différentes revient à

appliquer une succession de filtres. Le signal passe à travers deux types de filtres
complémentaires, l’un bloquant ce que l’autre transmet :
un filtre passe-bas H pour révéler la tendance (ondelettes larges),
un filtre passe-haut G pour cerner les détails aux hautes fréquences (ondelettes
plus petites)
Figure A.2 – Algorithme pyramidal (ou de Mallat) de la décomposition en ondelettes discrètes
Ainsi la transformée en ondelette discrète d’un signal est la superposition d’une

approximation (de rang n) à laquelle on rajoute les détails afférents :
s = a n + d1 + d2 + . . . + d n
En désignant par f e la fréquence d’échantillonnage, le signal est décomposé en :

fe
une approximation ai correspondant à la bande 0, i+1 représentant les basses
2
fréquences,

fe fe
un détail di correspondant à la bande , représentant les hautes fré-
2i + 1 2i
quences,
En général, on utilise 5 niveaux de résolution espacés de puissance de 2. La trans-

formée est alors dite dyadique.
Bibliographie
[Aatola90] S. Aatola & R. Leskinen. Cepstrum analysis predicts gearbox fai-

lure. Noise Control Engineering Journal, vol. 34, pages 53–59,
1990.
[Abbes10] M. S. Abbes, M. Trigui, F. Chaari, T. Fakhfakh & M. Haddar.

Dynamic behaviour modelling of a flexible gear system by the elas-
tic foundation theory in presence of defects. European Journal of
Mechanics - A/Solids, vol. 29, pages 887–896, 2010.
[Addison02] P.S. Addison, J. N. Watson & T. Feng. Low oscillation complex

wavelets. Journal of Sound and Vibration, vol. 254, pages 733–
762, 2002.
[Ait-Sghir13] K. Ait-Sghir, F. Bolaers, O. Cousinard & J. P. Dron. Spalling

bearing defect in variable speed regime. Mechanics & Industry,
vol. 14, pages 129–136, 2013.
[Ajmi05] M. Ajmi & P. Velex. A model for simulating the quasi-static and
dynamic behaviour of solid wide-faced spur and helical gears. Me-
chanism and Machine Theory, vol. 40, pages 173–190, 2005.
[Antoni04] J. Antoni & R.B. Randall. The spectral kurtosis : application to

the vibratory surveillance and diagnostics of rotating machines. Me-
chanical Systems and Signal Processing, vol. 20, pages 308–331,
2004.
[Arafa99] M. H. Arafa & M. M. Megahed. Evaluation of spur gear mesh

compliance using the finite element method. Proceedings of the
Institution of Mechanical Engineers - C- J. of Mechanical Engin
Science, vol. 213, pages 569–580, 1999.
97
Bibliographie 98
[Aretakis97] N. Aretakis & K. Mathioudakis. Wavelet analysis for gas turbine

fault diagnostics. Journal of Engineering for Gas Turbines and
Power, vol. 119, pages 870–876, 1997.
[Attia64] A.Y. Attia. Deflection of spur gear teeth cut in thin rims. Transac-
tions of the ASME Journal of Engineering for Industry, pages
333–342, 1964.
[Badi95] M. Badi, I. esat & B. Paya. Neural network based fault detec-
tion using different signal processing techniques as pre-processom.
ASME. Structural Dynamics and Vibration„ vol. 70, pages 97–
101, 1995.
[Bard95] C. Bard. Modélisation du comportement dynamique des transmis-

sions par engrenages. PhD thesis, 1995.
[Baron88] E. Baron, B. Favre & P.Mairesse. Analysis of Relation between Gear

Noise and Transmission Error. Proceedings of the 17th Internatio-
nal Conference on Noise Control Engineering, Avigon, France,
vol. 2, pages 611– 614, 1988.
[Bartelmus10] W. Bartelmus, F.Chaari, R. Zimroz & M. Haddar. Modelling of

gearbox dynamics under time-varying nonstationary load for distri-
buted fault detection and diagnosis. European Journal of Mecha-
nics, A/Solids, vol. 29, pages 637â–646, 2010.
[Bendat93] S. J. Bendat & A. G. Piersol. Engineering applications of correlation

and spectral analysis. 2nd edition, a Wiley-Interscience, 1993.
[Bogert63] B. P. Bogert, M. J. R. Healy & J. W. Tukey. Cepstrum, pseudo-

