Pronostic de dégradation d’endommagements de roulements

sur application aéronautique par analyse vibratoire

William Gousseau

To cite this version:

William Gousseau. Pronostic de dégradation d’endommagements de roulements sur application aéronautique
par analyse vibratoire. Mécanique [[Link]-ph]. Université de Lyon, 2018. Français. ⟨NNT : 2018LY-
SEI063⟩. ⟨tel-03200364⟩

HAL Id: tel-03200364

[Link]
Submitted on 16 Apr 2021

HAL is a multi-disciplinary open access archive L’archive ouverte pluridisciplinaire HAL, est des-
for the deposit and dissemination of scientific re- tinée au dépôt et à la diffusion de documents scien-
search documents, whether they are published or not. tifiques de niveau recherche, publiés ou non, émanant
The documents may come from teaching and research des établissements d’enseignement et de recherche
institutions in France or abroad, or from public or pri- français ou étrangers, des laboratoires publics ou
vate research centers. privés.

HAL Authorization
N°d’ordre NNT : 2018LYSEI063

THESE de DOCTORAT DE L’UNIVERSITE DE LYON

opérée au sein de
Institut National des Sciences Appliquées de Lyon

Ecole Doctorale N° EDA162

MEGA de Lyon
(Mécanique, Énergétique, Génie civil, Acoustique)

Spécialité de doctorat : Acoustique

Discipline : (Eventuellement)

Soutenue publiquement le 13/07/2018, par :

William Gousseau

Pronostic de dégradation d’endommagements de

roulements sur application aéronautique par
analyse vibratoire.

Devant le jury composé de :

Gryllias, Konstantinos Professeur des KUL Leuven Rapporteur
Universités
Chiementin, Xavier Maître de conférences Université de Reims Rapporteur
HDR Champagne-Ardenne
Capdessus, Cécile Maître de conférences Université d’Orléans Examinatrice

Kaftandjian, Valérie Professeur des Laboratoire Vibrations Examinatrice

Universités Acoustique
Antoni, Jérôme Professeur des Laboratoire Vibrations Directeur de thèse
Universités Acoustique
Girardin, François Maître de conférences Laboratoire Vibrations Co-directeur de
Acoustique thèse
Griffaton, Julien Ingénieur expert HM Safran Aircraft Engines Encadrant industriel
Vibratoire

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
REMERCIEMENTS

Il m’est impossible de ne pas commencer ces remerciements par Monsieur Pierre

Lalague, chargé d’affaires au sein de l’équipe Health Monitoring de Safran Aircraft
Engines : c’est grâce à son grand soutien et à son implication permanente que cette thèse
a pu débuter.

J’adresse également mes plus sincères remerciements à mes tuteurs de thèse :

Messieurs Jérôme Antoni, François Girardin et Julien Griffaton. Ils ont chacun pris le
temps nécessaire pour m’encadrer, me diriger, et me prodiguer de nombreux conseils. Merci
pour votre patience et votre bienveillance, votre disponibilité et vos relectures précieuses
au cours de ces trois années !

Je remercie également les membres du jury de cette thèse, Monsieur Konstantinos

Gryllias, Monsieur Xavier Chiementin, Madame Cécile Capdessus et Madame Valérie
Kaftandjian d’avoir accepté d’assister à la soutenance de ce manuscrit, et de s’être rendus
disponibles pour cette soutenance.

Je suis extrêmement reconnaissant à Monsieur Patrick Blachier, technicien du

laboratoire LVA de l’INSA de Lyon pour son aide, son temps et son enthousiasme. Son
expérience précieuse et ses éclairages techniques m’ont été d’un grand secours dans la
conception de mon banc d’essai.

Un grand merci à l’ensemble des « thésards » du laboratoire Vibrations Acoustique

de l’Insa de Lyon : je n’oublie pas les bons moments passés ensemble dans et en dehors du
laboratoire, au cours de ces années. Merci particulièrement à Souha, Edouard, Corentin,
Raïssa, Youssef, Maxime, Gianluigi, Rémi, Ting et Felipe, et aux autres.

Je sais également gré à tous les membres de l’équipe Health Monitoring de Safran
Aircraft Engines pour leur présence au long de cette thèse. Vos encouragements ont été
pour moi une source permanente de motivation. Merci Marion, Christian, Mohcine, Muriel,
Tiphaine, Margot, Victor, Maryam, et tous les autres.

Je tiens à remercier tous ceux qui ont contribué à rendre cette thèse agréable, voire
à me la faire oublier le temps d’une soirée ! Merci à mes amis de Lyon, Nantes, et d’ailleurs.
Votre sempiternelle question « Et alors, tu as trouvé ? » résonnera encore longtemps dans
mes oreilles… Merci aussi à Ronan pour son soutien permanent dans les moments les plus
délicats de cette thèse, qui lui doit beaucoup.

Chers parents, frères, sœurs, beaux-frères, belle-sœur et beaux-parents : à vous qui

m’avez soutenu et motivé sans relâche, avec compréhension et confiance mais aussi fermeté
et exigence, j’adresse un immense merci.

William Gousseau

- 4 -

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 Enfin, je ne peux que clore ces remerciements en citant mon épouse, Claire, pour son
indéfectible soutien, sa patience (et son sens de l’orthographe). Avec tes mots bien à toi,
tu as su m’encourager en toutes circonstances et m’aider à garder le cap pour que cette
thèse arrive à bon port. Je suis fier de dire que tu as grandement participé à l’achèvement
de cette thèse.

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
TABLE DES MATIÈRES

REMERCIEMENTS ............................................................................................................................... - 4 -

TABLE DES MATIÈRES ....................................................................................................................... - 6 -

INTRODUCTION ......................................................................................................................................7

BIBLIOGRAPHIE .......................................................................................................... 10

I.A. AUTOUR DES ROULEMENTS .................................................................................................................... 11

I.B. DIAGNOSTIC DE ROULEMENT PAR ANALYSE VIBRATOIRE ............................................................................. 21
I.C. LE PRONOSTIC ..................................................................................................................................... 38

LES BASES DE DONNÉES DE ROULEMENTS ............................................................ 48

II.A. ÉTAT DE L’ART DES BASES EXISTANTES .................................................................................................. 49

II.B. IMS CINCINNATI ................................................................................................................................. 51
II.C. PRONOSTIA — FEMTO ......................................................................................................................... 65

LE BANC D’ESSAI DU LVA ......................................................................................... 72

III.A. L’APPORT D’UN BANC D’ESSAI LVA ...................................................................................................... 73

III.B. ARCHITECTURE DU BANC LVA ............................................................................................................. 80

EXPLOITATION DES DONNÉES AVEC LES MÉTHODES DÉVELOPPÉES.................. 88

IV.A. NOS INDICATEURS .............................................................................................................................. 89

IV.B. NOS MÉTHODES APPLIQUÉES AUX DONNÉES EXISTANTES ......................................................................... 98
IV.C. PROJECTIONS SUR DONNÉES SAFRAN AIRCRAFT ENGINES ...................................................................... 132

CONCLUSION GÉNÉRALE .................................................................................................................... 138

BIBLIOGRAPHIE .................................................................................................................................. 140

ANNEXE A KITS MESURE ET ACQUISITION (NOTE INTERNE SAFRAN AIRCRAFT ENGINES) ... -
145 -

ANNEXE B LES ROULEMENTS ............................................................................................... - 150 -

ANNEXE C LE MOTEUR.......................................................................................................... - 152 -

William Gousseau

- 6 -

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Introduction

INTRODUCTION

Toutes les deux secondes, un moteur de type CFM56 décolle dans le monde. Ce best-
seller, issu de la collaboration de Safran Aircraft Engine avec General Electric est, un vrai
bijou de technologie. Chaque jour, plusieurs moteurs CFM56 sont produits sur le site de
Villaroche, lieu de production de Safran Aircraft Engines. Chacun de ces moteurs fait
l’objet d’un suivi de production rigoureux. Le CFM56 est à tout point de vue une
« machine tournante ». Il comporte deux arbres concentriques (haute pression et basse
pression) et de nombreux composants mécaniques propres aux machines tournantes :
engrenages, roulements, etc. La défaillance d’un de ces composants et plus spécifiquement
d’un des roulements peut avoir des conséquences extrêmement préjudiciables pour
l’intégrité générale du moteur. C’est pourquoi une surveillance vibratoire a été mise en
place pour les roulements par l’équipe de « Health Monitoring » (HM) de Safran Aircraft
Engines, afin de prévenir d’éventuelles atteintes à la santé du moteur.

De manière générale, un moteur d’avion est un système complexe et cette complexité

influe directement sur la surveillance de ses différents composants. Dans le cadre de
l’approche vibratoire de la surveillance et plus particulièrement dans celle des roulements,
il est nécessaire de prendre en considération l’environnement général du moteur (Figure 1).
L’environnement mécanique n’est pas le seul pourvoyeur de « bruit ». Cinq à dix
roulements sont intégrés dans l’architecture d’un moteur d’avion (voir Figure 1). Un à
deux accéléromètres sont utilisés pour effectuer la surveillance des différents composants
mécanique. Les accéléromètres sont disposés sur le carter ou à proximité des rotors du
moteur et sont donc éloignés de certains roulements. Ce n’est pas dans tous les cas
l’accéléromètre le plus proche d’un roulement qui permet le meilleur diagnostic vibratoire
de la santé du roulement en question. C’est plutôt l’accéléromètre pour lequel le chemin de
transmission des vibrations caractéristiques de l’endommagement est le meilleur.

William Gousseau

- 7 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 Figure 1 - Environnement moteur

Lors des différentes phases de vol d’un moteur, il n’existe pas de régime
rigoureusement stabilisé (c'est-à-dire de régime de rotation stationnaire), bien que la
majeure partie du vol soit en régime croisière à peu près stabilisé. La puissance du moteur
est gérée par un équilibre thermodynamique et aérodynamique complexe dépendant
notamment des conditions météorologiques extérieures. En régime croisière, les vitesses de
rotation des arbres basse pression (BP) et haute pression (HP) oscillent respectivement
autour des 5000rpm et 15000rpm. Des tachymètres déportés permettent d’acquérir les
vitesses de rotation des deux arbres.

L’équipe du Health Monitoring (HM) vibratoire de Safran Aircraft Engines s’est

concentrée depuis plusieurs années sur l’analyse vibratoire des roulements des moteurs.
Une collaboration mise en place dans les années 2000 a permis de développer différents
outils de diagnostic. Ces outils servent à la fois en sortie de production, afin de vérifier qu’il
n’y a pas eu d’endommagement lors du montage du roulement ou lors du rodage, mais
également en vol, ou même en support en service pour apporter une expertise dans des cas
où le diagnostic est complexe.

En sortie de production :

Lorsqu’un moteur sort de production, il passe sur un banc d’essai afin d’équilibrer
les rotors et de roder le moteur. C’est l’occasion de vérifier l’état des roulements et d’autres
composants mécaniques grâce à l’analyse des vibrations, rendue possible par une
instrumentation adéquate. Chaque jour, les relevés vibratoires sont analysés lors d’une
opération nommée « screening visuel ». Un employé expérimenté est chargé d’analyser
différents spectrogrammes, notamment en suivi d’ordre (voir I.B.8). L’analyse permet de
valider l’opérationnalité des roulements du moteur. Cette opération quotidienne est
manuelle et a fait l’objet d’une thèse dans l’objectif d’être automatisée [1], [2].

William Gousseau

- 8 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Introduction

En vol :

La surveillance d’un moteur en vol se fait sur le modèle de ce qui est décrit en I.B.8.f
avec l’algorithme « universal bearing ». En vol, le diagnostic se fait sur des « snapshots »
de signal d’une durée proche de 0,2 seconde acquise à une fréquence d’échantillonnage de
50kHz. Sur CFM56, il y a jusqu’à 66 snapshots de 0.2s qui peuvent être acquis, en pratique
la moitié est acquise. Par ailleurs, pour un moteur, on a un historique des 10 derniers vols
et de 10 vols précédant une alarme. En cas d’alarme la maintenance est prévenue.

Expertise pour le support en service :

Lorsqu’une alarme concernant les roulements se déclenche en vol, à la fin d’un vol
recommandant de décharger les données haute fréquence d'ici un nombre limité d'heures
de vol est émis. Les données sont téléchargées lors de l’atterrissage suivant (si l’aéroport
est équipé). Ces données sont analysées via une plateforme par des employés du support
en service. Ces employés ont été formés à l’analyse vibratoire, mais n’en sont pas experts,
car ils doivent également répondre à des demandes dans de nombreux domaines ayant trait
aux moteurs d’avions. Dans ces cas où leurs analyses seraient insuffisantes pour émettre
des recommandations (changement de roulement par exemple), le support en service
s’adresse directement à l’équipe HM. Cette dernière effectue une expertise des relevés
récupérés afin d’émettre des recommandations sur la conduite à tenir.

Aujourd’hui, la surveillance vibratoire des roulements est systématique. Mieux

encore, leur surveillance est intégrée dès la conception d’un nouveau moteur. Les
algorithmes génériques sont adaptés aux nouvelles architectures moteurs. Le diagnostic
vibratoire des roulements est aujourd’hui pleinement intégré et effectif à Safran Aircraft
Engines. C’est pourquoi l’équipe HM vibratoire de Safran Aircraft Engines s’intéresse
aujourd’hui au pronostic. L’intérêt de pouvoir anticiper la défaillance d’un roulement est
principalement de pouvoir planifier à l’avance une maintenance (inspection des particules
sur les bouchons magnétiques, boroscopie ou remplacement du roulement) ceci afin de
faciliter les interventions sur l’avion en conditions opérationnelles : par exemple en
permettant à la compagnie aérienne de s'organiser dans le temps pour commander un
moteur de rechange, si une dépose d'un moteur suspect doit être réalisée d'ici un délai
suffisamment grand. L’enjeu est donc économique : optimiser la disponibilité, par les
compagnies aériennes, de leurs moteurs.

Les roulements des moteurs Safran Aircraft sont conçu avec une durée de vie
théorique infinie. Dans la pratique ils ont évidemment une durée de vie limitée. Cette
conception robuste fait que pour un chiffre approximatif de 26 000moteurs opérationnels
moins de 0.05% de roulements endommagés sont diagnostiqués chaque année. Le dispositif
de maintenance actuel est systématique et préventif. L’enjeu de cette thèse est d’ouvrir les
perspectives d’une maintenance prédictive pour les roulements d’avions.

William Gousseau

- 9 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Bibliographie

BIBLIOGRAPHIE

SOMMAIRE

I.A. AUTOUR DES ROULEMENTS ................................................................................................................ 11

I.A.1. GÉNÉRALITÉS SUR LES ROULEMENTS ............................................................................................................. 11
I.A.2. LES FRÉQUENCES CARACTÉRISTIQUES D’ENDOMMAGEMENTS DE ROULEMENT ...................................................... 12
I.A.3. LES ROULEMENTS D’UNE ARCHITECTURE TYPE MOTEUR SAFRAN AIRCRAFT ENGINES - CAS DU CFM56 .................. 14
I.A.4. LES DIFFÉRENTS ENDOMMAGEMENTS DE ROULEMENT ...................................................................................... 15

I.B. DIAGNOSTIC DE ROULEMENT PAR ANALYSE VIBRATOIRE ......................................................................... 21

I.B.1. PRÉTRAITEMENT DU SIGNAL VIBRATOIRE ....................................................................................................... 21
I.B.2. LES INDICATEURS STATISTIQUES ................................................................................................................... 24
I.B.3. L’ANALYSE SPECTRALE [20], [21] ................................................................................................................. 26
I.B.4. L’ANALYSE D’ENVELOPPE [24]–[26] .............................................................................................................. 27
I.B.5. L’ANALYSE TEMPS-FRÉQUENCE [28], [29] ...................................................................................................... 27
I.B.6. L’ANALYSE CEPSTRALE................................................................................................................................ 28
I.B.7. L’ANALYSE CYCLOSTATIONNAIRE .................................................................................................................. 30
I.B.8. TRAITEMENT DU SIGNAL CHEZ SAFRAN AIRCRAFT ENGINES .............................................................................. 32

I.C. LE PRONOSTIC.................................................................................................................................. 38
I.C.1. GÉNÉRALITÉS SUR LE PRONOSTIC .................................................................................................................. 39
I.C.2. LES ÉTAPES PRÉCÉDANT LE PRONOSTIC ......................................................................................................... 40
I.C.3. PRONOSTIC ET PRÉDICTION DE LA RUL. ........................................................................................................ 41

William Gousseau

- 10 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE I

Les roulements sont plus que présents dans l’industrie actuelle dès lors que l’on est
en présence de machines tournantes. C’est le cas ici pour un moteur d’avion. Leur étude a
déjà largement été faite depuis plusieurs dizaines d’années à diverses fins et notamment
dans l’aéronautique. En effet, la rupture d’un roulement est extrêmement préjudiciable au
bon fonctionnement du système auquel il appartient, entraînant systématiquement un arrêt
en vol du moteur. De plus les dégâts secondaires causés par la défaillance d’un roulement
sont tels que le moteur est systématiquement mis hors service. Ce chapitre a pour objectif
de synthétiser et de passer en revue les connaissances autour des roulements, et des
techniques d’analyse vibratoire qui leur sont associées. Une dernière partie est consacrée
au pronostic, enjeu majeur pour les industriels d’aujourd’hui et sujet principal des
recherches qui suivront. Cette synthèse ne concernera que l’étude vibratoire des roulements
conformément aux contraintes industrielles. Ce chapitre pourra être utilisé comme un
panorama des outils et méthodes existantes concernant :
– Les généralités sur les roulements ;
– L’analyse vibratoire associée aux roulements ;
– Les méthodes de pronostic de durée de vie.