autocovariance, cross-cepstrum and saphe cracking. Proceedings of
the Symposium on Time Series Analysis, vol. Chapter 15, pages
209–243, 1963.
[Boulahbal99] D. Boulahbal, F. Golnarghi & F. Ismail. Amplitude and phase wa-

velet maps for the detection of cracks in geared system. Mechanical
Systems and Signal Processing, vol. 13, pages 423–436, 1999.
Bibliographie 99
[Boulenger98] A. Boulenger. Diagnostic vibratoire en maintenance préventive. Du-

nod, Paris, 1998.
[Bourdon97] A. Bourdon. Modélisation Dynamique globale des boites de vitesses

automobile. Thèse de Doctorat, 1997.
[Bouzouane03] B. Bouzouane, A. Miloudi, N. Hameaoui & A. Benchaala. Détec-

tion de défauts de machines tournantes par la méthode des ondelettes.
16 ème Congrès Français de Mécanique, 2003.
[Breneur02] C. Breneur. Eléments de maintenance préventive de machines tour-

nantes dans le cas de défauts combines d’engrenages et de roulements.
Thèse de Doctorat de l’INSA Lyon, 2002.
[Briere] F. Briere, L. Preiss & J. Sabot. Engrenages à denture droite- er-

reur cinématique de transmission induite par un défaut d’excentri-
cité. Comptes Rendus Académie des Sciences de Paris, vol. 308,
pages 1307–1311.
[Cardou81] A. Cardou & G. V. Tordion. Numerical implementation of complex

potentialsfor gear tooth stressanalysis. Transactions of the ASME,
Journal of Mechanical Design, vol. 103, pages 460–465, 1981.
[Chang02] S. Chang, Y. Kwon, S. Yang & I. Kim. Speech Enhancement for

non-stationnary noise environment by adaptive wavelet packet. Pro-
ceedings of IEEE International Conference on Acoustics Speech
and Signal Processing, vol. 1, pages 561–564, 2002.
[Chikouche10] D. Chikouche, A.Felkaoui & N. Haloui. Diagnostic précoce d’un

réducteur a engrenage par analyse des signaux vibratoires à l’aide du
cepstre synchrone. ICIEM, 2010.
[Choy96] F.K Choy, V. Polyshchuk & J. J. Zakrajsek. Analysis of the effects

of surface pitting and wear ont the vibration of a gear transmission
system. Tribology International, vol. 29, pages 77–83, 1996.
Bibliographie 100
[Cornell81] R. W. Cornell. Compliance and Stress Sensitivity of Spur Gear

Teeth. Transactions of the ASME Journal of Mechanical Design,
vol. 103, pages 447–459, 1981.
[Coy82] J.J. Coy & C. Chao. A Method of Selecting Guide Size to account
for Hertz Deformation in Finite Element Analysis of Spur Gears.
Journal of Mechanical Design, vol. 104, pages 759–766, 1982.
[Dalpiaz91] G. Dalpiaz & U. Meneghetti. Gear fault detection using the

Wigner-Ville distribution. NDTE International, vol. 24, pages
303–306, 1991.
[Dalpiaz00] G. Dalpiaz, A. Rivola & R. Rubini. Effectiveness and sensitivity

of vibration processing techniques for local detection in gears. Me-
chanical Systems and Signal Processing, vol. 14, pages 387–412,
2000.
[D’Amours00] G. D’Amours. Détection précoce de la propagation de fissures dans

les engrenages droits par analyse vibratoire. Thèse de doctorat de
l’Université de Laval, 2000.
[Djebala13] A. Djebala, N. Ouelaa, T. Kebabsa, Y. Ramdane & M.K. Babouri.

Détection des défauts non stationnaires de dentures d’engrenages par
application de l’analyse en ondelettes et la transformée de Hilbert.
Congrès Algérien de Mécanique Mascara Algérie, 2013.
[Donoho94] D.L. Donoho & L. M. Johnstone. Ideal spatial adaptation by wave-

let. shrinkage, Biometrika, vol. 81, pages 425–455, 1994.
[Donoho95] D. L. Donoho. De-noising by soft-thresholding. IEEE Transactions

on Information Theory, vol. 41, pages 613–627, 1995.
[Dowling93] M. Dowling. Application of non-stationnary analysis to machinery

monitoring. ZEEE, pages 1459–1452, 1993.
[Driot02] N. Driot. Etude de la dispersion vibroacoustique des transmissions

par engrenages. Thèse de Doctorat l’Ecole Centrale de Lyon,
2002.
Bibliographie 101
[Dron95] J. P. Dron. Elaboration et adaptation d’outils pour l’étude et le suivi

de l’endommagement de composants mécaniques par analyse vibra-
toire. Application à la maintenance conditionnelle des paliers à rou-
lements. Thèse de l’UFR de Reims, pages 1–206, 1995.
[Dron04] J. P. Dron, F. Bolaers & L. Rasolofondraibe. Improvement of the

sensibility of scalars indicators thanks to de-noising method by spec-
tacle subtraction. Application to the detection ball bearing defects.
Journal of Sound and Vibration, vol. 270, pages 61–73, 2004.
[Dron10] J. P. Dron, L. Rasolofondraibe, X. Chiementin & F. Bolaers. A

comparative experimental study on the use of three denoising methods
for bearing defect detection. Meccanica, vol. 45, pages 265–277,
2010.
[Drouiche91] K. Drouiche, S. Menad & Y. Grenier. Détection de défauts d’engre-

nages par analyse vibratoire. Traitement du Siganl, vol. 8, pages
333–345, 1991.
[Drouiche93] K. Drouiche. Quelques techniques du traitement du signal pour la

maintenance prédictive. Thèse de l’ENST de Paris, 1993.
[Dyer78] D. Dyer & R. M. Stewart. Detection of rolling element bearing

damage by statistical vibration analysis. Transactions of the Ame-
rican Society of Mechanical Engineers, Journal of Mechanical
Design„ vol. 100, pages 229–235, 1978.
[El-Badaoui99] M. El-Badaoui. Contribution au Diagnostic Vibratoire des Réduc-

teurs Complexes à Engrenages par l’Analyse Cepstrale. Thèse de
Doctorat, 1999.
[Espin07] S. Espin, J. Perret-Liaudet & A. Kahraman. Theoretical and expe-

rimental study of the nonlinear behaviour of a spur gear pair induced
by tooth backlash. Mechanics & Industry, vol. 8, pages 357–364,
2007.
Bibliographie 102
[Fedala12] S. Fedala, D. Remond, R. Zegadi & A. Felkaoui. Utilisation de

l’erreur de transmission et de la vitesse angulaire instantanée pour
le diagnostic vibratoire des défauts des engrenages. 3ème Colloque
Analyse Vibratoire Expérimentale, Blois, 20 et 21 Novembre,
2012.
[Flandrin93] P. Flandrin. Temps-fréquence. Traité des Nouvelles Technologies,

coll. Hermes, 1993.
[Forrester90] B. D. Forrester. Gear fault detection using the Wigner-Ville distri-

bution. The lnstitution of Engineers. Australia Vibration and
Noise Conference, pages 296–299, 1990.
[Gao98] Y. Gao, R. B. Randall & R. Ford. Estimation of envelope spectra

using maximum entropy sepectral analysis and spectrum interpola-
tion. International Journal of Comadem, pages 15–22, 1998.
[Gregory63] R.W. Gregory, S.L. Harris & R.G. Munro. Dynamic behaviour of
spur gears. Proceedings of the Institution of Mechanical Engi-
neers, vol. 8, pages 207–226, 1963.
[Haloui07] N. Haloui, D. Chikouche & M. Benidir. Diagnosis of Gear Systems

by Spectral Analysis of Vibration Signals. International Journal of
Computer Science and Network Security, vol. 7, pages 285–293,
2007.
[Houser90] D.R Houser. Dynamics and Gear Noise Research Laboratory. First
International Conference, Gearbox Noise and Vibration, 1990.
[Ismail95] F. Ismail, H. Martin & F. Omar. A statistical index for monitoring

tooth cracks in a gearbox. ASME, vol. 3, pages 1413– 1418, 1995.
[Iwase96] Y. Iwase & K. Miyasaka. Proposal of modified tooth surface with

minimized transmission error of helical gears. JSAE Review, vol. 17,
pages 191–193, 1996.
Bibliographie 103
[Iwatsubo84] Iwatsubo, S. Arii & R. Kawai. Coupled lateral-torsional vibration

of rotor system trained by gears. Part 1. Analysis by transfer matrix
method. JSME, vol. 27, pages 271–277, 1984.
[Johnson77] K. L. Johnson & R. H. Bentail. A numerical method for finding

elastic contact pressures. Cambridge University Engineering, De-
partment report, CMECH/TR14, 1977.
[Johnstone97] L. M. Johnstone & B. W. Silverman. Wavelet threshold estimators

for data with correlated noise. J. Roy. Statist. Soc, vol. 59, pages
319–351, 1997.
[Kahraman90] A. Kahraman & R. Singh. Nonlinear Dynamics of a Spur Gear