I.A. Autour des roulements

I.A.1. Généralités sur les roulements

Les roulements ont été développés pour favoriser la rotation d’un système autour
d’un arbre par roulement plutôt que par glissement. Il existe un nombre important de types
de roulements : à billes, à double rangée de billes, à contact oblique, à rouleaux, à aiguilles,
etc. Nous nous concentrerons ici sur les roulements à billes, à contact oblique ou non et sur
les roulements à rouleaux.
Un roulement est composé d’un ensemble d’éléments comme montré dans la Figure
2. On distingue principalement :
– la bague extérieure
– la bague intérieure
– la cage
– les éléments roulants (billes, rouleaux, etc.).

William Gousseau

- 11 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Bibliographie

Figure 2- Composants d'un roulement à billes

I.A.2. Les fréquences caractéristiques d’endommagements de

roulement

Les roulements font l’objet de nombreuses études afin d’en détecter précocement les
endommagements potentiels [3]. Mc Fadden et Smith ont publié les premiers modèles
phénoménologiques [4], [5] des vibrations générées par des endommagements, pour des roulements
à bague extérieure fixe et à bague intérieure tournante. Ils les décrivent comme des petites
impulsions que l’on distingue particulièrement dans les hautes fréquences quand la zone
endommagée est chargée par le passage des éléments roulants devant une bague.

William Gousseau

- 12 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE I

Figure 3- Signaux vibratoires d’endommagements de roulements et enveloppes de leur signal [6]

Ainsi, comme montré dans la Figure 3, il a été mis en avant les formules des différentes
fréquences d’apparition d’un endommagement localisé (type écaillage), à charge unidirectionnelle
verticale et avec la bague extérieure fixe. On trouve ces formules résumées dans le Tableau 1.
La Figure 4 illustre les grandeurs caractéristiques des roulements à billes (diamètre primitifs,
diamètre billes, angle de contact, nombre de billes)

Figure 4 - Grandeurs caractéristiques d'un roulement

William Gousseau

- 13 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Bibliographie

Tableau 1 - Équations des fréquences caractéristiques, bague extérieure statique

BPFI 𝑛𝑛𝑓𝑓𝑟𝑟 𝑑𝑑
(1 − 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐) (I.1)
(Ball Passing Frequency Inner Race) 2 𝐷𝐷
BPFO 𝑛𝑛𝑓𝑓𝑟𝑟 𝑑𝑑
(1 + 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐) (I.2)
(Ball Passing Frequency Outer Race) 2 𝐷𝐷
BSF 𝐷𝐷 𝑑𝑑 2
(1 − � 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐� ) (I.3)
(Ball Spin Frequency) 2𝑑𝑑 𝐷𝐷
FTF 𝑓𝑓𝑟𝑟 𝑑𝑑
(1 − 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐) (I.4)
(Fundamental Train Frequency 2 𝐷𝐷

I.A.3. Les roulements d’une architecture type moteur Safran Aircraft

Engines - cas du CFM56

Les roulements Safran Aircraft Engines sont particuliers, car conçus sur-mesure pour
chaque application moteur. Ils sont au nombre de six et sont assemblés sur cinq paliers (le palier
trois est dit duplex car intégrant deux roulements), eux aussi conçus sur mesure. Un palier des
cinq paliers est un roulement à billes, trois autres sont des roulements à rouleaux, le dernier,
duplex, est composé d’un roulement à billes et d’un roulement à rouleaux .

Figure 5 - Coupe d'un CFM56 et positionnement des paliers 1

I.A.3.a. Le palier 1 (#1)

Le palier 1 est un roulement à billes. Le #1 est le plus gros des cinq roulements, il
est dimensionné pour encaisser les charges axiales et radiales provenant de la poussée du

1 Communication interne Safran Aircraft Engines

William Gousseau

- 14 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE I

moteur et de l'effort de balourd résiduel. Sa bague intérieure tourne à la vitesse de l’arbre

Basse Pression (BP).

I.A.3.b. Le palier 2 (#2) et 5 (#5)

Les paliers 2 et 5 sont des roulements à rouleaux. Tous deux sont liés à l’arbre BP
en rotation par leur bague intérieure.

I.A.3.c. Le palier 3 (#3)

Le palier 3 est un palier duplex : il supporte l’arbre haute pression (HP) avec une
paire de roulements jumelés. L’un de ces roulements est un roulement à billes tandis que
l’autre est à rouleaux.

I.A.3.d. Le palier 4 (#4)

Le palier 4 est un palier à rouleaux qui a la particularité d’avoir ses deux bagues
mobiles (interne et externe, Figure 6). Selon l’application, les bagues sont co-rotatives ou
contra-rotatives. Dans le cas du CFM56, les bagues du #4 sont co-rotatives. Cela signifie
qu’elles tournent dans le même sens, mais à deux vitesses de rotations différentes. La bague
intérieure tourne à la vitesse de l’arbre BP et la bague extérieure à la vitesse de l’arbre
HP. Le rapport de vitesse entre les deux bagues n’est pas constant. Là encore, c’est un
complexe équilibre thermodynamique et aérodynamique qui définira le rapport des vitesses.

Figure 6 - Palier 4 d'un CFM56

I.A.4. Les différents endommagements de roulement

En fonction des conditions auxquelles ils sont soumis, les roulements peuvent
s’endommager de différentes manières. Ce paragraphe en énumère un nombre non
exhaustif.

William Gousseau

- 15 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Bibliographie

I.A.4.a. L’indentation

L’indentation sur une bague est un enfoncement de la matière comme montré sur la
Figure 7, qui peut être provoqué par un choc ou une charge anormalement répartie ou
élevée. Un cas fréquent d’indentation provient du passage de particules dures entre les
éléments roulants (billes, rouleaux, etc..) et une bague. Un mauvais montage du roulement
peut aussi être à l’origine d’une indentation.

Figure 7 - L'indentation d’une bague intérieure de roulement [7]

I.A.4.b. La corrosion

La corrosion des éléments d’un roulement est le résultat de la présence d’eau, ou plus
généralement d’humidité, pendant une longue durée, dans le roulement. La présence d’une
substance corrosive ou une usure abrasive prolongée, comme vu au 1.4.5, peut également
être cause d’un tel endommagement, visible en Figure 8.

William Gousseau

- 16 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE I

Figure 8 - Effet de la corrosion sur un roulement [7]

I.A.4.c. Bavure – Smearing

Les endommagements de type bavures sont le résultat d’un excès de lubrification ou

de frottement de deux surfaces à haute température (et souvent haute fréquence), de sorte
que le métal fond par endroit, déformant la surface des bagues ou des billes.

Figure 9 - Bavures [7]

I.A.4.d. L’écaillage

L’écaillage est le résultat d’un endommagement normal d’un roulement : cela signifie
qu’il survient à la fin de vie normale du roulement. Toutefois, il peut également apparaître
de manière trop précoce. C’est le cas en présence de charges trop importantes, ou suite à
une indentation ou une bavure. Cet endommagement s’aggrave avec le temps puisque
chaque passage de billes sur un écaillage enlève un peu plus de matière et agrandit la
surface endommagée provoquant des vibrations qui peuvent conduire à la fissuration de la
cage du roulement, par exemple.

William Gousseau

- 17 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Bibliographie

Figure 10 - Exemple d'écaillage [7]

I.A.4.e. L’usure par particules abrasives

L’usure anormale d’un roulement peut provenir de diverses origines, en

fonctionnement comme à l’arrêt. De mauvaises précautions de montages ou de
fonctionnement peuvent mener à une usure précoce, introduisant dans le roulement des
résidus de saleté, ou des particules (Figure 11a). Également, lorsque la lubrification est
insuffisante, un contact métal contre métal se produit entre les éléments roulants et les
pistes. Le roulement s’use de manière anormale et cela peut se traduire visuellement par
l’apparition de surfaces miroitantes. Dans le cas où le lubrifiant est pollué, de petites
particules abrasives, comme des saletés ou des copeaux, ayant pénétré dans le roulement
par certains moyens, provoquent une usure des pistes, des éléments roulants et de la cage.
La surface se ternit à un degré qui varie suivant la grosseur et la nature des particules
abrasives. La quantité de particules abrasives augmente progressivement au fur et à mesure
que le matériau est éliminé par usure des surfaces de contact et de la cage. L’usure s’accélère
ensuite et, finalement, les surfaces sont usées à tel point que le roulement n’assure plus sa
fonction.

William Gousseau

- 18 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE I

Figure 11 - (a) Usure causée par des particules abrasives, (b) causée par le faux effet Brinell [7]

I.A.4.f. Le faux effet Brinell

Des vibrations parasites peuvent être à l’origine d’une usure marquée et

régulièrement espacée sur la bague (Figure 11b). Lorsqu’un roulement est à l’arrêt, il n’y
a pas de film lubrifiant entre les éléments roulants et les pistes. L’absence de film lubrifiant
produit un contact métal contre métal et les vibrations provoquent de petits mouvements
relatifs entre les éléments roulants et les bagues. Suite à ces mouvements, de petites
particules se détachent des surfaces et cela conduit à la formation de creux dans les pistes.
Les billes produisent des cavités sphériques tandis que les rouleaux provoquent des
cannelures. Cette usure est communément appelée "faux effet Brinell". Les roulements à
rouleaux ont montré qu’ils sont davantage sujets à ce type de dommages que les roulements
à billes. La raison avancée est généralement que les billes peuvent rouler dans toutes les
directions. Les rouleaux, quant à eux, ne roulent que dans une direction, le mouvement
dans les autres directions prenant la forme d’un glissement. Les roulements à rouleaux
cylindriques sont les plus sujets à ce phénomène.

I.A.4.g. Les fissures

La fissure peut apparaître de plusieurs manières. Elle peut être la dernière étape du
processus de dégradation, l’état critique d’un roulement. C’est très souvent le résultat de
tous les endommagements précédemment cités. Dans ce cas, la fissure est visible à l’œil nu
comme sur la Figure 12. Autre possibilité : de petites fissures peuvent apparaître en sous-
couche des bagues à cause de charges trop importantes ou mal réparties. Sous l’effort répété
par les passages de billes, la fissure se propagera en surface des bagues pour créer de
l’écaillage.

William Gousseau

- 19 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Bibliographie

Figure 12 - Exemples de fissure [7]

I.A.4.h. Passage d’un courant

Des dégâts se produisent lorsqu’un courant électrique passe à travers un roulement,

d’une bague à l’autre en passant par les éléments roulants. Au lieu de contact entre les
différents éléments se produit l’effet d’un arc électrique. Ce dernier produit une grande
chaleur concentrée aux points de contact de l’arc, ce qui se caractérise visuellement par un
changement de couleur de la matière puis par des cratères de métal fondu. Ce cratère
devient alors suffisant pour créer de l’écaillage par le passage répété des éléments roulants.
Cet endommagement peut apparaître lors d’une opération de maintenance utilisant par
exemple un poste à souder non-relié à la terre.

Figure 13 - Exemple d'endommagements liés à un passage de courant [7]

I.A.4.i. Endommagement de la cage

L’endommagement de la cage est l’étape ultime de la défaillance d’un roulement.

Quand la cage est endommagée, c’est qu’il y a eu préalablement un autre endommagement.
L’usure ou la rupture de la cage amène à la défaillance totale du roulement dans un délai
très court.

William Gousseau

- 20 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE I

Figure 14 - Exemples de cages endommagées [7]

I.B. Diagnostic de roulement par analyse vibratoire

Le diagnostic de roulement introduit un nombre important de méthodes et outils de

traitement du signal. Les plus communément utilisés et ceux qui ont apporté des résultats
notoires pour les roulements ont été regroupés dans un article très complet par Randall et
Antoni [6]. Ces méthodes permettent d’extraire le signal du roulement d’un signal bruité
et d’améliorer la qualité du signal pour en tirer le plus d’informations possible. Cette partie
traite des techniques de diagnostic les plus communément appliquées aux roulements, puis
des techniques de traitement du signal de roulements utilisées chez Safran Aircraft Engines.

I.B.1. Prétraitement du signal vibratoire

Les signaux d’endommagement de roulement sont généralement de très faibles

énergies, noyées dans le bruit du système dans lequel ils se trouvent. Il est donc important
de filtrer le bruit du signal global afin d’augmenter le rapport signal sur bruit, et qu’il ne
reste qu’un signal caractérisant l’endommagement du roulement. Dans le milieu
aéronautique, le prétraitement est d’autant plus compliqué et important que le moteur est
un système extrêmement complexe (comme visible Figure 1 et Figure 5) et soumis à de
très nombreuses vibrations.

I.B.1.a. Self Adaptative Noise Cancellation

Le Self Adaptative Noise Cancellation (SANC)[6] est une technique qui peut
permettre dans certains cas de séparer le signal vibratoire du roulement des autres
composantes vibratoires d’organes rotatifs. Cette technique est possible si les autres
composantes (engrenages par exemple) sont déterministes. SANC est une extension de
l’Adapatative Noise Cancellation (ANC). L’ANC consiste à utiliser un signal de référence
cohérent avec une des deux composantes (l’un déterministe et l’autre aléatoire) du signal
de départ que l’on souhaite séparer. Le SANC [8] n’a besoin que d’un seul signal, mais
introduit une notion de retard. Le signal initial retardé devient la référence et peut être
utilisé pour séparer les composantes discrètes des composantes aléatoires. Le signal retardé
inclut les vibrations de structure, une fois filtré de ces composants déterministes il ne reste

William Gousseau

- 21 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Bibliographie

que les signaux comportant les signatures de roulement. La Figure 15 de Ho et Randall

illustre le principe du SANC.

Figure 15 - Schéma de principe du SANC [6]

I.B.1.b. Le moyennage synchrone [9]

Le moyennage synchrone se calcule à partir d’un signal dont on connaît une

composante périodique (par exemple une fréquence cyclique). Le signal de départ se
compose d’une partie synchrone et d’une partie asynchrone. L’objectif du moyennage
synchrone est d’extraire cette composante synchrone et, par soustraction de la composante
synchrone au signal original, de récupérer la partie résiduelle asynchrone. On retrouve par
exemple dans la partie synchrone les composantes périodiques liées aux fréquences des
engrenages.

Pour ce faire, on moyenne des blocs de signaux d’une longueur de la période connue
(Figure 16). Il est important d’avoir un nombre entier de blocs, il est donc souvent
nécessaire de tronquer le signal étudié. Une autre contrainte consiste à avoir un nombre
entier de points dans le bloc correspondant à la période connue. Si ce n’est pas le cas, il est
possible de pallier ce problème en suréchantillonnant le signal.

William Gousseau

- 22 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE I

Figure 16 - Principe du moyennage synchrone [10]

Dans le cas des roulements, c’est dans le signal résiduel que l’on retrouvera la
signature d’un endommagement. En effet les fréquences d’endommagement de roulements
ne sont pas rigoureusement synchrones, la plupart du temps ils ne sont pas synchrones
avec les harmoniques entières de la vitesse de rotation. Celui-ci s’obtient par soustraction
de la moyenne synchrone au signal original (Figure 17). Dans la Figure 17, (a) correspond
au signal d’origine, (b) correspond à la concaténation du bloc moyenné pour obtenir un
signal de même longueur que celui d’origine. (c) est la soustraction du signal d’origine (a)
par la moyenne (b).

Figure 17 - Obtention du signal résiduel mettant en évidence la contribution du roulement (c = a – b) [11]

I.B.1.c. La déconvolution aveugle

La déconvolution aveugle se différencie de la déconvolution car elle ne nécessite pas

de signal de référence pour effectuer le calcul de déconvolution. L’objectif est de retrouver
l’entrée d’un système linéaire invariant dont on observe la réponse, résultat de la
convolution de cette entrée avec la réponse impulsionnelle du système. Elle s’applique au

William Gousseau

- 23 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Bibliographie

signal temporel dans l’objectif d’en améliorer l’émergence d’impulsion présente dans le
signal, caractéristique d’endommagement de roulement. Pour les roulements, le plus
souvent l’algorithme de déconvolution aveugle consiste à maximiser le kurtosis. On utilise
le kurtosis car dans le cas d’un défaut ponctuel, le signal d’excitation est une succession
d’impulsions, caractérisée par un kurtosis élevé. On le trouve sous le nom de Minimum
Entropy Deconvolution (MED)[12]. De nouveaux algorithmes sont en cours de
développement, cherchant à maximiser d’autres critères que le kurtosis.

I.B.2. Les indicateurs statistiques

Ces indicateurs aussi appelé indicateurs globaux, servent essentiellement à la

surveillance et la détection d’endommagement d’une machine tournante. On peut
également suivre leur évolution pour faire du suivi de tendance et quand cela est possible
de la classification : c'est-à-dire distinguer différents états d’endommagement.

I.B.2.a. Les indicateurs basés sur les moments statistiques

Les indicateurs statistiques utilisent des opérateurs de calcul statistique appliqués

sur les signaux temporels. Les plus utilisés sont le Root Mean Square (RMS), le Skewness
et le Kurtosis. Ces trois indicateurs sont les moments statistiques respectivement d’ordre
2, 3 et 4. Le Tableau 2 donne les expressions de chacun de ces moments statistiques. Dans
le tableau x(t) est le signal, mx la moyenne et σx est l’écart-type. Le signal x est considéré
comme stationnaire.

Tableau 2 - Expressions probabilistes des indicateurs statistiques

�(𝐸𝐸{|𝑥𝑥(𝑡𝑡)2 |})
RMS
𝐸𝐸{|𝑥𝑥(𝑡𝑡) − 𝑚𝑚𝑥𝑥 |3 }
Skewness
𝜎𝜎𝑥𝑥3
𝐸𝐸{|𝑥𝑥(𝑡𝑡) − 𝑚𝑚𝑥𝑥 |4 }
Kurtosis 𝜎𝜎𝑥𝑥4

max {|𝑥𝑥(𝑡𝑡)|}
t∈T
Facteur de Crête 𝜎𝜎𝑥𝑥

Le RMS [13]–[16] est souvent utilisé dans la sécurité des machines ou des composants.
Elle renvoie le niveau énergétique vibratoire du système étudié. Quand une valeur,
considérée comme trop élevée, est observée, cela signifie qu’un niveau vibratoire trop
important est atteint : la défaillance est proche. Cet indicateur est toutefois simpliste dans
un système vibratoire complexe tel qu’un moteur d’avion, car il mesure l’énergie de toutes

William Gousseau

- 24 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE I

les sources vibratoires du système. Ainsi, l’énergie liée à l’apparition d’un endommagement
dans un roulement ne sera pas perceptible dans l’analyse des moments statistiques.

Le skewness est le moment statistique centré et normalisé d’ordre 3. Il permet de

définir l’asymétrie d’un signal. Une valeur élevée (en positif ou négatif) du skewness
signifiera une grande asymétrie du signal. Un skewness égal à zéro correspond à un signal
symétrique. En présence d’un endommagement, on génère une force dans le même sens à
chaque passage de bille. Ce dernier fera apparaître une asymétrie marquée dans la direction
de l’endommagement.

Le kurtosis [17], [18] est plus efficace pour détecter les chocs, par exemple un passage
de bille sur un indent. Le kurtosis quantifie l’aplatissement de la courbe de densité de
probabilité du signal enregistré. Il donne une grande importance aux amplitudes élevées
tout en pondérant les événements isolés, contrairement au facteur de crête. La valeur du
kurtosis est de 1.5 pour un signal harmonique et de 3 pour un signal aléatoire distribué
selon une densité normale. Pour un roulement en bon état la valeur du kurtosis est souvent
proche de l’ordre de 3 alors qu’elle peut beaucoup augmenter lorsque le roulement se
détériore.

Le kurtosis spectral [6], [19], [20], peut donner de bonnes indications sur l’existence
d’un endommagement, jusqu’à une certaine taille. Cet indicateur permet de discerner des
structures non-stationnaires dans le signal étudié, en précisant dans quel domaine
fréquentiel elles se manifestent.

La valeur du kurtosis augmente avec la taille de l’endommagement, mais chute une

fois que l’endommagement dépasse une certaine taille. Sa fiabilité est donc relative en
diagnostic, mais son suivi régulier peut s’avérer intéressant pour le pronostic.

Il existe également d’autres indicateurs statistiques tels que le facteur de crête. Celui-
ci mesure également l’impulsivité du signal sur un intervalle temporel. Plus le signal est
impulsif, plus la valeur de crête augmente et donc le facteur de crête aussi. Dans un cas de
roulement, le facteur de crête croît durant toute la phase de dégradation de roulement.
Tout comme les autres indicateurs statistiques, son utilisation pour le diagnostic dans un
environnement bruité est compromise.

I.B.2.b. Les combinaisons d’indicateurs statistiques

Il existe des indicateurs statistiques sous forme de combinaison d’indicateurs plus

basiques. Ces combinaisons s’expliquent par la volonté d’obtenir des indicateurs
monotones. Ainsi Thomas [21] a développé deux indicateurs reprenant les moments

William Gousseau

- 25 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Bibliographie

statistiques : le TALAF et le THIKAT (Tableau 3). Tous deux développés récemment, ils
peuvent permettre une meilleure connaissance de l’état du roulement. Il est possible de
distinguer quatre stades de dégradations signalés par des changements de pente (Figure
18). Dans le cas du TALAF, le Kurtosis augmente avec l’arrivée d’un endommagement
puis chute une fois que celui-ci ne se caractérise plus par de franches impulsions. Le RMS
augmente alors significativement avec l’arrivée proche de la défaillance finale.

Tableau 3 - Combinaison d'indicateurs statistiques

𝑅𝑅𝑅𝑅𝑅𝑅
log �𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾 + �
TALAF 𝑅𝑅𝑅𝑅𝑆𝑆0
RMS0, la valeur RMS à t0
𝑅𝑅𝑅𝑅𝑅𝑅 max{|𝑥𝑥(𝑡𝑡)|}
log � 𝐾𝐾𝐾𝐾𝐾𝐾𝑡𝑡 𝐹𝐹𝐹𝐹 + � � �
THIKAT 𝑅𝑅𝑅𝑅𝑆𝑆0

Avec RMS0 la valeur RMS a t0

Figure 18 - Variation du TALAF en fonction de la taille de l'endommagement [21]

Comme ces indicateurs utilisent les caractéristiques statistiques (RMS, Kurtosis,

facteur de crête, etc.), leur utilisation est limitée de la même manière que pour ces derniers.
Un environnement bruité, tel que l’est un moteur d’avion, ne permettra pas de distinguer
l’énergie provenant d’un endommagement du reste.

I.B.3. L’analyse spectrale [22], [23]

Dans la surveillance des machines tournantes, l’utilisation d’outils d’analyse spectrale

est désormais un passage obligatoire [24]. Ces outils permettent de rechercher de
nombreuses informations dans un signal vibratoire. L’analyse fréquentielle est
complémentaire à l’analyse temporelle. Des phénomènes difficilement visibles dans le

William Gousseau

- 26 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE I

domaine temporel peuvent apparaître avec précision dans l’analyse spectrale. Son
utilisation est aujourd’hui devenue un standard dans l’industrie, grâce à l’algorithme de la
transformation de Fourier rapide développé par Cooley et Tukey en 1965 [25].

I.B.4. L’analyse d’enveloppe [26]–[28]

L’analyse d’enveloppe est un classique de l’analyse vibratoire et plus particulièrement

de l’étude des roulements. Elle permet une recherche plus fine des fréquences
caractéristiques. C’est une technique utilisée pour la détection des endommagements se
manifestant dans les hautes fréquences et lorsque la réponse vibratoire aux chocs produits
par l’endommagement n’est plus périodique (en raison de glissement dans le roulement,
faible variation de vitesse, ou aussi de la nature aléatoire des chocs en haute fréquence).
Pour détecter l’enveloppe, il faut d’abord déterminer la zone où se produit l’augmentation
du niveau global de vibration (zone en pointillés sur le spectre de la Figure 19). Dans le
cas des roulements, cette zone correspondra aux fréquences de résonnance excitées par le
défaut. On règle alors un filtre passe-bande au centre de celle-ci. La détection des valeurs
crêtes sur le signal temporel donne l’enveloppe en fonction du temps. Ce signal possède
alors les informations en fréquence et en amplitude (Figure 19), la transformée de Fourier
fait apparaître ces informations en affichant les raies correspondantes aux fréquences
caractéristiques des défauts recherchés. Les composantes fréquentielles peuvent ensuite être
comparées aux fréquences de roulements calculées pour établir le type d’endommagement
présent.

Figure 19 - Principe du spectre d'enveloppe [29]

I.B.5. L’analyse temps-fréquence [30], [31]

Le spectrogramme, ou diagramme temps-fréquence, est un mode de représentation

de l’évolution des fréquences au cours du temps, résultat du calcul de la transformée de
Fourier à court terme (TFCT). Il permet de connaître le positionnement dans le temps
d’une fréquence. Le spectrogramme se calcule en réalisant des transformées de Fourier

William Gousseau

- 27 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Bibliographie

successives sur une fenêtre glissante dans le temps. Pour plus de continuité, on applique
un recouvrement. La Figure 20 affiche le diagramme temps-fréquence d’un roulement avec
endommagement. On y distingue très bien les chocs successifs. La subtilité du
spectrogramme se trouve dans ses paramètres de résolutions : la résolution fréquentielle et
la résolution temporelle. Ces deux variables étant par définition l’inverse l’une de l’autre,
on ne peut avoir à la fois une très bonne résolution fréquentielle et une très bonne résolution
temporelle. Il est souvent nécessaire de devoir trouver un juste milieu en faisant plusieurs
tests pour trouver un confort d’affichage selon le niveau de précision recherché sur chaque
axe et, surtout, selon ce que l’on souhaite observer.

Figure 20 - Spectrogramme d'un signal de roulement avec endommagement

I.B.6. L’analyse cepstrale

L’analyse cepstrale permet de déceler les périodes de chocs répétitifs, qui génèrent un
très grand nombre d’harmoniques de fréquences. Cette méthode permet de mettre en avant
tout le contenu harmonique d’un signal de manière concise. Le cepstre s’exprime comme la
transformée de Fourier inverse du logarithme du spectre (équation I.5).

𝐶𝐶�𝑥𝑥(𝑡𝑡)� = 𝑇𝑇𝑇𝑇 −1 { ln(|𝑋𝑋(𝑓𝑓)|2 ) } 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑋𝑋(𝑓𝑓) = 𝐹𝐹{𝑥𝑥(𝑡𝑡)} I.5

Cette transformation met en évidence des pics appelés rhamoniques (anagramme du

mot harmonique) qui sont observés le long de l’axe des quéfrences ( Figure 21).

William Gousseau

- 28 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE I

Toutefois, son utilisation est compromise pour des signaux trop bruités, où l’aspect répétitif
du signal est trop difficile à repérer.

Figure 21 - Cepstre d'un signal de vibratoire avec endommagement d’engrenage [32]

Des méthodes récentes, mises en œuvre par Randall et Sawalhi [33] notamment,
utilisent le cepstre pour débruiter les signaux. Le principe est présenté en Figure 22. Dans
ce cas le cepstre réel est utilisé pour éditer les fréquences discrètes non désirés (tel que les
fréquences d’engrenages). Dans une machine complexe c’est un outil efficace permettant
par exemple de s’affranchir des fréquences d’engrenage et ainsi de se concentrer sur les
fréquences issues d’endommagements de roulements (Figure 23)

William Gousseau

- 29 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Bibliographie

Figure 22 - Schéma de principe de la méthode de suppression de famille d’harmonique par l'utilisation du

cepstre.[33]

Figure 23 - Spectre de l’enveloppe au carré : (a) signal brut ; (b) signal résiduel après utilisation retrait de la
moyenne synchrone ; (c) signal residuel après édition du cepstre pour retirer les rhamonique du de l’arbre de
rotation [33]

I.B.7. L’analyse cyclostationnaire

La cyclostationnarité est une propriété de la non-stationnarité. Par définition, un

signal est dit cyclostationnaire au sens large si son autocorrélation présente plusieurs
périodicités par rapport au temps. Il existe alors une ou plusieurs fréquences cycliques
notées 𝛼𝛼1 , 𝛼𝛼2 , … 𝛼𝛼𝑛𝑛 .

William Gousseau

- 30 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE I

L’autocorrélation d’un signal, décrite par la formule 𝑅𝑅𝑥𝑥 (𝑡𝑡, 𝜏𝜏) = 𝐸𝐸{𝑥𝑥(𝑡𝑡)𝑥𝑥(𝑡𝑡 + 𝜏𝜏)} ,
dépend des variables t, et τ. L’étude selon l’une et l’autre de ces variables fournie des
informations différentes :

– selon 𝜏𝜏, on est en mesure de remarquer des périodicités contenues dans le signal
(domaine des fréquences spectrales f).
– selon 𝑡𝑡 , fait apparaître les périodicités provenant de phénomènes de modulation
(domaine des fréquences cycliques 𝛼𝛼).

I.B.7.a. La corrélation spectrale :

La cyclostationnarité [13] [14], introduit la notion de corrélation spectrale noté 𝑆𝑆𝑥𝑥𝛼𝛼 (𝑓𝑓).
On peut représenter la corrélation spectrale sous forme de bispectre avec α en abscisse et f
en ordonnée. Cela correspond à la double transformée de Fourier par rapport à t et τ
(Figure 24). Si la corrélation spectrale comporte un nombre de points significatifs non nul,
alors le signal est dit cyclostationnaire d’ordre 1. Si la corrélation spectrale comporte un
nombre de valeurs significatives non nul le long d’une ligne parallèle à l’axe f, il est
cyclostationnaire d’ordre 2. Par exemple, dans le cadre de la détection d’endommagements
de roulements, on observera une signature (du type raie verticale) sur le spectrogramme en
(α, f) pour une valeur de α correspondant à la fréquence caractéristique d’un
endommagement. Une méthode récente développée par Antoni [36] permet un calcul rapide
de la corrélation spectrale.

Figure 24 - Corrélation spectrale d'un signal de roulement endommagé

I.B.7.b. La cohérence spectrale

La cohérence spectrale (noté 𝛾𝛾 𝛼𝛼𝑥𝑥 (𝑓𝑓) ) que l’on représente également dans un plan (α,
f) a la particularité de mettre en évidence une cyclostationnarité d’ordre 2, si des raies
verticales sont visibles. La cohérence spectrale est normalisée : c’est une grandeur comprise
entre 0 et 1. Elle est décrite par la formule :

William Gousseau

- 31 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Bibliographie

𝑆𝑆𝑥𝑥𝛼𝛼 (𝑓𝑓) I.6

𝛾𝛾 𝛼𝛼𝑥𝑥 (𝑓𝑓) =
𝛼𝛼 𝛼𝛼
�𝑆𝑆𝑥𝑥0 �𝑓𝑓 + � 𝑆𝑆𝑥𝑥0 �𝑓𝑓 − �
2 2

La Figure 25 compare la corrélation et la cohérence spectrale pour un même signal.

Afin de pouvoir avoir un suivi dans le temps, il est utile de sommer le long des fréquences
f pour chaque cohérence spectrale calculée sur un intervalle temporel. On réalise ensuite
une concaténation des spectres successifs dans une matrice (t, α). On se rapproche alors
du modèle d’une analyse temps-fréquence.

Figure 25 - (a) Corrélation spectrale d’un signal de roulement, (b) Cohérence spectrale du même signal faisant
apparaître les fréquences d'endommagement du roulement [10]

I.B.8. Traitement du signal chez Safran Aircraft Engines

Un moteur d’avion a une architecture très complexe (voir I.A.3) et représente donc
un environnement vibratoire également complexe et bruité. Safran Aircraft Engines utilise
des outils adaptés pour la surveillance vibratoire, particulièrement concernant les
roulements. Par exemple l’algorithme universal bearing est l’un des plus utilisés. Certaines
des techniques évoquées ci-dessous ne le seront que succinctement, car il arrive
fréquemment qu’elles soient déjà connues, mais sous une appellation propre à Safran
Aircraft Engines.

I.B.8.a. Le FOTI

Le FOTI pour Fréquences Ordonnées en fonction du Temps et des Intensités

vibratoires n’est finalement rien d’autre qu’un spectrogramme ou un diagramme Temps-
Fréquence (voir I.B.5). Il est régulièrement utilisé, mais est trop imprécis pour servir de
base de travail. L’environnement vibratoire bruité lié à l’architecture complexe rend son
utilisation difficile. Il faut un œil expert et habitué pour arriver à en tirer des informations

William Gousseau

- 32 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE I

sur la santé des roulements. L’utilisation est également difficile à cause des régimes
transitoires durant lesquels sont réalisées les mesures. Le FOTI est alors insuffisant.

Figure 26 - FOTI; mise en évidence de fréquence d'endommagement de roulement

I.B.8.b. Le FONI

Le FONI (Fréquences Ordonnées en fonction d’un régime N et des Intensités

vibratoires) intègre le régime comme valeur en abscisse. L’utilisation du régime est très
fréquente, car les régimes des deux arbres d’un moteur d’avion varient sans cesse lors de
son fonctionnement. Il n’existe pas –à proprement dit- de régime parfaitement stabilisé.
Ces diagrammes sont utilisés lors de phase transitoire des régimes de rotation. L’avantage
du FONI est sa facilité de lecture : les spectres sont ordonnés en fonction d’un régime de
rotation N permettant l’affichage sous forme d’un faisceau de droites les harmoniques du
régime utilisé pour former l’axe des abscisses du diagramme. Les FONI sont très utilisés
chez Safran Aircraft Engines pour le diagnostic d’endommagements de roulements à partir
d’une analyse visuelle de ce type de spectrogramme.

William Gousseau

- 33 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Bibliographie

Figure 27 - FONI; mise en évidence d'un endommagement de roulement

I.B.8.c. Le NOTI

Le NOTI (ordres d’un régime N Ordonnés en fonction du Temps et des Intensités

vibratoires) correspond chez Safran Aircraft Engines à un diagramme de suivi d’ordre. Il
est très utilisé en surveillance vibratoire des roulements. Cette technique nécessite un
rééchantillonnage angulaire (aussi appelé rééchantillonnage synchrone). Les signatures
vibratoires des roulements endommagés sont plus facilement reconnaissables en utilisant
ce diagramme, car elles s’affichent sous forme de raies horizontales à des ordres non-entiers
correspondant aux fréquences caractéristiques (souvent modulées par les fréquences de
rotations de l’arbre).

William Gousseau

- 34 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE I

Figure 28 - NOTI; mise en évidence d'un endommagement de roulement

Figure 29 - NOTI d'un roulement palier 4 [37]

I.B.8.d. Le NONI

Le NONI (ordres d’un régime N Ordonnés en fonction d’un régime N et des Intensités
vibratoires) est un diagramme qui permet d’afficher les ordre en fonction de la vitesse de
rotation N. C’est l’équivalent d’un NOTI, mais pour lequel on a substitué à l’axe du temps
un axe de régime de rotation. L’intérêt c’est qu’on a ainsi plus ou moins normalisé les axes.
Comme pour le FONI, il y a une part d’arbitrage pour passer d’un axe du temps à un axe
de N, sauf si N est strictement monotone avec le temps (si on accélère ou si on décélère
systématiquement sur la période de temps analysée).