Pair. Journal of Sound and Vibration, vol. 146, pages 173–190,
1990.
[Kubo78] A. Kubo. Stress condition, vibrational exciting force, and contact

pattern of helical gears with manufacturing and alignment er-
ror. Transactions of the ASME Journal of Mechanical Design,
vol. 100, pages 77–84, 1978.
[Laurent99] H. Laurent, M. Sidahmed & C. Doncarli. Détection précoce d’en-

dommagement de denture sur des trains d’engrenages droits par ana-
lyse vibratoire. 17ème Colloque GRETSI, 1999.
[Lewicki96] D. G. Lewicki & J. J. Zakrajsek. Detecting gear tooth fatigue cracks

in advance of complete fracture. Mechanical NASA. Technical me-
morandum„ 1996.
[Lin94] H. H. Lin, V Oswald & D. P. Townsend. Dynamic loading of spur

gears with linear or parabolic tooth profile modifications. Mechanism
and Machine Theory, vol. 29, pages 1115–1129, 1994.
[Lin02] J. Lin & R. G. Parker. Mesh stiffness variation instabilities in two

stage gear system. Journal of Vibration and Acoustics, vol. 124,
pages 68–76, 2002.
Bibliographie 104
[Lin03] J. Lin & M. J. Zuo. Gearbox fault diagnosis using adaptive wavelet
filter. Mechanical Systems and Signal Processing, vol. 17, pages
1259–1269, 2003.
[Ling00] J. Ling & L. Qu. Feature extraction based on morlet wavelet and its
application for mechanical fault diagnosis. Journal of Sound and
Vibration, vol. 234, pages 135–148, 2000.
[Liou92] C. H. Liou, H. H. Lin, F. B. Oswald & D. P. Townsend. Effect of

contact ratio on spur gear dynamic load. Rapport technique 91-C-
025, 1992.
[McFadden84] P. D. McFadden & J. D. Smith. Model for the vibration produced

by a single defect in a rolling element bearing. Journal of Sound
and Vibration, vol. 96, pages 69–92, 1984.
[McFadden85] P. D. McFadden. Low frequency vibration generated by gear tooth

impacts. NDT International, vol. 18, pages 279–282, 1985.
[McFadden86] P. D. McFadden. Detection fatigue craks in gears by amplitude and

phase demodulation of the meshing vibration. Journal of Vibration,
Acoustics, Stress, and Reliability in Design, vol. 108, pages 108–
165, 1986.
[Meltzier04] G. Meltzier & N. P. Dien. Fault diagnosis in gears operating under

non-stationary rotational speed using polar wavelet amplitude maps.
Mechanical Systems and Signal Processing, vol. 18, pages 985–
992, 2004.
[Merzoug07] M. Merzoug & A. Miloudi. Utilisation des Transformées en On-

delettes dans le Suivi Vibratoire des Transmissions par Engrenages.
2ème Congrès International de Conception et Modélisation des
Systèmes Mécaniques, CMSM’2007, 2007.
[Merzoug09] M. Merzoug, A. Miloudi & X. Chiementin. Détection des défauts

d’excentricités d’une transmission à engrenages par analyse en onde-
Bibliographie 105
lettes. Congrès International sur les Risques Industriels - CIRI,