Le rapport des vitesses de ces deux arbres n’est ni constant, ni linéaire. Il est
dépendant des conditions de fonctionnement du moteur : température, pression, altitude,
température extérieure, débit carburant, etc.

William Gousseau

- 35 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Bibliographie

Figure 30 - NONI; mise en évidence d'un endommagement de roulement

I.B.8.e. Le dephase

On pourrait résumer le dephase à une succession de moyennages synchrones). Le

principe de cet algorithme est de retirer du signal le bruit provenant des autres mécanismes
du moteur et ainsi d’améliorer le rapport signal sur bruit. Pour cela, les éléments synchrones
(le fan, les arbres, le RDS (Radial Drive Shaft : arbre reliant l’arbre HP à un support
d’équipements), etc.) du signal vibratoire sont retirés du signal d’origine. Le signal de base
est alors moyenné en phase (phase averaged signal) à partir du signal rééchantillonné
suivant le régime. Pour chaque phase du cycle, on moyenne les valeurs de cette même phase
sur tous les cycles. Dans le cas où le moteur possède plusieurs rotors (par exemple N1 et
N2, pour la plupart des moteurs Safran Aircraft Engines), il n’est pas possible de
rééchantillonner simultanément suivant les deux régimes. On procède alors, comme montré
dans la Figure 31, par rééchantillonnages et moyennages successifs.

William Gousseau

- 36 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE I

Figure 31 - Schéma de principe de l'algorithme "dephase" 2

I.B.8.f. L’algorithme « universal bearing »

Pour la détection des paliers endommagés, Safran Aircraft Engines utilise plusieurs
algorithmes (selon le moteur ou le palier à surveiller). L’universal bearing est l’un des
principaux algorithmes de surveillance des paliers. Il a donné lieu à un brevet déposé par
Safran Aircraft Engines en 2013 [38]. Cet algorithme dispose des données provenant de
chaque capteur (tachymètre, acéléromètre). On commence tout d’abord par sélectionner
un operating mode (Figure 32) c’est-à-dire une phase définie du régime moteur : démarrage,
ralenti, accélération, début croisière, en approche, descente... On récupère donc les données
correspondant à cet operating mode (régime N1 et N2 et accéléromètres). D’abord les
étapes du dephase sont réalisées. Le signal est ensuite rééchantillonné suivant un régime
choisi et on se projette dans le domaine des ordres. On obtient donc un diagramme NOTI.
Une opération de moyenne synchrone individuelle Mind est calculée pour chaque NOTI, le
long de l’axe des temps. La moyenne collective (Mcol) est calculée en faisant la moyenne de
chaque Mind, et sert de baseline. La variance σcol est également calculée à partir des Mind
lors de cette étape d’apprentissage. Chaque nouvelle moyenne temporelle est comparée à
la baseline par le calcul d’un z-score. La détection d’un endommagement se fait par la
fusion des z-score situés sur le peigne d’ordres, correspondant aux ordres caractéristiques
d’un endommagement de roulement. Cette opération est propre à chaque operating mode.

2 Communication interne Safran Aircraft Engines

William Gousseau

- 37 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Bibliographie

Figure 32 - Principe des "operating mode" 3

I.C. Le pronostic

Dans la continuité du diagnostic, le pronostic s’inscrit comme le grand défi du moment

dans tous les domaines de l’industrie. Anticiper la défaillance d’un système, prédire sa durée
de fonctionnement optimale malgré un endommagement, anticiper la maintenance pour éviter
la défaillance complète du système : tels sont les enjeux que l’on retrouve derrière la notion
de pronostic. Les roulements n’échappent pas à cette dynamique. Le nombre de publications
concernant le pronostic de durée de vie des roulements a explosé lors de la dernière décennie.

3 Communication interne Safran Aircraft Engines

William Gousseau

- 38 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE I

I.C.1. Généralités sur le pronostic

En 2004 la norme ISO 13381-1 définit le pronostic de la façon suivante :

Estimation de la durée de fonctionnement avant défaillance et du
risque d’existence ou d’apparition ultérieure d’un ou plusieurs
modes de défaillance [39]

Cette même norme ajoute que le pronostic doit considérer les points suivants :
– Les modes de défaillance existants et les taux de détérioration (sévérité de la
détérioration),
– les critères de déclenchement de futurs modes de défaillance,
– le rôle des modes de défaillance existants dans le déclenchement de futurs modes
de défaillance,
– l’influence entre les modes de défaillance existants et les modes futurs et leurs taux
de détérioration,
– la sensibilité à la détection et aux modifications des modes de défaillance existants
et futurs du fait des techniques de surveillance actuelles,
– la conception et les changements de stratégies de surveillance afin de s’adapter à
tous les éléments ci-dessus,
– l’effet des actions de maintenance et/ou des conditions d’exploitation,
– les conditions ou les hypothèses sous lesquelles les pronostics restent valables.

On peut résumer le pronostic autour de la question suivante :

Combien de temps de fonctionnement, dans les conditions

d’utilisation à venir, reste-t-il avant de devoir changer le
roulement ?

Cette même question en entraîne préalablement d’autres :

– Quelle est la gravité de l’endommagement du roulement à l’instant t ?

– Comment l’endommagement va-t-il évoluer ?

Le concept de pronostic fait intervenir les notions suivantes [14] :

– La durée de vie résiduelle : plus communément appelée RUL (Remaining Useful

Life) ou TTF (Time to Failure).
– La précision mesure l’écart entre la valeur prédite et la valeur réelle actuelle. En
résumé : la précision de prédiction.
– L’intervalle de confiance : elle révèle à quel point les prédictions successives sont
proches les unes des autres, c’est une mesure de l’intervalle dans laquelle la RUL
va tomber.

William Gousseau

- 39 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Bibliographie

I.C.2. Les étapes précédant le pronostic

I.C.2.a. Les indicateurs de santé

Il est souvent impossible d’observer l’endommagement (écaillage, fissure, etc.)

directement pour des raisons diverses : impossibilité d’accès et de démontage du roulement
surveillé, impossibilité d’arrêter la machine, impossibilité de voir l’endommagement sans
mettre hors de fonction le roulement (par exemple, un endommagement sur un élément
roulant ne pouvant être observé sans détruire le roulement). C’est pourquoi l’état de
dégradation est observé à travers un indicateur de santé calculé à partir de données
acquises. On peut classer en deux catégories les indicateurs de santé :

– Les indicateurs physiques : ils sont reliés à la physique de dégradation et extrait

de signaux (vibratoires, comptage de particules etc.) utilisant des méthodes
statistiques, de traitement du signal. C’est le cas par exemple du RMS d’un signal
vibratoire.
– Les indicateurs virtuels : souvent ils sont construits par la fusion de plusieurs
indicateurs physiques ou de signaux issue de multiples capteurs. Ils n’ont pas de
signification physique, et présente une description virtuelle de la tendance de la
dégradation.

I.C.2.b. Les états de dégradations

Les indicateurs de santé peuvent présenter des tendances différentes avec l’évolution
de la dégradation. Le cas idéal est un indicateur monotone voire linéaire. Ce n’est souvent
pas le cas. On distingue alors des états de dégradation en fonction des variations de
tendance observées pour l’indicateur de santé. Ainsi le plus souvent on distingue
simplement l’état sain de l’état dégradé : c’est la division en deux états [16]. Cette
classification en deux états paressant insuffisante de nombreux chercheurs se sont penchés
sur la question de classification en multiple états : cela signifie que lors de l’état dégradé,
doit être divisé en plusieurs étapes en fonction de la tendance de l’indicateur de santé
pendant cette phase [40].

William Gousseau

- 40 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE I

Figure 33 – Division en plusieurs étapes d’un indicateur basé sur le RMS. NS : état normal ; FS1 : état dégradé
1 ; FS2 : état dégradé 2 ; FS3 : état dégradé 3 et F : défaillance finale [40]

I.C.3. Pronostic et prédiction de la RUL.

Le pronostic peut être abordé de plusieurs manières. Le choix de l’approche du

pronostic est guidé par le système surveillé : sa composition, sa complexité, le type et la
quantité d’informations générées, etc. Généralement, on distingue trois grandes catégories
de pronostic [41] :

– le pronostic à base de modèles physiques,

– le pronostic à base de données,
– le pronostic basé sur l’expérience.

On ajoute à ces trois catégories une dernière catégorie :

– Le pronostic basé sur des méthodes hybrides.

La Figure 34 donne un aperçu des caractéristiques de chacune des approches. Une

récentes publications dressent de façon très exhaustive un état de l’art de ces méthodes[42].

William Gousseau

- 41 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Bibliographie

Figure 34 - Hiérarchisation des approches du pronostic (adapté de [43])

I.C.3.a. Le pronostic basé sur l’expérience [44], [45]

Cette approche que l’on trouve à la base de la pyramide de la Figure 34 est la

technique la moins complexe et est compatible avec le plus grand nombre de systèmes. En
contrepartie, c’est la méthode la moins précise. Cette méthode estime une durée de vie en
établissant un modèle statistique basé sur des connaissances empiriques. Généralement, le
résultat de la prédiction provient d’une fonction de densité de probabilité liée aux
observations. Dans les différentes utilisations de cette approche la prédiction est construite
en ajustant les observations à des modèles à coefficient aléatoire ou des processus
stochastiques utilisant des méthodes probabilistes. L’ensemble n’est aucunement relié à des
principes ou lois physiques. Parmi les méthodes couramment utilisées on retrouve :

– Modèle autorégressifs [46], [47]: le prochain état est le résultat d’une fonction
linéaire issu des observations passées et d’erreur aléatoire.
– Processus de Wiener [48]–[50] : c’est un des modèles stochastique les plus utilisé
– Processus Gamma [51]: les états de la dégradation à des intervalles de temps
séparés sont des variables aléatoires indépendantes suivant une distribution gamma.
– Processus Gaussien-Inversé [52]–[54] : les processus de dégradation ont des valeurs
indépendantes suivant une loi de distribution gaussienne inversée.
– Modèle de Markov [55] : le processus de dégradation suit les principes des propriétés
de Markov.

I.C.3.b. Le pronostic guidé par les données, ‘‘data driven’’

Le pronostic dit data driven, c’est-à-dire basé sur les données, présente le double
avantage d’être applicable à un nombre suffisant de systèmes et d’être relativement précis.

William Gousseau

- 42 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE I

Il nécessite un grand nombre de données, récupérées à partir d’un nombre important de

capteurs, pour estimer l’état de dégradation du système. Plus il y a de données (issue de
capteurs différent) plus le modèle est précis. Les méthodes utilisant l’approche data driven
utilisent des indicateurs identifiés parmi les caractéristiques mesurables du système
(vibrations, températures, vitesse de rotation, etc.). Des méthodes telles que le suivi de
tendance ou la reconnaissance de forme, entre autres, sont généralement combinées avec
des techniques d’apprentissage comme les réseaux bayésiens, les réseaux de neurones [56],
[57] ou le Support Vector Machine (SVM, [58], [59]), afin d’estimer l’évolution de la
dégradation. Ces méthodes gagnent en précision grâce à un apprentissage permanent et
l’acquisition de nouvelles données. Les réseaux bayésiens, par exemple, déterminent la
probabilité des états de dégradation futurs à partir d’indicateurs (aussi nombreux que
possible) et de l’historique de dégradation. Cette approche du pronostic n’est possible que
sur des systèmes dont la dégradation est progressive et passe par des états de dégradation
différents et identifiables. C’est l’une des méthodes les plus utilisées dans les publications
concernant le pronostic en général, mais également concernant les roulements. Le pronostic
basé sur les données est aussi appelé « approche intelligence artificielle » car les différents
modèles utilisent des outils issus l’intelligence artificiel (réseaux de neurones artificiel, SVM
etc…). Ces méthodes sont capables de fournir un pronostic dans des cas de machines
complexe lorsqu’il est difficile de relier le processus de dégradation à un modèle physique
ou statistique. Dans l’aéronautique, le taux de défaillance des roulements est faible ce qui
rend caduque ce type d’approche dans notre contexte industrielle (approximativement
0.05% de roulement endommagé en vol par an).

I.C.3.c. Le pronostic basé sur une approche physique[60], [61]

L’approche du pronostic à base de modèles est positionnée en haut de la pyramide

de la Figure 34 , c’est l’approche la plus précise, mais elle présente l’inconvénient de ne
pouvoir être applicable qu’à un nombre restreint de systèmes. Cette approche impose
d’avoir un nombre important de capteurs et donc de possibilités d’identifier un
fonctionnement anormal. Elle nécessite également d’avoir une très bonne connaissance du
système et d’aborder les défaillances d’un point de vue physique ou phénoménologique (à
travers des lois physiques de type Miner, Paris-Erdogan, Forman, Norton dans le cas de
dégradation mécaniques). Les modèles lient les paramètres physiques à l’état de
dégradation future via des équations déterministes. C’est-à-dire que la défaillance et les
dommages sont reliés par une expression mathématique. Les modèles aboutis permettent
de modéliser l’accumulation de dommage par cycle de fatigue d’un composant, et de
modéliser l’impact des contraintes environnementales dans le but de donner une estimation
du nombre de cycles restant jusqu’à la défaillance du système. Certains modèles pourront
retourner les causes associées aux endommagements détectés. Tous ces résultats demandent
de connaître les conditions de fonctionnement passées du système. Les intervalles de
confiance des résultats issus de cette approche sont larges lorsque les paramètres du modèle

William Gousseau

- 43 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Bibliographie

ne sont pas précisément connus. En outre, ce type d’approche à base de modèle est
spécifique à un type de système et ne peut pas être généralisé. Cette approche se retrouve
dans 10% des publications.

I.C.3.d. L’approche hybride [62]

Les approches énoncées ci-avant sont délimitées par des frontières poreuses. Il n’est
pas rare de combiner plusieurs méthodes. C’est ainsi que l’on caractérise l’approche
hybride. C’est principalement l’association d’un modèle physique associé à une approche
guidée par les données. On distingue alors deux classes d’approche hybride (Figure 35).
Soit un modèle physique (de type loi de Paris dans le cas des dommages mécaniques) se
voit alimenté par une approche guidée par les données afin d’en estimer certains
paramètres, soit les deux approches sont utilisées en parallèle, fusionnant leur sortie pour
émettre une estimation. Les approches hybrides sont largement utilisées, car elles
présentent de bonnes performances générales. Leur inconvénient provient de possibles coûts
de calcul importants notamment dans le choix des outils d’interaction entre les approches.

Figure 35 - Les approches hybrides du pronostic [62]

I.C.3.e. Quelques approches utilisant des techniques de traitement du signal

Indicateurs statistiques vibratoire

Thomas [21] a choisi une approche basée sur des indicateurs statistiques combinés.
L’objectif de ces combinaisons d’indicateurs statistiques est d’obtenir un indicateur final
monotone. Comme vu dans la partie I.B.2.b, le TALAF et le THIKAT cherchent à profiter
des caractéristiques du kurtosis et du RMS. La recherche de la monotonie est très fréquente
lorsqu’on travaille sur le pronostic. Ainsi, de nombreux travaux ( [62]–[64]) utilisent des
systèmes à réseaux de neurones avec en entrée un nombre conséquent d’indicateurs
statistiques et ayant pour objectif de sortir un indicateur global monotone. Ces méthodes
type « boite noire » sont très répandues, tant par l’utilisation de réseaux de neurones ou
de ses dérivés, que par d’autres méthodes à la philosophie similaire ( [65], [66]). On se situe

William Gousseau

- 44 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE I

ici dans une approche multi étapes pour laquelle les auteurs ont cherché à relier directement
la tendance de l’indicateur avec la taille de l’endommagement.

La recherche de la monotonie est telle que Gouriveau propose dans plusieurs articles
[62] des C-indicateurs. Un C-indicateur est la somme cumulée de lui-même. Cette opération
force la monotonie et semble ainsi permettre une projection sur l’évolution future de
l’indicateur plus aisément.

Ces indicateurs statistiques sont sensibles au bruit environnant. Leur utilisation n’a
pas été retenue dans notre étude car l’environnement vibratoire d’un moteur d’avion est
trop bruité.

Méthode basée sur de l’analyse vibratoire avancée

Le pronostic basé sur de l’analyse vibratoire avancée (analyses spectrales,

d’enveloppe, cyclostationnaire, etc.) est peu ou pas répandu. Quand les techniques avancées
sont utilisées c’est en complément d’indicateurs statistiques dans une utilisation type
« boites noires ». Cela devient donc un paramètre d’entrée parmi d’autres. Ces approches
sont souvent du type RMS par bande de fréquence (fréquence de l’endommagement).

Le pronostic uniquement basé sur les techniques d’analyse vibratoire avancée consiste
en général à rechercher la taille de l’endommagement. C’est le cas des études menées par
Sawalhi et Randall [67]–[69] ou Kogan [70], qui recherchent la taille d’un endommagement
dans le signal vibratoire, selon qu’il soit sur la bague interne ou externe. Ces méthodes ne
proposent finalement que la première étape du pronostic : un indicateur de santé
directement lié à l’état de dégradations du roulement. De plus, ces méthodes semblent
pertinentes sur des signaux provenant de bancs académiques, mais leur efficacité dans le
cadre de signaux issus de machine complexe est compromise : les points d’entrée et de
sortie sont noyés dans l’environnement vibratoire du système.

Figure 36 - Mise en évidence du point d’entrée et du point de sortie de la bille dans l’endommagement [69]

William Gousseau

- 45 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Bibliographie

Recherche du point de rupture

Prakash et al. [71] ont mis au point une méthode de pronostic se basant sur la
recherche du point de rupture d’un indicateur en échelle logarithmique. Ils se basent sur le
constat que les indicateurs utilisés pour le pronostic ont un comportement exponentiel. En
passant en échelle logarithmique, la tendance de l’indicateur devient deux droites
successives avec la seconde plus pentue que la première (Figure 37). C’est ce qu’ils appellent
un comportement en deux phases. L’objectif de cette approche est d’identifier le moment
du changement de pente. À partir du moment où a lieu la rupture, l’algorithme détermine
le coefficient de la pente. Le constat général est que plus le changement de pente a lieu
tardivement, plus le coefficient de la pente sera élevé. La notion de « tardif » est définie par
rapport à un historique de durée de vie de mêmes roulements dans des conditions similaires.

Figure 37 - Simulation de comportement à deux phases de roulement [71]

La limite de leur approche réside dans le fait que le moment de la rupture correspond
à l’apparition de l’endommagement. Il est donc possible d’identifier cette rupture par des
analyses vibratoires avancées sans grande difficulté. Cependant, il est intéressant de
s’intéresser au moment d’apparition de l’endommagement par rapport aux historiques de
durée de vie de même roulement afin d’intégrer cette donnée dans les paramètres du
pronostic.

Pourquoi ces approches ne sont pas suffisantes

Les approches évoquées précédemment ont majoritairement les mêmes limites : elles
sont issues d’indicateurs inefficaces dans le contexte aéronautique. Tout ce qui comporte
des indicateurs statistiques ne pourra pas être utilisé dans le cadre de notre étude car les
conditions aéronautiques ne permettent pas l’utilisation de ces derniers. L’environnement
vibratoire est très riche et il est impossible d’observer dans ces types d’indicateurs les
évolutions d’énergie propres à l’endommagement du roulement.

William Gousseau

- 46 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE I

Il apparait que les approches utilisant des techniques de traitement du signal avancé
(cyclostationnarité, suivi d’ordre, etc.) sont sous-utilisées. C’est donc dans cette direction
notamment que nous dirigerons nos recherches.

William Gousseau

- 47 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Les bases de données de roulements

LES BASES DE DONNÉES DE ROULEMENTS

SOMMAIRE

II.A. ÉTAT DE L’ART DES BASES EXISTANTES ............................................................................................ 49

II.A.1. CASE WESTERN RESERVE UNIVERSITY [1] .................................................................................................. 49
II.A.2. « HIGH SPEED » DATABASE .................................................................................................................... 49
II.A.3. PADEBORN DATABASE ............................................................................................................................. 50
II.A.4. IMS CINCINNATI ..................................................................................................................................... 50
II.A.5. PRONOSTIA (PHM12)............................................................................................................................. 50
II.A.6. BILAN ................................................................................................................................................... 50

II.B. IMS CINCINNATI ........................................................................................................................... 51

II.B.1. ARCHITECTURE DU BANC ......................................................................................................................... 51
II.B.2. DESCRIPTION DES DONNÉES ..................................................................................................................... 53
II.B.3. ANALYSE TEMPORELLE ............................................................................................................................ 54
II.B.4. MÉTHODOLOGIE ..................................................................................................................................... 55
II.B.5. RÉSULTATS DES ANALYSES ....................................................................................................................... 55
II.B.6. DISCUSSIONS .......................................................................................................................................... 64

II.C. PRONOSTIA — FEMTO ................................................................................................................... 65

II.C.1. ARCHITECTURE DU BANC.......................................................................................................................... 65
II.C.2. DESCRIPTION DES DONNÉES...................................................................................................................... 66
II.C.3. MÉTHODOLOGIE ..................................................................................................................................... 67
II.C.4. ANALYSE TEMPORELLE ............................................................................................................................ 68
II.C.5. RÉSULTATS DES ANALYSES ....................................................................................................................... 68
II.C.6. DISCUSSIONS .......................................................................................................................................... 71

William Gousseau

- 48 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE II

Aujourd’hui, grâce à Internet, il est possible d’avoir accès à de nombreuses bases de

données que certaines universités ou certains laboratoires mettent en libre partage.
Concernant les roulements, il existe de nombreuses bases de données vibratoires. Mais
toutes ne sont pas pertinentes pour des études de types pronostic. Lorsque l’on veut
développer des méthodes de pronostic, il est nécessaire que les données d’études répondent
à plusieurs critères. Tout d’abord, elles doivent être issues d’essais d’endurance lors desquels
le roulement se dégrade, parfois jusqu’à la défaillance. La dégradation peut être naturelle
ou initiée. L’acquisition doit idéallement avoir été faite tout au long de l’endurance, en
continu ou régulièrement.

II.A. État de l’art des bases existantes

On dénombre désormais de nombreuses bases de données concernant les roulements :

toutes ne sont pas pertinentes pour des études sur le pronostic. Certaines bases sont
utilisées depuis longtemps maintenant, mais il arrive régulièrement que de mauvaises
interprétations des données soient faites. C’est pourquoi nous allons parcourir
succinctement les bases de données vibratoires concernant les roulements, en mettant en
avant leurs points d’originalité et leurs faiblesses.

II.A.1. Case Western Reserve University [72]

Cette base de données est l’une des plus utilisées dans les publications concernant les
roulements. La base est très grande et comprend de nombreux morceaux de signaux dans
des conditions opératoires différentes. Face à de nombreuse nombreuses publications
apportant parfois des conclusions hâtives, Wade et Smith en ont fait une revue complète
[73]. Cet article de référence concernant cette base permet de déterminer ce que les outils
de diagnostic peuvent dire de chacun des signaux : endommagé sur telle ou telle bague,
non endommagé, non déterminé, etc. En revanche, cette base n’est pas propice au pronostic.
Les signaux sont morcelés en autant de cas opératoires différents et ne présentent aucune
évolution au cours du temps. Ce ne sont pas des signaux issus d’une endurance.

II.A.2. « High Speed » database

Cette base est issue d’une longue endurance (50 jours) d’un roulement d’éolienne
[74]. Le manque d’informations concernant les conditions de fonctionnement explique
probablement qu’elle soit peu utilisée. Pourtant, elle présente les avantages d’être une
endurance avec endommagement naturel en conditions réelles, et d’avoir une vitesse
légèrement variable (et le signal tachymétrique associé). Dans une vision pronostic, la non-
répétabilité de l’expérience est un inconvénient.

William Gousseau

- 49 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Les bases de données de roulements

II.A.3. Padeborn database

Cette base de données issue de l’université de Padeborn est apparue récemment [75].
Elle est en apparence très intéressante, mais pas pour le pronostic. Il est à retenir que cette
base est très bien conçue. Les conditions d’expérience sont connues et claires. Les
acquisitions sont d’une durée plus que raisonnable (6 secondes) et la fréquence
d’échantillonnage très élevé (64kHz) permettant l’utilisation de techniques de traitement
du signal avancées. La particularité de cette base est que les roulements passent sur deux
bancs d’essai. Un premier banc est un banc d’endurance sur lequel les roulements sont
fatigués (naturellement ou avec un endommagement initié). Puis, ils passent sur un second
banc dit « d’acquisition ». Sur ce banc ils tournent pendant 20 min afin de réaliser des
acquisitions de signaux vibratoires des roulements endommagés. Dans le cadre du pronostic,
les signaux acquis sur le banc instrumenté ne sont pas suffisants : il n’y a pas de suivi
d’évolution d’un endommagement, uniquement l’acquisition d’un signal de roulement
endommagé (naturellement ou artificiellement). C’est dommage puisque le procédé en lui-
même est très intéressant.

II.A.4. IMS Cincinnati

La base de données du « Center for Intelligent Maintenance Systems » (IMS) [76] est
de plus en plus utilisée dans les publications. Elle est issue d’une endurance de 6 à 34 jours,
d’une rangée de quatre roulements identiques. L’endommagement est naturel et apparait
de manière aléatoire sur l’un des quatre roulements. L’acquisition est faite sur chaque
roulement toutes les 10 min. D’apparence facile, cette base cache quelques pièges lorsqu'on
l'analyse. Ces pièges seront détaillés dans la partie suivante. Cette base est intéressante
pour le pronostic et nous l’approfondirons par la suite.

II.A.5. Pronostia (PHM12)

Cette base de données est issue de la plateforme Pronostia [77], mise en place par le
Femto de Besançon. Elle est intéressante, car explicitement développée pour le pronostic
(comme son nom l'indique). La base comporte une quinzaine de roulements ayant enduré
jusqu’à rupture. Elle fournit des signaux vibratoires et de température. L’échantillonnage
est bon (25,6kHz), mais la faiblesse réside dans la durée d’acquisition : 0,1 s toutes les dix
minutes. C’est assez peu, nous le verrons plus bas dans le détail que nous ferons de cette
base.

II.A.6. Bilan

De ces cinq bases de données évoquées précédemment, seules trois sont clairement
adaptées pour faire du pronostic. De ces trois nous en retiendrons deux : celle de l’IMS et
Pronostia. Elles sont les plus simples, les plus facilement reproductibles, dans le cadre de
la réalisation d’un banc d’essai et utilise des roulements proches de ce que nous utiliserons
sur notre banc d’essai LVA. En effet, dans le cadre de la thèse la réalisation d’un banc

William Gousseau

- 50 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE II

d’essai est prévue. De plus l’étude de ces bases permet de mettre en avant les paramètres
importants nécessaires à la réalisation d’un banc destiné au pronostic.

Tableau 4 - Résumé des bancs d'essai

Conditions Condition d'acquisition

fatigue Roulement freq. freq. nb Avantages Inconvénient
Nom Vitesse charge durée
Éch. Acq. accéleros
4 roulements
Rexnord ZA- endurance
IMS 6 ou 34 2 puis 1 par identiques sur la
oui 2000rpm 26690 N 2115 20kHz 1s/10min endommagement
Cincinnati jours roulement même ligne
(rouleaux) naturel
d'arbre
endurance 0,1s d'acq.
1500 - 4000-
PHM12- 35min 32x20x7mm "répétabilité" Endommagement
oui 1650 et 4200 et 25,6kHz 0,1s/10min 2
Femto à 7,5h (billes) endommagement naturel mais à
1800rpm 5000N
naturel très forte charge
longue
"High 1800 à endurance.
50 pas de
Speed" oui 1900 ? 97kHz 6s/10min 1 Variation de
jours répétabilité
data rpm vitesse avec
signal tacho
6205-2RS JEM
Case 12kHz ou
Non 1800rpm variable < 1min 6203-2RS JEM pas d'endurance
Western 48kHz
(billes)
1500rpm
oui / 6203 pas d'acq. durant
Padeborn ou 1000 N 20min 1 Temps d’acq.
non (billes) l'endurance
900rpm

II.B. IMS Cincinnati

Cette base a fait l’objet d’un article de conférence de type review [78]. Étant de plus
en plus utilisée, il arrive souvent de retrouver des imprécisions dans son analyse. Cette base
est utilisée dans différents types de recherche. Certains articles l’utilisent pour illustrer des
méthodes de calcul de RUL basé sur des indicateurs statistiques [64], [79]–[81]. D’autres
plus classiquement s’en servent pour tester de nouvelles techniques de débruitage [76], [82],
[83], souvent dans l’objectif d’une détection de l’endommagement le plus précocement
possible. L’article de Qiu et al [76] est celui de référence concernant cette base de données.

II.B.1. Architecture du banc

La base de données est issue d’un banc d’essai d’endurance de l’université de

Cincinnati et collectée en 2014 [84]. Le banc (Figure 38) a les caractéristiques suivantes :

– 4 roulements à double rangée de rouleaux de type Rexnord ZA-2115,

– 2000 rpm à vitesse constante,
– 6000 lbs de charge appliquée sur l’arbre de rotation par un mécanisme à ressort,
– des accéléromètres PCB 253B33 High sensitivity Quart ICP®.

William Gousseau

- 51 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Les bases de données de roulements

Figure 38 — Schéma du banc d'essai [85]

La vitesse est maintenue constante. Les quatre roulements sont identiques, sont
disposés sur le même arbre de rotation et sont lubrifiés abondamment par un système qui
régule le flux et la température. Toutes les conditions opératoires sont fournies dans le
document « Readme Document for IMS Bearing Data » qui est joint au téléchargement des
données. Il est notamment précisé que l’endurance a été stoppée lorsqu’un certain volume
de débris métalliques accumulés sur un barreau magnétique est atteint, indiquant ainsi une
défaillance proche.

Les quatre roulements utilisés sont les mêmes : à double rangée de rouleaux. Leurs
caractéristiques sont données dans le Tableau 5.

Tableau 5 — Caractéristiques des roulements

Rexnord ZA-2115 Characteristics

Pitch diameter 2.815 inch 71.5mm
Rolling element diameter 0.331 inch 8.4mm
Number of rolling element per row 16 16
Contact angle 15.17° 15.17°
Static load 6000 lbs 26690 N

William Gousseau

- 52 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE II

II.B.2. Description des données

Le dossier téléchargé comporte trois jeux de données, eux-mêmes composés de

nombreux fichiers d’une seconde. Chaque fichier est composé de 20 480 échantillons. Bien
qu’il soit mentionné que la fréquence d’échantillonnage est de 20 kHz, nous pensons plus
probable qu’elle soit de 20,48 kHz (les analyses spectrales présentées par la suite partent
de cette affirmation et les résultats obtenus pour les fréquences d’endommagement
semblent le confirmer). Le processus d’acquisition est d’une seconde toutes les dix minutes.
Cependant, pour le premier jeu de données, les quarante-trois premiers fichiers d’une
seconde ont été acquis toutes les cinq minutes.

L’horodatage que l’on trouve dans le nom de chaque seconde des signaux donne
d’importantes informations sur l’enregistrement, en particulier pour le jeu de données n° 1
où l’on s’aperçoit que l’acquisition n’est pas continue et comporte des moments où
l’enregistrement est arrêté.

La description de chaque jeu de données est fournie dans le Tableau 6 ci-dessous. En

ce qui concerne le jeu de donnée n° 1, il y a deux accéléromètres radiaux par roulement
(en x et y). Les deux autres jeux ne sont instrumentés qu'avec un accéléromètre par
roulement.

Tableau 6 — Description des jeux de données

Number
Number Endurance Duration of Announced damages at
of
of files duration recorded signal the end of the endurance
channels
49680 min 36 min Bearing 3: inner race
Dataset 1 2156 8
34 days 12h Bearing 4: rolling element
9840 min 16 min
Dataset 2 984 4 Bearing 1: outer race
6 days 20h
44 480 min 74 min
Dataset 3 4448 4 Bearing 3: outer race
31 days 10h

Les fréquences caractéristiques d’endommagements de roulement, utiles pour le

diagnostic des roulements, ont été calculées à partir des caractéristiques des roulements.
Elles sont reportées dans le Tableau 7

William Gousseau

- 53 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Les bases de données de roulements

Tableau 7 — Fréquence caractéristique des roulements Rexnord ZA-2115

Characteristic frequencies
Shaft frequency 33.3 Hz
Ball Pass Frequency Outer race (BPFO) 236 Hz
Ball Pass Frequency Inner race (BPFI) 297 Hz
Ball Spin Frequency (BSF) 278 Hz (2x139 Hz)
Fundamental Train Frequency (FTF) 15 Hz

II.B.3. Analyse temporelle

Avant de s’intéresser à des outils de traitement du signal plus avancés, une analyse
temporelle des signaux peut déjà nous fournir des informations intéressantes.

Concernant le jeu de données 1 : comme évoqué précédemment, l’acquisition a

certainement été interrompue à plusieurs reprises. Le signal temporel du premier
accéléromètre est affiché en Figure 39 en fonction de l’horodatage auquel chaque
échantillon a été acquis.

Il faut également évoquer les endommagements annoncés. Comme répertorié dans le

Tableau 6, il n’y a pas d’endommagement sur les roulements 1 et 2. Ils sont considérés
comme sains, et leurs analyses ne seront donc pas présentées par la suite.

Concernant les jeux de données 2 et 3, ils ont été enregistrés sans interruption, des
échantillons de 1 seconde ont été acquis toutes les dix minutes.

Figure 39 - Signal brut et son échelle temporelle réelle. Jeu de donnée 1, accéléromètre 1.

William Gousseau

- 54 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE II

II.B.4. Méthodologie

Dans l’analyse des signaux de l’IMS, plusieurs méthodes ont été utilisées afin d’établir
le diagnostic. Tout d’abord, un prétraitement a été réalisé afin d’améliorer la qualité du
signal analysé. Le prétraitement consiste à normaliser le spectrogramme par la valeur
moyenne prise sur les cinquante premières mesures. Ainsi, cette méthode est supposée
supprimer les composantes constantes au long de l’endurance, incluant les résonnances de
structure liées au système (moteur, courroie, etc.). Cette opération s’est avérée importante
pour augmenter le contraste entre le début et la fin de l’expérience. Par exemple, un pic à
236 Hz apparait du début à la fin de l’endurance, correspondant vraisemblablement au
passage des rouleaux devant les capteurs placés très proches de la bague extérieure (Figure
40). Cette fréquence ne doit pas être confondue avec un endommagement de bague
extérieure. Il est donc conseillé d'appliquer un prétraitement pour éviter des confusions
dans le diagnostic.

Figure 40 – Jeu de donnée n°2, roulement 1 : a) Spectrogramme du signal brut, b) spectrogramme du signal
prétraité ; résolution fréquentielle : 1Hz ;

Les méthodes de traitement du signal utilisées sont l’analyse temps-fréquence,

l’analyse d’enveloppe et l’analyse cyclostationnaire à travers la cohérence spectrale. Pour
l’analyse d’enveloppe, le choix de la bande de fréquence a été fait en utilisant le kurtogram.
Toutes ces méthodes ont été détaillées précédemment (CHAPITRE I).