2009.
[Miloudi99] A. Miloudi & B. Bouzouene. Utilisation de l’analyse cepstrale dans

le diagnostic des roulements. Actes des 4èmes Congrçs Maghré-
bines d’Etudes de Génie Mécanique, JMEGM’99, pages 129–
134, 1999.
[Miloudi07] A. Miloudi & M. Merzoug. Efforts Dynamiques Transmis au Car-

ter d’une Transmission par Engrenage. 2ème Congrès Internatio-
nal de Conception et Modélisation des Systèmes Mécaniques,
CMSM’2007, 2007.
[Mitome94] K. I. Mitome & K. Ishida. Eccentric gearing. Transactions of

the ASME, Journal of Engineering for Industry, pages 94–100,
1994.
[Niemann70] G. Niemann & J. Baethge. Zeitschrift des Vereines Deutscher Inge-

nieure,. Drehwegfehler, Zahnfederharte und Geraushbei Stirn-
rardern, vol. 112, pages 205–214, 1970.
[Opitz69] H. Opitz. Noise of Gears. Phil. Trans. of Royal Society, vol. 263,
pages 369–380, 1969.
[Ozguven88] H. N. Ozguven & D.R. Houser. Mathematical Models Used in Gear

Dynamics. A Review. Journal of Sound and Vibration, vol. 121,
pages 383–411, 1988.
[Pachaud92] C. Pachaud. Détection des défauts électromagnétiques dans les mo-

teurs asynchrones de grande puissance par analyse spectrale des vi-
brations et du courant d’alimentation, et par démodulation ampli-
tude/fréquence des composantes cinématiques de base. Progrés ré-
cents des méthodes de surveillance acoustiques et vibratoires,
Senlis France, pages 73–82, 1992.
[Pachaud97] C. Pachaud. Crest factor and kurtosis contributions to identify de-

Bibliographie 106
fects inducing periodical impulsive forces. Mechanical Systems and

Signal Processing, vol. 11, pages 903–916, 1997.
[Parey06] A. Parey, M. El Badaoui, F. Guillet & N. Tandon. Dyna-

mic modelling of spur gear pair and application of empirical mode
decomposition-based statistical analysis for early detection of locali-
zed tooth defect. Journal of Sound and Vibration, vol. 294, pages
547–561, 2006.
[Pearce86] W. Pearce, M. Nielsen & W. Rouverol. Reducing Gear Noise Ex-

citation. Proceedings of the 2nd World Congress on Gearing,
Paris, vol. 1, pages 587–598, 1986.
[Perret-Liaudet96] J. Perret-Liaudet. An Original Method for Computing the Response

of a Parametrically Excited Forced System. Journal of Sound and
Vibration, vol. 196, pages 165–177, 1996.
[Pfeiffer96] F. Pfeiffer. Rattling in Gears - A Review. VDI Berichte, vol. 1230,

pages 719–737, 1996.
[Prabhu89] M. S. Prabhu & D. Houser. A Hybrid Finite Element Approach for

Analysing the Load Distribution and Transmission Error in Thin-
Rimmed gears. VDI Berichte, vol. 1230, pages 201–212, 1989.
[Randall75] R. B. Randall. Gearbox fault diagnosis using cepstrum analysis.

ImechE, pages 169–174, 1975.
[Randall80] R. B. Randall. Cepstrum analysis and gearbox fault diagnosis. Bul-

letin Technique Bruel & Kjaer, pages 1–19, 1980.
[Randall82] R. B. Randall. new method of modelling gear default. Journal of

Mechanical Design, vol. 104, 1982.
[Randall97] R. B. Randall. Developments in digital analysis techniques for diag-

nostics of bearings and gears. Fifth International Cngress on
Sound and Vibration, pages 15–18, 1997.
Bibliographie 107
[Rasolofondraibe93] L. Rasolofondraibe, J. P. Dron, A. Pavan & C. Couet. Applica-

tion des méthodes paramétriques adaptatives à la surveillance d’une
presse d’emboutissage. Revue d’automatique et de Productique
Appliquées, vol. 16, pages 365–383, 1993.
[Razafindrazato10] G. M. R. Razafindrazato. Méthodes numériques pour la caracté-

risation vibratoire des structures complèxes. Thèse de Doctorat,
2010.
[Remond91] D. Remond. Contribution à l’étude et l’analyse expérimentale du

bruit d’engrènement. Développement et application de la transformée
en ondelettes rapide. PhD thesis, INSA de Lyon, 1991.
[Remond93] D. Remond, P. Velex & J. Sabot. Comportement dynamique et

acoustique des transmissions par engrenages. Synthèse bibliogra-
phique. Publications du CETIM, pages 1058–1069, 1993.
[Rigaud99] E. Rigaud & D. Barday. Modelling and Analysis of Static Trans-

mission Error. Effect of Wheel Body Deformation and Interactions
between Adjacent Loaded Teeth. 4th World Congress on Gearing
and Power Transmission, Paris, vol. 3, pages 1961–1972, 1999.
[Rubini01] R. Rubini & U. Meneghetti. Application of the enveloppe and wa-

velet transform analysis for the diagnosis of incipient faults in ball
bearings. Mechanical Systems and Signal Processing, vol. 15,
pages 287–302, 2001.
[Sabot92] J. Sabot & J. Perret-Liaudet. Excitation d’un carter de boîte de

vitesses par l’erreur de transmission. Congrès Mondial des Engre-
nages et des Transmissions, pages 829–840, 1992.
[Sainsot89] P. Sainsot. Analyse du contact entre dentures d’engrenage cylin-

driques de réducteur. Thèse de doctorat de L’INSA de Lyon, page
205, 1989.
[Seireg70] A. Seireg & D.R. Houser. Evaluation of dynamic factors for spur
Bibliographie 108
and helical gears. Transactions of the ASME Journal of Enginee-

ring for Industry, vol. 178, pages 504–515, 1970.
[Sener93] O. S. Sener & H. N. Ozguven. Dynamic Analysis of Geared Shaft

Systems By Using a Continuous System Model. Journal. of Sound
and Vibration, vol. 166, pages 539–556, 1993.
[Shena06] Y. Shena, S. Yanga & X. Liub. Nonlinear dynamics of a spur gear

pair with time-varying stiffness and backlash based on incremental
harmonic balance method. International Journal of Mechanical
Sciences, vol. 48, pages 1256–1263, 2006.
[Sidahmed90] M. Sidahmed. Détection précoce de défauts dans les engrenages par

analyse vibratoire. Revue Française de Mécanique, vol. 4, pages
243– 254, 1990.
[Sika08] G. Sika. Dynamique des transmissions en régime transitoire. Thèse

de Doctorat, 2008.
[Singh89] R. Singh & H. Xie. Analysis of Automotive Neutral Gear Rattle.

Journal of Sound and Vibration, vol. 131, pages 173–190, 1989.
[Smith94] J. D. Smith. Helical Gear Vibration Excitation with Misalignment.

Journal of Mechanical Engineering Science, vol. 208, pages 71–
79, 1994.
[Staszewski97] W. J. Staszewski. Identification of damping in MDOF systems

using time-scale decomposition. Journal of Sound and Vibration,
vol. 203, pages 283–305, 1997.
[Steward90] J.H. Steward. The compliance of solid wide-faced spur gears. Tran-
sactions of the ASME Journal of Mechanical Design, vol. 112,
pages 590–595, 1990.
[Su92] Y. T. Su & S. J. Lin. On initial fault-detection of a tapered roller bea-

ring - frequency-domain analysis. Journal of Sound and Vibration,
vol. 155, pages 75–84, 1992.
Bibliographie 109
[Tavakoli86] M. S. Tavakoli & D. R. Houser. Optimum Profile Modifications for

the Minimization of Static Transmission Errors of Spur Gears. Jour-
nal of Mechanisms Transmissions and Automation in Design,
vol. 108, pages 86–94, 1986.
[Taylor80] J. I. Taylor. Fault diagnosis of gears using spectrum analysis. I Mech

E, pages 163–168, 1980.
[Thompson77] A.M. Thompson. Origin of Gear Noise. World Congress of Gea-

ring, Paris, 1977.
[Tonshoff03] H. K. Tonshoff, X. Li & C. Lapp. Application of fast Haar trans-

form and concurrent learning to tool-breakage detection in milling.
IEEE/ASME Transactions on Mechatronics, vol. 8, pages 414–
417, 2003.
[Tulpin58] W.A. Tulpin. Dynamic loads on gear teeth. Proceedings of the