II.B.5. Résultats des analyses

Cette partie présente les résultats des analyses réalisées à partir des outils de
traitement du signal mentionnés précédemment. Les résultats sont présentés par
l’intermédiaire de tableaux et figures pour chaque jeu de données. L’objectif est de
confirmer la faisabilité des diagnostics, dans certains cas d’expliquer des résultats
inattendus, et de mettre en avant la méthode de diagnostic la plus efficace.

Le Tableau 8 liste les différentes catégorisations des résultats que nous utiliserons
par la suite.

William Gousseau

- 55 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Les bases de données de roulements

Tableau 8 — Catégorisation des diagnostics

Catégorie Explications
« True Positive », quand un endommagement a été annoncé et
TP
confirmé par le diagnostic
« True positive 2 », confirmation de ce qui a été annoncé nécessitant
TP2
un complément d’explication
« False Negative », quand un endommagement a été annoncé, mais
FN
n’est pas confirmé par le diagnostic
TN « True Negative », rien n’est annoncé et confirmé par le diagnostic
« False Positive », rien n’est annoncé, mais le diagnostic détecte des
FP
signatures

II.B.5.a. Jeux de données N° 1

Rappel : Endommagement bague intérieure sur roulement 3, et

rouleau sur le roulement 4.

Dans ce jeu de données, deux accéléromètres sont disposés pour surveiller chaque
roulement. Les résultats d’un seul capteur sont montrés car l’analyse des signaux issus de
capteurs placés sur le même roulement présente des résultats proches, voire similaires.
Cette observation explique probablement pourquoi il n’y a plus qu’un seul accéléromètre
par roulement sur les deux autres jeux de données.

Des faibles harmoniques sont visibles à deux et trois fois la BPFI (Tableau 7) ainsi
que des modulations par la vitesse de rotation (33,3 Hz). Cette signature est typique d’un
endommagement de bague intérieure.

Dans le spectrogramme (Figure 41), l’endommagement de bague interne est mis en

évidence par un peigne de raies à partir de 33,8 jours. Les fréquences deux fois et trois fois
BPFI sont les plus dominantes. Les modulations par la vitesse de rotation de l’arbre,
typiques d’un endommagement de bague interne, sont également facilement identifiables.

William Gousseau

- 56 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE II

Figure 41 - Spectrogramme, jeu 1, roulement 3 ; résolution fréquentielle : 1Hz ; les points noirs marquent les
fréquences caractéristiques BPFI

Pour le test 1, le SES a été calculé sur la bande de fréquence complète (Figure 42).
Les résultats sont proches de ce que montre le spectrogramme, avec des fréquences
d’endommagement dominantes à deux et trois fois la BPFI. Cependant, les signatures sont
visibles légèrement plus tôt (32 jours). Les modulations par la vitesse de rotation sont
également visibles à partir de 34 jours.

Figure 42 - Spectre d'enveloppe au carré, jeu 1, roulement 3 ; résolution fréquentielle : 1Hz, les points noirs
marquent les fréquences caractéristiques BPFI

William Gousseau

- 57 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Les bases de données de roulements

La cohérence spectrale retourne les résultats les plus intéressants. Bien que les
fréquences dominantes soient les mêmes, la signature d’endommagement de bague interne
est visible peu après 29 jours (Figure 43). La figure représente un spectrogramme en (t,
α) : il a été obtenu en intégrant sur f le spectrogramme de cohérence en (α, f) calculé
pour chaque mesure puis en concatenant les spectres obtenus. De cette manière on peut
avoir un suivi des fréquences cycliques  au cours du temps.

Figure 43 - Cohérence spectrale, jeu 1, roulement 3, résolution cyclique : 1Hz ; les points noirs marquent les
fréquences caractéristiques BPFI.

Les fréquences d’endommagement d’éléments roulants (Tableau 7) sont difficiles à

trouver et apparaissent tardivement dans l’endurance.

Dans le spectrogramme du roulement 4 (Figure 44), la signature de

l’endommagement est visible à la toute fin de l’endurance, autour de 34 jours. La sixième
harmonique de BSF peut être clairement identifiable à partir du dix-huitième jour
d’endurance avec des modulations à la fréquence FTF. Ces observations sont suffisantes
pour diagnostiquer un endommagement de rouleaux, et considérer ce cas comme TP.

William Gousseau

- 58 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE II

Figure 44 - Spectrogramme, jeu1,roulement 4 ; résolution cyclique : 1Hz ; les points noirs marquent les fréquences
caractéristiques BSF.

Le SES a été calculé sur la bande de fréquence complète (Figure 45). Bien que les
signatures soient plus difficilement décelables que sur le spectrogramme, elles sont
davantage en adéquation avec un endommagement de rouleaux typique. On distingue deux
fois la BSF vers les 25 jours d’endurance. Des modulations par la vitesse de rotation de
l’arbre sont également apparentes.

Figure 45 - Spectre d'enveloppe au carré, jeu 1, roulement 4 ; résolution cyclique : 1Hz ; les points noirs marquent
les fréquences caractéristiques BSF

La cohérence spectrale donne des résultats similaires au SES, avec des modulations
plus prononcées (Figure 46). De plus, il y a une augmentation de l’amplitude des pics plus

William Gousseau

- 59 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Les bases de données de roulements

grande à la fréquence BSF et ses harmoniques à partir du jour 23. Ce cas est considéré
comme un TP.

Figure 46 - Cohérence spectrale, jeu 1 roulement 4 ; résolution cyclique : 1Hz ; les points noirs marquent les
fréquences caractéristiques BSF

Le Tableau 9 résume les résultats concernant le jeu de données numéro 1. Il rapporte

les catégories de chaque analyse et le temps à partir duquel un diagnostic semble possible.

Tableau 9 - Résumé du jeu de données N°1

Inner race fault Ball fault

accelerometer acc3x acc3y acc4x acc4y acc3x acc3y acc4x acc4y
TP TP
T-F analysis TN TN
(33.8 days) (18 days)
TP TP
Envelope TN TN
(32 days) (25 days)
Spectral TP TP
TN TN
Coherence (29.2 days) (23 days)

II.B.5.b. Jeux de données N° 2

Rappel : Endommagement bague extérieure sur roulement 1.

William Gousseau

- 60 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE II

Ce jeu de données est le plus facile à étudier. C’est d’ailleurs le plus utilisé dans la
littérature.

Le spectrogramme donne suffisamment d’informations pour réaliser un premier

diagnostic (Figure 47). La fréquence fondamentale de la BPFO (Tableau 7) n’est pas la
plus pertinente à suivre, en particulier parce que cela correspond à la fréquence de passage
des rouleaux devant le capteur. L’harmonique correspondant à trois fois BPFO par exemple
apparait à partir de 3,5 jours.

Figure 47 - Spectrogramme, jeu 2, roulement 1, résolution fréquentielle : 1Hz ; les points noirs marquent les
fréquences caractéristiques BPFO

Le spectre d’enveloppe au carré (SES, Figure 48) a été calculé après un filtrage passe-
bande dans la bande optimale entre 6380 Hz et 10 240 Hz tel que donné par le
kurtogramme. Même si la BPFO est visible elle apparait plus tardivement — autour de
4,8 jours — que par le spectrogramme. Une fois encore, les harmoniques semblent plus
intéressantes et pertinentes à suivre que la fréquence fondamentale.

William Gousseau

- 61 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Les bases de données de roulements

Figure 48 - Spectre d'enveloppe au carré, jeu 2, roulement 1 ; résolution fréquentielle: 1Hz ; les points noirs
marquent les fréquences caractéristiques BPFO

La cohérence spectrale fournit les meilleurs diagnostics. Là encore, la BPFO apparait

comme n’étant pas la meilleure fréquence à suivre. Bien qu’elle soit clairement visible, elle
apparait légèrement dès le début et augmente significativement après 3,5 jours. Les
fréquences deux fois et trois fois la BPFO sont beaucoup plus pertinentes et confirment
l’apparition autour de 3,5 jours (échantillon numéro 533). Sur la figure Figure 49, on
distingue mieux les hautes harmoniques. Cet effet est lié à la résolution de la figure, car en
zoomant sur les premières fréquences d’endommagement on pourrait les remarquer très
nettement.

William Gousseau

- 62 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE II

Figure 49 - Cohérence spectrale, jeu 2, roulement 1 ; résolution cyclique : 1Hz ; les points noirs marquent les
fréquences caractéristiques BPFO

Ce jeu est clairement considéré comme un « True Positive ». Les trois autres
accéléromètres donnent des résultats très similaires à ceux de l’accéléromètre 1. Bien qu’ils
soient distants du roulement endommagé et situés sur les autres roulements (voir
Figure 38), ils sont capables d’observer l’endommagement de bague extérieure du
roulement 1. On se place ici dans un cas TP2. Avoir la possibilité d’observer un
endommagement d’un emplacement éloigné peut être considéré comme utile quand il n’est
pas possible d’être proche du roulement. Cela confirme même des observations faites par
Safran Aircraft Engines sur les moteurs d’avion. Les analyses des signaux des
accéléromètres 2,3 et 4 révèlent que, quelle que soit la distance, les diagnostics sont
extrêmement proches. Le spectrogramme, le spectre d’enveloppe et la cohérence spectrale
de l’accéléromètre 4 sont presque identiques à ceux de l’accéléromètre 1 montré en
Figure 49.

Le Tableau 10 résume les résultats concernant le jeu de données 2. Il y est reporté

la catégorisation de chaque analyse et le moment ou le diagnostic de l’endommagement
semble possible.

William Gousseau

- 63 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Les bases de données de roulements

Tableau 10 — Résumé du jeu de données N° 2

OUTER RACE FAULT

acc1 acc2 acc3 acc4
TP TP2 TP2 TP2
T-F analysis
(3.5 days) (3.5 days) (3.5 days) (3.5 days)
TP TP2 TP2 TP2
Envelope
(3.5 days) (3.5 days) (3.5 days) (3.5 days)
TP TP2 TP2 TP2
Spectral Coherence
(3.5 days) (3.5 days) (3.5 days) (3.5 days)

II.B.5.c. Jeu de donnée N° 3

Rappel : Endommagement de bague extérieure sur le roulement 3

La description du troisième et dernier jeu de données est semblable à celle du jeu

numéro 2. Deux différences peuvent être préalablement mises en avant :
l’endommagement de bague extérieure est annoncé sur le roulement 3, et la durée de
l’endurance est bien plus grande (environ 30 jours). Bien que l’on s’attende à des résultats
semblables à ceux trouvés dans le deuxième jeu de données, la réalité est toute autre.
Aucun des accéléromètres n’est capable de détecter un quelconque endommagement. Tous
les accéléromètres donnent des résultats identiques et inexploitables. C’est probablement
la raison pour laquelle ce jeu de données n’est jamais utilisé dans la littérature.

Dans le cadre de notre étude, nous considérons donc pour chaque capteur que c’est
un « False Negative ». Le Tableau 11

Tableau 11 — Résumé du jeu de donnée N° 3

OUTER RACE FAULT

acc1 acc2 acc3 acc4
T-F analysis FN FN FN FN
Envelop FN FN FN FN
Spectral Coherence FN FN FN FN

II.B.6. Discussions

La base de données de l’IMS est fréquemment reprise dans la littérature pour tester
et valider de nouvelles approches de diagnostic ou de pronostic. Avec cette analyse

William Gousseau

- 64 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE II

méthodique, nous pouvons établir de manière claire quel diagnostic il est possible d’en
ressortir.

Cette base de données constitue une base intéressante pour plusieurs raisons. Tout
d’abord, les signaux proviennent d’une longue endurance avec une dégradation naturelle
(sans initiation artificielle d’un endommagement). Ensuite, il y a différents types
d’endommagement et donc différentes signatures attendues. Enfin, il y a des signaux
enregistrés simultanément par quatre accéléromètres disposés sur chaque roulement. Parmi
les conclusions les plus importantes :

– Il n’est pas conseillé de suivre uniquement la fréquence fondamentale de la BPFO,

dans le cadre du diagnostic et du pronostic dans les jeux 1 et 2. Cette fréquence
présente depuis le début correspond au passage des éléments roulants perçus par
l’accéléromètre monté proche de la bague extérieure.
– La signature spectrale de l’endommagement de bague extérieure est peut-être
inhabituelle puisqu’elle contient principalement les harmoniques supérieures aux
deuxième et troisième harmoniques de la BPFI.
– Il est possible de détecter l’endommagement de bague extérieure du roulement 1
depuis les accéléromètres 2, 3 et 4 montés sur les autres roulements.
– Contrairement à ce qui est annoncé, le jeu de donnée N° 3 ne contient aucune
signature d’un endommagement de bague extérieure sur le roulement 3 (ni d’un
quelconque autre endommagement sur aucun des autres roulements).
– Il semble que la fréquence d’échantillonnage, annoncée en [85], devrait être fixée à
20,48 kHz (au lieu de 20 kHz).
– La cohérence spectrale semble être l’outil le plus efficace pour le diagnostic et
pourrait devenir une base de départ intéressante pour le pronostic.

II.C. Pronostia — Femto

La base de données Pronostia a été éditée à l’occasion d’un challenge lancé en 2012
par IEEE et le femto pour la conférence ayant eu lieu du 18 au 21 juin 2012 à Denver (2012
IEEE Conference on Prognostics and Health Management). Elle a été réalisée au
laboratoire Femto de Besançon sur la plateforme du même nom. Ces données ont
clairement été conçues pour le pronostic, c’est donc logiquement qu’on retrouve cette base,
dans la quasi-intégralité des cas, utilisée dans des publications traitant du pronostic. La
tendance est largement en faveur d’approche « data driven », utilisant des approches
statistiques à partir d’indicateurs statistiques [86]–[89]. L’article de référence présentant le
banc et les données est celui de Nectoux et al. [77]

II.C.1. Architecture du banc

Le banc duquel sont issues les données est un banc d’endurance des plus classiques.
Un roulement est disposé en bout d’arbre et chargé radialement. La charge est très
supérieure à la charge admissible du roulement. Le banc, visible Figure 50 a les
caractéristiques suivantes :

William Gousseau

- 65 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Les bases de données de roulements

– vitesse de rotation jusqu’à 2000rpm,

– effort radial appliqué par vérin pneumatique,
– 2 accéléromètres à 90°, Type DYTRAN 3035B,
– sonde de température, RTD PT100 PROSENSOR.

Figure 50 — Architecture de la plateforme Pronostia [77]

Les roulements utilisés sont d’une taille relativement petite. Le diamètre primitif est
autour des 20 mm de diamètre intérieure et 32mm de diamètre extérieur. Il comporte 13
billes de 3,5 mm de diamètre. Ce sont donc des roulements plus petits que dans la base
IMS.

II.C.2. Description des données

Les données sont réparties en 3 jeux distincts. Chaque jeu correspond à des conditions
expérimentales différentes (vitesse et charge). Chaque signal est désigné par deux chiffres.
Ainsi « b2_3 » désigne les signaux du 3ème roulement du jeu N° 2. L’arrêt final de chaque
roulement a lieu quand l’accéléromètre dépasse les 20 g. Les conditions opératoires de
chaque jeu sont données dans le Tableau 12.

Tableau 12 - Conditions expérimentales

Conditions opératoires Vitesse Chargement

Jeu N° 1 1800 rpm 4000 N
Jeu N° 2 1650 rpm 4200 N
Jeu N° 3 1500 rpm 5000 N

William Gousseau

- 66 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE II

Chaque jeu de données étant enregistré dans des conditions de vitesse différentes, les
fréquences caractéristiques d’endommagement seront donc différentes pour chaque jeu. Ces
fréquences sont données dans le Tableau 13.

Tableau 13 - Fréquences caractéristiques

Conditions opératoires Fréquence de rotation BPFO BPFI BSF

Jeu N° 1 30 Hz 169 Hz 221 Hz 109 Hz
Jeu N° 2 27,5 Hz 155 Hz 203 Hz 99,9 Hz
Jeu N° 3 25 Hz 141 Hz 184 Hz 90 Hz

Contrairement à la base de données de l’IMS Cincinnati, nous n’avons ici aucune

information concernant le type d’endommagement que l’on trouve à la fin de l’endurance
pour chaque roulement. C’est un manque important, car nous ne pourrons pas vérifier nos
résultats. De plus nous avons une durée d’acquisition de 0,1s toutes les 10min : ce qui nous
donne une résolution fréquentielle de 10Hz. Si on observe les valeurs des fréquences de
BPFI et BSF, on se rend compte que leurs harmoniques vont se confondre. Par exemple,
dans la bande de fréquence 220Hz de la BPFI sont inclues les fréquences entre 210 et
220 Hz : ce qui peut également inclure la BPFI (221Hz) et l’harmonique deux fois BSF
(218 Hz). Nous ne serons donc pas en mesure de discriminer ces deux fréquences.

II.C.3. Méthodologie

Dans le cadre du challenge, les jeux de données étaient fournis de manière spécifique.
Chaque jeu avait deux signaux complets (jusqu’à la défaillance) et un certain nombre de
signaux tronqués. Ainsi chaque participant devait, par sa méthode de pronostic, estimer la
durée de vie restante. Il est aujourd’hui possible de se procurer tous les signaux complets.
C’est sur ces signaux complets que les analyses ont été faites.

L’approche choisie est celle du diagnostic des endommagements de roulement avec

des outils de traitement du signal. Les signaux ne sont pas les plus adéquats pour ce genre
d’analyse : en cause, le temps d’acquisition. Ce dernier est de 0,1 s toutes le 10 min. Cela
implique que nous aurons au mieux une résolution fréquentielle de 10 Hz dans nos analyses
spectrales. C’est grossier. Beaucoup d’informations diverses peuvent se noyer dans 10 Hz.

L’analyse a été faite sans prétraitement (débruitage, blanchiment), car il a été

remarqué que ces derniers n’apportaient rien, voire même qu’ils noyaient le peu
d’information.