Institution of Mechanical Engineers, International Conference
on Gearing, London, pages 24–30, 1958.
[Umezawa85] K. Umezawa, T. Suzuk, H. Houjoh & T. Sato. Vibration of power

transmission helical gears (the effect of contact ratio on the vibration.
Bulletin of the JSME, vol. 28, pages 694–700, 1985.
[Umezawa86] K. Umezawa, T. Suzuki, H. Hougouh & K. Baglasna. Influence of

misalignment on vibration of helical gear. Bulletin of JSME, vol. 12,
pages 85–91, 1986.
[Varadi89] K. Varadi & R. Poller. Analysis of Gear Teeth Contact. Proceedings

of the 4th Structural Analysis Systems World Conference, Paris,
vol. 1, pages 250–261, 1989.
[Velex88] P. Velex. Contribution à l’analyse du comportement dynamique de

réducteurs à engrenages à axes parallèles. Thèse de Doctorat,
Institut National des Sciences Appliquées de Lyon, page 188 p,
1988.
Bibliographie 110
[Velex91] P. Velex & A. Saada. Modal analysis for the prediction of dyna-
mic tooth loads in geared trains. Proceedings of the 3rd JSME
International Conference on Motion and Power transmissions,
Hiroshima, pages 117–122, 1991.
[Velex96] P. Velex & M. Maatar. A mathematical model for analyzing the

influence of shape deviations and mounting errors on gear dynamic
behavior formula. Journal of Sound and Vibration, vol. 191, pages
629–660, 1996.
[Villa12] L. Villa, F. Renones, A. Peran & J. Miguel. Statistical fault

diagnosis based on vibration analysis for gear test-bench under non-
stationary conditions of speed and load. Mechanical Systems and
Signal Processing, vol. 29, pages 436–446, 2012.
[Ville48] J. Ville. Théorie et applications de la notion de signal analytique.

Câbles et Transmission, vol. 2A, pages 61–74, 1948.
[Walha09] L. T. Walha, T. Fakhfakh & M. Haddar. Nonlinear dynamics of a

two-stage gear system with mesh stiffness fluctuation, bearing flexi-
bility and backlash. Mechanism and Machine Theory, vol. 44,
pages 1058–1069, 2009.
[Walker38] H. Walker. Gear tooth deflections and profile modifications. The

Engineer, vol. 166, pages 434–436, 1938.
[Wang03a] C. Wang & R. X. Gao. Wavelet transform with spectral post- proces-
sing for enhanced feature extraction. EEE Transactions on Instru-
mentation and Measurement, vol. 52, pages 1296–1301, 2003.
[Wang03b] J. Wang. Numerical and Experimental Analyses of Spur Gears in

Mesh. Curtin University of Technology, 2003.
[Wang03c] W. J. Wang & R. M. Lin. The application of pseudo-phase portrait in

machine condition monitoring. Journal of Sound and Vibration,
vol. 259, pages 1–16, 2003.
Bibliographie 111
[Weber53] C. Weber & K. Banaschek. Formnderung und Profilrcknahme bei

Gerad und Schrgverzahnten Antriebstechnik. F Vieweg und Sohn
Braunschweig, germany, vol. 11, 1953.
[Welbourn77] D. B. Welbourn. Gear Noise Spectra - A Rational Explanation.

ASME paper, vol. 77-DET-38, pages 1–8, 1977.
[Welbourn79] D. Welbourn. Fundament al Knowledge of Gear Noise- A Survey.

Conference on Noise and Vibrations of Engines and Transmis-
sions, Cranfield Institute of Technology, vol. C177/79, pages
9–29, 1979.
[Wellauer60] E.J. Wellauer. Bending strength of gear teeth by cantilever-plate

theory. Transactions of the ASME Journal of Engineering for
Industry, vol. 82, pages 213–222, 1960.
[www. laspi.fr] www. laspi.fr. Laboratoire d’Analyse des Signaux et des Processus
Industriels, Université Jean Monnet.
[www.wikipedia.org] www.wikipedia.org. Chronologie de l’histoire des techniques.
[Yin-ge91] X. Yin-ge & Y. Yu-ling. Research on Haar spectrum in fault diagno-

sis of rotating machinery. Applied Mathematics and Mechanics,
vol. 12, pages 61–66, 1991.
[Zakrajsek90] J.J. Zakrajsek. Gear Noise, Vibration and Diagnostic Studies at

NASA Lewis Research Centre. First International Conference,
Gearbox Noise and Vibration, 1990.

TH8115

Transféré par

Droits d'auteur :

Formats disponibles

TH8115

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

TH8115

Transféré par

Droits d'auteur :

Formats disponibles

No d’ordre : 02/2015.