William Gousseau

- 67 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Les bases de données de roulements

II.C.4. Analyse temporelle

L’analyse temporelle révèle un certain nombre de points d’étonnement. Certains

signaux semblent être inexploitables. Lorsqu’un endommagement est apparu, on peut
observer l’impact. Pour certains signaux, les chocs caractéristiques d’un endommagement
que l’on peut observer dans le signal temporel interrogent et ne semblent pas liés à des
endommagements de roulements. Il semble que l’acquisition ait rencontré des problèmes
(Figure 51). Par la suite, seuls les signaux ayant un intérêt dans notre approche
« traitement du signal » seront présentés.

Figure 51 – Mesure invalide issue de signaux

II.C.5. Résultats des analyses

Dans le cadre des études de PHM12, seule la cohérence spectrale a été utilisée. La
résolution fréquentielle a posé de réels problèmes pour l’analyse. Ainsi, l’analyse temps-
fréquence ne donne rien et même l’analyse cyclostationnaire est difficile d’exploitation.
Pour chaque jeu, nous ne montrerons que les résultats des signaux qui nous ont permis de
réaliser des observations notables et répétables.

II.C.5.a. Jeu de données N° 1, roulement b1_1

Le spectrogramme de cohérence spectrale est donné ci-dessous en Figure 52

William Gousseau

- 68 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE II

Cohérence spectrale, roulement b1-1 ( BPFO=169Hz BPFI=221Hz )

2000
0.4

1800

1600 0.35

1400

cyclic frequency α (Hz) 1200 0.3

1000

800 0.25

600

0.2
400

200

0.15
0 500 1000 1500 2000 2500
Samples

Figure 52 — Spectrogramme de cohérence du roulement b1_1 ; résolution cyclique : 10Hz

S’il est difficile de mettre en avant les fréquences caractéristiques des

endommagements de roulement, on distingue en toute fin la fréquence de bague interne et
ses harmoniques. Peu avant 800, on voit très clairement ce qui doit probablement être un
artefact d’acquisition. Les bandes latérales présentes tout du long sont celles de la fréquence
de rotation.

Il est intéressant de regarder l’évolution du fond de spectre. Plus on avance dans le

temps, plus l’endommagement est supposé grandir, plus le fond de spectre se « régularise » :
de plus en plus de fréquences dominantes apparaissent. On peut tenter de distinguer ainsi
plusieurs étapes dans la vie de ce roulement.

II.C.5.b. Jeu de données N° 1, roulement b1_7

Dans le cas du roulement b1_7 (Figure 53), plusieurs constats peuvent être faits.
On distingue la fréquence caractéristique d’une BPFO (dans la fréquence 170 Hz). Celle-
ci est visible dès le début. L’explication de l’apparition de cette fréquence dès le début est
probablement la même que pour le jeu de données de l’IMS : la proximité des
accéléromètres avec la bague externe. On retrouve, comme pour le roulement b1_1, la
fréquence BPFI en toute fin. Dans ce cas là aussi, le fond de spectre semble évoluer au
cours du temps et de la détérioration du roulement. On distingue nettement trois étapes :
avant 900 échantillons, entre 900 et 2200 et la toute fin après 2200 échantillons.

William Gousseau

- 69 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Les bases de données de roulements

Cohérence spectrale, roulement b1-7, ( BPFO=169Hz BPFI=221Hz )

2000
0.45

1800

0.4
1600

1400
0.35

cyclic frequency α (Hz)

1200

1000 0.3

800

0.25
600

400
0.2

200

0.15
0 500 1000 1500 2000
Samples

Figure 53 – Spectrogramme de cohérence spectrale roulement b1_7 ; résolution cyclique : 10Hz

II.C.5.c. Jeu de données N° 2, roulement b2_2

Le roulement b2_2 (Figure 54) a une lecture plus simple. On distingue

immédiatement la BPFO (155 Hz) et toutes ses harmoniques en toute fin. En plus de cette
constatation, on observe également que les fréquences BPFO et deux fois BPFO sont
présentes depuis le début. Là encore, on peut expliquer ceci par la proximité de
l’accéléromètre. On peut également observer qu’à partir de 170 échantillons, la BPFI
apparait jusqu’à 650 puis s’estompe pour disparaitre.

William Gousseau

- 70 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE II

Cohérence spectrale, roulement b2-2 ( BPFO=155Hz BPFI=203Hz )

2000

1800

1600

1400

cyclic frequency α (Hz)

1200

1000

800

600

400

200

0 100 200 300 400 500 600 700 800

Samples

Figure 54 – Spectrogramme de cohérence spectrale roulement b2_2 ; résolution cyclique : 10Hz

II.C.6. Discussions

L’interprétation des résultats n’est pas aisée, particulièrement à cause de la résolution

fréquentielle. Si le suivi des fréquences d’endommagement est compliqué, on peut tout de
même tirer quelques enseignements des analyses des données de PHM12.

– La durée d’une mesure (0,1s) est un réel frein à une analyse spectrale ou
cyclostationnaire de qualité. Il se peut que dans la bande de fréquence de résolution
fréquentielle de 10 Hz soient noyées plusieurs informations différentes.
– De plus pour l’analyse cyclostationnaire, 0,1 s contient assez peu de tours (environ
2,5 tours).
– Ce jeu de données n’est pas optimisé pour le traitement du signal.
– Les fréquences d’endommagement d’éléments roulants peuvent se confondre avec
celles de la bague interne.
– Généralement, on ne distingue nettement les fréquences d’endommagement que
tardivement.
– On peut constater l’apparition et l’évolution d’un endommagement par
l’observation du fond de spectre des spectrogrammes de cohérence spectral

William Gousseau

- 71 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

LE BANC D’ ESSAI DU LVA

SOMMAIRE

III.A. L’APPORT D’UN BANC D’ESSAI LVA ................................................................................................ 73

III.A.1. UN BANC AU LVA .................................................................................................................................. 73
III.A.2. EXPRESSION DU BESOIN .......................................................................................................................... 74

III.B. ARCHITECTURE DU BANC LVA ....................................................................................................... 80

III.B.1. LES SOLUTIONS TECHNOLOGIQUES ............................................................................................................ 83
III.B.2. LES CONDITIONS D’ACQUISITION ............................................................................................................... 86

William Gousseau

- 72 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE III

III.A. L’apport d’un banc d’essai LVA

Les bases de données étudiées précédemment sont intéressantes pour débuter dans le
pronostic. Cependant, elles comportent des points de faiblesse par rapport au contexte
aéronautique. Le contexte d’un moteur d’avion est bien évidemment très particulier : des
vitesses élevées, en transitoire permanent, mais aussi des efforts radiaux de type balourd
(propres à chaque moteur selon l’équilibre mécanique en place). Il sera difficile de réunir
toutes ces conditions sur un banc de laboratoire. Notre approche du pronostic s’oriente vers
des techniques de traitement du signal avancées qui requièrent des paramètres d’acquisition
différents de ceux retrouvés dans les bases de données évoquées précédemment.

III.A.1. Les motivations d’un banc au LVA

Dans l’optique de faire du pronostic, la nécessité d’avoir des données d’endurance de

roulement est apparue essentielle pour l’équipe HM de Safran Aircraft Engines. Cependant,
obtenir des données aussi bien opérationnelles que provenant d’un banc en interne chez
Safran Aircraft Engines est loin d’être aisé.

Tout d’abord, le temps de récupération de données opérationnelles (pouvant

correspondre à une endurance) jugées intéressantes pour le pronostic peut être extrêmement
long : plusieurs mois à un an. De plus, ces cas sont rares. C’est pourquoi, en relation avec
le service de conception des roulements qui réalise régulièrement des essais de fatigue de
roulements (pour tester des matériaux ou des mécanismes de dégradation par exemple),
nous avons édité des « kits mesures » et « kits instrumentations » (ANNEXE A). Ces kits
ont pour vocation de proposer une instrumentation et une procédure d’acquisition sur des
essais que réaliserait ce service chez Safran ou en externe. Deux inconvénients majeurs :
nous ne maîtrisions pas le calendrier de ces essais sur l’échelle de la thèse ; et nous misions
sur l’échec des essais de ce service, car ceux dont nous avions connaissance vérifiaient que
les roulements ne s’endommageaient pas. Sur le temps de la thèse, aucune donnée ne nous
a été retournée de la part de ce service.

William Gousseau
73

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

III.A.2. Expression du besoin

Pour mettre en avant les limites des bancs de roulement existants, définissons
d’abord le besoin de Safran Aircraft Engines. Pour Safran Aircraft Engines, il est nécessaire
de se rapprocher le plus possible des conditions aéronautiques dans la limite du budget
alloué.

III.A.2.a. Cahier des charges fonctionnel,

L’expression du besoin du banc d’essai est exprimée à travers le diagramme « bête à

cornes » de la Figure 55. L’objectif principal du banc est bien de constituer une base de
données vibratoires issues d’une endurance de roulements.

Figure 55 - Diagramme "bête à cornes" du banc

Le diagramme « pieuvre » (Figure 56) présente plus en détail les besoins du banc à
travers les fonctions principales et fonctions contraintes.

William Gousseau

- 74 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE III

Figure 56 - Diagramme pieuvre

Tableau 14 — Liste des fonctions principales et contraintes

Intitulés Critères Niveaux

FP1 Permettre à l’utilisateur de • Rupture du • Rupture atteinte
fatiguer jusqu’à rupture du roulement
roulement • Durée • < 1 jour
d’endurance
FP2 Acquérir des données vibratoires • Données acquises • Échantillonnage :
pendant l’endurance 25 kHz mini
• Données • Durée de la
exploitables mesure : 3 s mini
FC1 Approcher au mieux des conditions • Vitesse de • Entre 8 000 et
opérationnelles aéronautiques rotation 20 000rpm
• Charges • Régime transitoire
appliquées • Minimum 1 tonne
• Type de • Charge radiale
chargement
FC2 Respecter le budget • Prix • < 30 000 €
FC3 Assurer l’alimentation en énergie • Électricité
du banc • Air comprimé
FC4 Respecter la sécurité de • Niveau vibratoire
l’utilisateur • Température
FC5 Assurer la lubrification des • Régime de
roulements lubrification

Fonction Principale 1

La durée de l’essai a été sujet a de nombreuses discussions : théoriquement un

roulement de moteur d’avion est conçu avec une durée de vie infinie. Il n’est pas possible

William Gousseau
75

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

de reproduire cette condition lors d’essai de laboratoire pour des raisons évidentes de
praticité. Il a donc été décidé que l’endurance puisse avoir lieu sur une journée maximum.

L’élément central du banc est le roulement à casser. Un moteur d’avion intégrant à

la fois des roulements à rouleaux ou à billes, il n’y a pas d’obligation d’utiliser l’un ou
l’autre dans notre étude. Concernant les dimensions du roulement, le roulement présentant
le plus d’intérêt dans le moteur CFM-56 est le palier 4 (150mm de diamètre primitif, 12mm
de diamètre de rouleaux et 30 rouleaux). Nous avons cherché une taille de roulement
pouvant se casser en une journée travaillée (6h à 10h d’endurance) sous un chargement
d’1t tournant à une vitesse moyenne de 8000rpm. La Figure 57 nous permet d’estimer la
charge dynamique que doit avoir notre roulement pour pouvoir avoir une endurance de 6
à 10h.

L10H=f(C), pour P=10000N, N=8000rpm

18

16

14

12

10
L10H (durée de vie de théorique, en heures)

0
0.5 0.6 0.7 0.8 0.9 1 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2
4
C (capacité de charge dynamique en N) 10

Figure 57 - Durée de vie théorique du roulement en fonction de sa capacité de charge dynamique dans les
conditions: P=10000N et N=8000rpm

Ainsi nous obtenons une capacité de charge dynamique entre 14000N et 17000N.
D’après la littérature ([90]), cela nous permet d’utiliser des roulements à billes de diamètre
intérieur allant de 20 à 35mm. Pour des rouleaux, les possibilités sont plus restreintes et
donnent des roulements dont le diamètre intérieur est supérieur à 15mm et inférieur à
17mm. Nous préférons donc nous arrêter sur les roulements à billes qui proposent plus de
choix.

Fonction Principale 2

Les essais n’ont d’intérêt que si la rupture est atteinte mais aussi si les données
physiques du banc sont acquises. Dans le cadre de cette thèse, ce sont les données
vibratoires et la vitesse de rotation qui sont les grandeurs d'intérêt. Les accéléromètres
utilisés sont ceux déjà en possession du LVA. Les paramètres d’acquisition utilisés sont
directement reliés aux paramètres utilisés chez Safran Aircraft Engines.

William Gousseau

- 76 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE III

Fonction Contrainte 1

Pour se rapprocher au mieux des conditions aéronautiques, il apparait important que

le banc fonctionne en réguilièrement régime transitoire avec des montées et descentes de
régime. Un moteur d’avion peut aller jusqu’aux environs des 20 000rpm. S’il est compliqué
de pouvoir atteindre de telles vitesses sur un banc d’essai de laboratoire, il est néanmoins
important de pouvoir dépasser les 5000 rpm, voire les 10 000rpm dans le cadre de nos
expérimentations. Pour le dimensionnement des éléments du banc nous avons retenu un
fonctionnement entre 5000rpm et 10000rpm.

Les principales fonctions de notre banc d’essai sont de pouvoir effectuer une
endurance de roulement jusqu’à rupture lors de laquelle l’acquisition des données
vibratoires a été possible. Une endurance suppose une durée de vie accélérée : c’est le rôle
du chargement radial. Le chargement a été choisi radial car c’est la principale sollicitation
des roulements d’un moteur d’avion. En réalité, l’effort reçu par un roulement est issu d’un
balourd naturel présent dans le moteur. La poussée du moteur qui génère la charge axiale
est quasi intégralement reçu par le palier 1. Ce palier est robuste et fiable, c’est pourquoi
c’est uniquement la sollicitation radiale qui est reproduite. Concevoir un effort par balourd
sur un banc de laboratoire pouvant tourner jusqu’à 10 000rpm imposait trop de contraintes
techniques de sécurité et par extension des contraintes de prix. C’est pourquoi la solution
retenue pour appliquer l’effort radial est par l’intermédiaire d’un vérin.

Les autres Fonctions Contraintes

Les autres fonctions contraintes concernent des éléments plus communs du banc
(budget, alimentation, etc.) Il a été évidemment nécessaire de les prendre en compte lors
de la conception du banc. Certaines de ces fonctions ont été sous-traitées (le système de
lubrification par exemple).

III.A.2.b. Comparaison avec d’autres bancs

Au début de notre démarche, nous avons visité d’autres bancs de test, notamment
la plateforme Pronostia du Femto [77], un banc du Laspi de Roanne et un banc du Grespi
de Reims.

William Gousseau
77

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

Pronostia

Nous avons traité le cas de la plateforme Pronostia au Chapitre II, et les principaux
points limitants pour notre étude sont les suivants :

– La vitesse de rotation : vitesse maximum de 2000 rpm jugée trop basse pour nous
(par rapport au condition aéronautique)
– La vitesse est constante, il n’est pas prévu qu’elle puisse varier
– La durée de la mesure par défaut : 0,1 s (toutes les dix minutes) trop faible pour
des analyses utilisant des méthodes de traitement du signal avancées
– La charge applicable est également faible (5 000 N)
– La taille des roulements est jugée trop petite (20x32x7 avec un C=4000N très en
dessous des 14 000N souhaités)

Laspi

Le banc d’essai du Laspi (Figure 58), n’est pas conçu pour faire de l’endurance. Il
sert à mettre en évidence des endommagements (artificiels), notamment pour des travaux
pratiques d’étudiants. Il présente en plus de cela les limites suivantes :

– La vitesse de rotation : vitesse maximum de 2000 rpm jugée trop basse

– Charge radiale : pas de connaissance de l’effort appliqué

Variateur de
fréquence Boitier de
commande

Charge radiale
par courroie
Codeur
Emplacement
optique
accéléromètre

Roulement
testé
Figure 58 - Banc de roulement du Laspi

Grespi Reims

Le banc d’essai du Grespi (Figure 59) est un banc robuste et conçu pour la fatigue
de butée à billes. Un module additionnel du banc est destiné à la fatigue de roulement.

William Gousseau

- 78 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE III

Dans son ensemble, c’est un banc au-dessus de notre budget. Le banc a été conçu pour
fonctionner à des vitesses très basses (60 rpm), mais il peut aussi atteindre des vitesses
beaucoup plus élevées (3000 rpm). Ce banc a influencé certains de nos choix technologiques,
mais là encore des caractéristiques du banc nous ont semblé limitantes.

– La vitesse de rotation : 3 000rpm maximum jugé basse

– Une architecture au-dessus de nos moyens financiers,

Figure 59 Banc de fatigue de butées à billes et roulements

Bilan

De manière générale, on observe que les différents bancs d’endurance tournent à des
vitesses trop basses par rapport au contexte aéronautique. La volonté de concevoir notre
propre banc a été confirmée par les limites rencontrées lors des visites des différents bancs.
Cependant, les architectures de ces bancs ont permis d’orienter la recherche de solutions
technologiques.