République Algérienne Démocratique et Populaire

Par : Merzoug Mustapha

M. Krimo Azouaoui Prof à l’USTHB Président

La surveillance des transmissions à engrenages est un problème crucial en termes

Le but de la première partie de ce travail est d’essayer de maîtriser les différents

Le travail de la deuxième partie s’inscrit dans le cadre du diagnostic des machines

Ce travail de thèse a été réalisé sous la Direction du Professeur Abdelhamid Mi-

1. M. Merzoug, K. Ait Sghir, A. Miloudi and J. P. Dron, Vibratory monitoring of

2. M. Merzoug, K. Ait Sghir, A. Miloudi and J. P. Dron, Early Diagnosis of Spalling

1. M. Merzoug, K. Ait Sghir, A. Miloudi and J. P. Dron, Early Diagnosis of Spal-

2. M. Merzoug, K. Ait Sghir, A. Miloudi et J. P. Dron, Suivi vibratoire des trans-

4. M. Merzoug, A. Miloudi, Analyse multi-résolution appliquée aux transmissions

5. M. Merzoug, A. Miloudi, Détection des défauts d’excentricités d’une trans-

6. M. Merzoug and A. Miloudi, Combined flexural-torsional vibrations of gearbox,

7. M. Merzoug, A. Miloudi, Utilisation des transformées en ondelettes dans le

8. M. Merzoug et A. Miloudi, Diagnostic des transmissions par engrenages double

9. M. Merzoug, A. Miloudi et K. Brahimi, Influence de la raideur d’engrènement

1. M. Merzoug, A. Miloudi, Détection des défauts d’une transmission à engrenages

2. M. Merzoug, A. Miloudi et K. Brahimi, Suivi vibratoire des transmissions par

3. M. Merzoug, A. Miloudi, Early detection of defects in geared systems using

4. M. Merzoug, A. Miloudi et K. Brahimi, Comportement dynamique non linéaire

J e voudrais tout d’abord exprimer mes plus profonds remerciements au Professeur

J’adresse toute ma reconnaissance au Professeur Jean Paul Dron du Laboratoire de

Je remercie Monsieur le Professeur Krimo Azouaoui de s’être intéressé à mon

Depuis que je suis à l’USTHB, j’ai eu la chance de côtoyer de nombreux ensei-

Table des matières ix

Liste des figures xii

Liste des tableaux xii

2.2 Présentation des différents types de modèles de transmissions à

2.3 Principales sources d’excitation dynamique . . . . . . . . . . . . . . 20

2.4 Techniques d’analyse et méthodes de diagnostic . . . . . . . . . . . 29

2.5 Conclusion du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

3 Détection précoce d’un défaut d’engrenage par analyse

3.2 Transformée en ondelettes . . . . . . . . . . . . . . . . . . . . . . . . . 46

3.5 Conclusion du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

4 Suivi Vibratoire des Transmissions à Engrenages en Ré-

4.2 Modèle dynamique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

4.3 Réponse dynamique de la transmission . . . . . . . . . . . . . . . . . 80

4.4 Signaux de simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

4.5 Indicateurs proposés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

4.6 Conclusion du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . 86

A.1 Méthode de Newmark . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

A.2 Compléments sur la transformée en Ondelettes . . . . . . . . . . . 93

CM et CL Couples moteur et récepteur

1.1 Dessins d’Al-Jazari et de Léonard De Vinci (www.wikipedia.org) . . . . 2

2.1 Notations dans la formule de Weber-Banaschek (Weber53) . . . . . . . . 10

3.1 Exemples d’ondelettes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

4.1 Modèle dynamique retenu . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

A.1 Pavage temps fréquence pour la transformation en ondelettes . . . . . . 95

Liste des tableaux

3.1 Paramètres de la transmission . . . . . . . . . . . . . . . . . . . . . . . . . 58

e présent chapitre est l’introduction de la thèse, nous y découvrons les problé-

Figure 1.1 – Dessins d’Al-Jazari et de Léonard De Vinci (www.wikipedia.org)

que nous nous sommes particulièrement investi avec le Laboratoire de Mécanique

L’ensemble des problématiques présentées ci-dessus sont à la base de l’organisa-

Le suivi et l’analyse de signaux vibratoires issus de transmissions par engre-

Le travail du quatrième chapitre s’inscrit dans le cadre du diagnostic des machines

pertinents pour le diagnostic des transmissions à engrenages à partir de signaux si-