William Gousseau
79

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

Tableau 15 - Comparaison des bancs d'essai

Banc Banc Niveau du

Critère Banc Femto Banc LVA
Laspi Grespi critère

Entre 8
000 et
Vitesse max 2000rpm 2000rpm 3000rpm 10 000 rpm
20 000rp
m

Charge Inconnu Minimum

4kN Jusqu’à 15kN Jusqu’à 100kN
appliquée e 10kN

5s toutes les
0.1s
Temps Paramétrabl 10min ou 3s
Au choix (modifiable ?
d’acquisition e (Oros) continue minimum
)
(paramétrable)

25kHz ou
50kHz
Echantillonnag Paramétrabl 25kHz
Au choix 25,6kHz
e e (oros) mini
(Paramétrable
)

III.B. Architecture du banc LVA

À partir des constatations énoncées dans les paragraphes précédents, un banc d’essai
a été conçu et mis en place au LVA dont l’architecture (Figure 60) est composée d’un
moteur de broche ISEL, ISA3600. Le moteur est en prise avec l’arbre de rotation via un
accouplement. L’arbre est supporté par deux paliers supports. En bout d’arbre se trouve
un troisième palier, celui du roulement fatigué. Le banc dispose des caractéristiques
suivantes :

– vitesse de rotation jusqu’à 10 000rpm,

– charge appliquée par vérin hydraulique, Enerpac RSM100, (jusqu’à 100 kN),
– 2 roulements support auto-alignés, 2207-K-TVH-C3 H307, (30x72x23),

William Gousseau

- 80 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE III

– roulement fatigué, 6205-2Z-C3, (25x52x15).

Figure 60 — Plan du banc de fatigue du LVA

Le banc est instrumenté comme suit (Figure 62) :

– 4 accéléromètres ICP, IMI 608A11, PCB Piezotronic,

– Codeur GEL 248, Lenord Bauer,
– Sonde de température, SKF TMDT2-30.

La Figure 61 donne un aperçu plus large de l’implantation du banc. Ainsi on peut y

observer les différents éléments nécessaires à son bon fonctionnement (variateur, centrale
de lubrification, pompe, etc.).

William Gousseau
81

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

Figure 61 - Implantation du banc de fatigue

Figure 62 - Architecture du banc d'essai

William Gousseau

- 82 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE III

III.B.1. Les solutions technologiques

Lors des recherches de solutions technologiques, les contraintes aéronautiques

associées au budget nous ont poussés à revoir à la baisse les ambitions du banc. Nous avons
donc hiérarchisé les caractéristiques principales du banc et celles sur lesquelles nos
ambitions pouvaient être revues à la baisse. La Figure 63, montre un résumé des choix
technologiques pour les différentes fonctions techniques du banc. Ainsi la priorité a été
donnée à la vitesse : il est important que le banc puisse tourner à des vitesses supérieures
à tout ce que nous avons pu voir avant. Les solutions retenues sont détaillées par la suite.

Figure 63 Diagramme FAST, (Function Analysis System Technique)

William Gousseau
83

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

III.B.1.a. Les roulements

Le roulement fatigué

Le choix du roulement à fatiguer s’est fait arbitrairement sur une appréciation d’un
diamètre de taille compris entre 20 et 35mm avec une capacité de charge dynamique entre
14000N et 17000N. Nous nous sommes donc arrêtés sur des roulements à billes de
dimension 25x52x15 (C=14800N, ANNEXE B). La vitesse nominale de fonctionnement du
roulement est de 14 000rpm. Le roulement choisi nous donne donc un L10h proche des 6
heures. Cela signifie qu’il y a 90% de probabilité que l’endurance dépasse les 6heures pour
une vitesse de 8000rpm. Pour raccourcir l’endurance, les paramètres de vitesse et de charge
appliquée peuvent être modifiés. On verra par la suite que la vitesse de fonctionnement
attendra le palier des 10000rpm ce qui influencera à la baisse la durée de vie. De même, la
charge n’est pas plafonnée à 1t et peut être augmentée pour réduire la durée de l’endurance.

Les roulements supports

Les roulements supports (ANNEXE B) sont des roulements auto-alignés d’une taille
supérieure à celui fatigué (30x72x23). Le fait qu’ils soient d’un diamètre plus grand abaisse
la vitesse maximum du banc. La vitesse maximum du banc est donc de 10 000rpm. Avec
l’effort d’1t appliqué les roulements supports encaisse 12,7kN et 17,4kN. Ces grandeurs
imposent de démarrer le banc avec une faible charge et d’augmenter la charge une fois la
vitesse de départ d’un cycle atteinte.

III.B.1.b. Le moteur

Le moteur choisi est un moteur de broche que nous avons donc détourné de son
utilisation habituelle, puisque qu’il s’agit d’un moteur que l’on retrouve habituellement sur
des machines-outils (ANNEXE C). Le variateur correspondant permet de le piloter, par
l’intermédiaire d’un câblage en armoire électrique, manuellement ou via des cartes
d’acquisition National Instrument. Le couple au démarrage et à vitesse opérationnelle
(jusqu’à 10 000rpm) est suffisamment important pour faire tourner la ligne d’arbre et ses
composants avec l’effort d’1t.

William Gousseau

- 84 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE III

Tableau 16 Caractéristique du moteur

Marque ISEL
Référence ISA 3600
Couple à la vitesse nominale 18 000 tr/min. [Nm] 1,26
Vitesse [tr/min.] 6000-18000
Couple maximal à la vitesse nominale 18.000tr/min [N. m] 4,4
Tension nominale [V] 3 x 400
Courant nominal [A] 5,4
COS Ø 0,87
Nombre de pôles 2
Rotation [mm] 0,01
Poids [kg] 23,0

III.B.1.c. Le vérin hydraulique

Pour appliquer l’effort radial, nous avons opté pour un vérin hydraulique
Enerpac RSM100 de type galette (c’est-à-dire de faible épaisseur), placé sous le roulement
à fatiguer. Ce vérin est initialement prévu pour une utilisation dans le bâtiment, afin de
soulever de quelques millimètres à peine de grosses charges. Ces caractéristiques (Figure
64) nous permettent de charger jusqu’à 10 t. La charge est appliquée par l’intermédiaire
d’une pompe manuelle.

Figure 64 - Caractéristiques du vérin hydraulique

III.B.1.d. Résumé

Le Tableau 17 résume les fonctions principales et contraintes importantes, les

solutions apportées à chaque fonction et la priorité donnée à chacune.

William Gousseau
85

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

Tableau 17 - Hiérarchisation des fonctions

Intitulés Niveaux Priorité

Solution technologique
donnée
FP1 Permettre à • Rupture atteinte
l’utilisateur de fatiguer
• Roulement 6205 2Z-C3 +++
jusqu’à rupture du • < 1 jour
roulement
FP2 Acquérir des données • Échantillonnage : 25 kHz
vibratoires pendant mini
• Carte d’acquisition NI ++
l’endurance • Durée de la mesure : 3 s
mini
FC1 Approcher au mieux • Entre 8 000 et
des conditions 20 000rpm • Moteur de broche ISEL
+++
opérationnelles • Régime transitoire • Pilotage par carte NI
++
aéronautiques • Minimum 1 tonne • Vérin hydraulique
++
• Charge radiale Enerpac

FC5 Assurer la lubrification • Système de lubrification

+
des roulements Codaitec

III.B.2. Les conditions d’acquisition

Pour se rapprocher des conditions de fonctionnement d’un moteur d’avion,

l’endurance devra suivre des cycles de vitesse tels que présenté Figure 65. Les vitesses
100% et 50% seront respectivement de 10 000rpm et 5000rpm.

Figure 65 — Cycle d'endurance du banc d'essai 4

4 Note interne Safran Aircraft Engines

William Gousseau

- 86 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE III

Les paramètres d’acquisition doivent eux aussi se rapprocher de la réalité

aéronautique. Ainsi la fréquence d’échantillonnage des signaux doit être de 50 kHz. Les
contraintes actuelles de Safran nécessitent une bande passante d’au moins 11 kHz afin
d’observer suffisamment d’harmoniques (voir ANNEXE A).

De même, Safran Aircraft Engines travaille avec une résolution fine pour les
spectrogrammes de suivi d’ordres. Cette résolution et le nombre d’harmoniques que l’on
souhaite observer impliquent un temps d’acquisition minimum. Ces contraintes nous
amènent à avoir une durée d’acquisition de minimum 3s (ANNEXE A).

Dans la cadre de la thèse, l’analyse du besoin, la recherche et le choix des solutions

technologiques, la commande des différentes pièces et modules, et l’assemblage ont pris un
temps supérieur à ce qui était prévu. De même une fois le banc conçu les premières rotations
de test du banc nous ont amenés à y apporter des modifications. Tous ces imprévus n’ont
pas permis d’obtenir des données issues de ce banc sur la période de la thèse.

William Gousseau
87

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

EXPLOITATION DES DONNÉES AVEC LES MÉTHODES

DÉVELOPPÉES

SOMMAIRE

IV.A. NOS INDICATEURS ........................................................................................................................ 89

IV.A.1. NOTRE APPROCHE ................................................................................................................................. 89
IV.A.2. NOS INDICATEURS.................................................................................................................................. 90
IV.A.3. PROJECTION VERS LE PRONOSTIC ............................................................................................................. 96

IV.B. NOS MÉTHODES APPLIQUÉES AUX DONNÉES EXISTANTES ................................................................... 98

IV.B.1. IMS CINCINNATI.................................................................................................................................... 98
IV.B.2. PRONOSTIA FEMTO ............................................................................................................................. 113
IV.B.3. MODÈLE PHÉNOMÉNOLOGIQUE .............................................................................................................. 123

IV.C. PROJECTIONS SUR DONNÉES SAFRAN AIRCRAFT ENGINES ................................................................ 132

IV.C.1. APPLICATION SUR SIGNAUX SAFRAN ..................................................................................................... 133
IV.C.2. COMMENT RENDRE APPLICABLE AU DOMAINE AÉRONAUTIQUE .................................................................... 136
IV.C.3. CONCLUSIONS ..................................................................................................................................... 137

William Gousseau

- 88 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

Dans ce chapitre, nous nous proposerons différents indicateurs de pronostic et

également deux méthodes de pronostic. Nous les appliquerons sur les deux bases de
données : IMS Cincinnati et Pronostia. Avec des morceaux de signaux mis à notre
disposition par Safran Aircraft Engines, nous verrons l’applicabilité de ces méthodes sur
des signaux aéronautiques. Enfin, nous proposerons les démarches nécessaires à
l’applicabilité des méthodes retenues dans un contexte aéronautique.

IV.A. Nos indicateurs

IV.A.1. Notre approche

IV.A.1.a. Sans apprentissage ?

À partir des conditions réelles de fonctionnement du diagnostic à Safran Aircraft

Engines, il semblait possible de continuer dans une voie sans apprentissage pour le
pronostic. Pour le diagnostic, il n’y a pas, à proprement dit, d’apprentissage sinon de lui-
même : des relevés à l’état sain permettent d’alimenter une baseline (voir Chapitre 1).
Quand on s’intéresse au pronostic, la notion d’historique, ou d’apprentissage, entre en jeu.
Cela signifie que tous les roulements qui ont été en conditions similaires (ou proches) de
celui étudié peuvent apporter une information afin d’émettre un pronostic. Théoriquement,
plus on dispose d’un historique important de roulements ayant atteint la rupture, plus la
précision du pronostic pour le roulement en cours de suivi pourra être élevée. Il devient
donc important d’avoir un historique, afin de réaliser un apprentissage des comportements
passés de roulements similaires ayant évolué dans des conditions semblables ou proches.

En raison de ces considérations, nous proposerons également une méthode ne

nécessitant pas d’apprentissage davantage basée sur une approche physique. À l’aide de
méthodes de traitement du signal, nous essayerons de déterminer les paramètres d’un
modèle phénoménologique basique afin de pouvoir déterminer l’état de dégradation des
roulements.

IV.A.1.b. Approche traitement du signal

La particularité de l’approche choisie réside principalement dans le fait de partir

d’outils de traitement du signal. Ces indicateurs s’appuient sur les résultats des analyses
de base de données IMS et PHM12 et leurs indicateurs les plus réactifs. Là où régulièrement
on trouve des analyses basées sur des indicateurs statistiques (RMS, Kurtosis, etc.), le
choix a été fait de partir d’indicateurs discriminant le type d’endommagement (bague
intérieure, extérieure ou élément roulant). Les analyses des bases de données réalisées
précédemment ont pour but de mettre en avant les outils de traitement du signal qui
sembleraient les plus pertinents pour ensuite les utiliser pour le pronostic. Il est rare de
trouver des indicateurs de ce type. La plupart des indicateurs sont basés sur des indicateurs
globaux.

William Gousseau
89

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

IV.A.2. Nos indicateurs

IV.A.2.a. Extensions d’indicateurs existants

Certains de nos indicateurs sont issus d’indicateurs bien connus tels que le
spectrogramme T-F. À partir d’un spectrogramme T-F, il est possible de suivre les
fréquences d’endommagement de roulement et leurs harmoniques.

Suivi de fréquences

Le suivi de fréquence consiste à suivre les fréquences d’endommagement et ses

harmoniques sur un spectrogramme T-F. Dans le cas où le signal est rééchantillonné, on
appelle cette pratique le suivi d’ordre. Dans la mesure où le spectrogramme est exploitable,
il est intéressant d’observer les harmoniques de la fréquence d’endommagement et pas
uniquement la fondamentale.

Approximate Entropie (ApEn)

L’ApEn est un calcul approché de l’entropie proposé par Gao et Ruqiang [91]. Cette
méthode s’applique sur le signal temporel. L’ApEn est une mesure statistique quantifiant
la régularité d’une série temporelle telle que les vibrations de roulement. Le contenu
fréquentiel du signal vibratoire augmente avec l’apparition d’un endommagement et
diminue en régularité. La valeur de l’ApEn correspondant augmente quand la régularité
diminue. Le schéma de principe du calcul de l’ApEn est présenté Figure 66.

William Gousseau

- 90 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

Figure 66 — Étape de calcul de l’ApEn [91]

L’ApEn augmente avec l’apparition d’un endommagement puis augmente encore

avec la croissance de l’endommagement. C’est là l’intérêt de l’ApEn pour le pronostic. Les
auteurs ont testé leur indicateur sur un signal vibratoire issu d’un roulement
s’endommageant. Le résultat est donné Figure 67.

Figure 67 — Évolution de l’ApEn avec la taille de l’endommagement (effort radial : 5 498 kN, vitesse : 2000 rpm)
[91].

William Gousseau
91

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

Les auteurs ont également mis en avant la sensibilité de cet indicateur au bruit. Il
est nécessaire d’avoir un bon rapport signal sur bruit afin que l’indicateur soit efficace. Cet
aspect sera peut-être limitant dans l’utilisation de l’ApEn sur des données moteur.

IV.A.2.b. Indicateurs liés à la cyclostationnarité

Il est désormais connu que les signaux vibratoires de roulements endommagés sont
cyclostationnaires. Les propriétés de la cyclostationnarité sont encore peu utilisées dans
l’industrie, aéronautique incluse. Nous avons recherché des indicateurs issus de la
cyclostationnarité pouvant servir au pronostic. Les études des bases de données faites au
Chapitre II ont montré que l’utilisation de la cohérence spectrale pour le diagnostic est
pertinente.

Rappel de cohérence spectrale

La cohérence spectrale a été expliquée au Chapitre II. Elle a été utilisée pour l’analyse
des bases de données Pronostia et IMS et a donné les meilleurs résultats. La cohérence
spectrale permet de mettre en avant la cyclostationnarité d’ordre 2, caractéristique d’un
endommagement de roulement. Afin d’avoir un suivi temporel, chaque diagramme de
cohérence spectrale (α, f) est sommé le long des f. Chaque spectre obtenu est ensuite associé
à une date de l’essai et concaténé afin d’obtenir un diagramme (t, α). Ce dernier s’approche
d’un spectrogramme T-F.

Suivi de fréquence cyclique

Le suivi de fréquence cyclique a le même principe que le suivi des fréquences

d’endommagement sur un spectrogramme T-F. Au lieu de partir d’un spectrogramme T-
F, on suit les fréquences cycliques d’endommagement d’un diagramme (t, α). Pour chaque
spectrogramme de cohérence spectrale (α, f) calculé au cours du temps, on somme sur les
fréquences f pour obtenir un spectre. Les spectres sont chronologiquement concaténés afin
d’obtenir un spectrogramme (t, α). C’est à partir de ce diagramme que se fait le suivi des
fréquences cycliques correspondant aux fréquences d’endommagement. C’est l’évolution de
cette fréquence cyclique d’endommagement et de ses harmoniques qui nous intéresse. On
extrait alors la fréquence d’endommagement ainsi que ses harmoniques.

William Gousseau

- 92 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

Figure 68 — processus d’extraction de la fréquence cyclique d’endommagement : (1) calcul de la cohérence

spectrale ; (2) spectre issu de l’intégration selon f ; 3) concaténation des spectres en un spectrogramme (α, f) ; (4)
suivi de fréquence cyclique d’endommagement.

Indicateur de régularité cyclique

Les analyses réalisées sur la base de données Pronostia ont montré que le fond de
spectre du diagramme (t, α) de cohérence spectrale est porteur d’information. Le fond de
spectre semble se « régulariser » avec l’apparition d’un endommagement (voir Chapitre II).
Comment caractériser cette régularité ? Deux idées sont proposées : un calcul d’entropie
(sous deux formes) et la rugosité.

Puisque le fond de spectre du spectrogramme (t, α) se régularise avec la dégradation

de l’endommagement, cela signifie qu’il s’ordonne. Un calcul de l’entropie pour chaque
colonne du spectrogramme (t, α) doit pouvoir caractériser la régularité. Pour calculer cette
entropie nous avons utilisé deux méthodes : l’entropie de Shannon et « l’approximate
entropie » (ApEn). L’ApEn a été proposée par Gao et Ruqiang [91]. L’ApEn est
originairement prévu pour calculer l’entropie approchée d’un signal temporel. Cette
proposition est également issue de l’idée que le signal temporel se structure quand un
endommagement apparait et se dégrade (avec la répétition des impulsions). La méthode
de calcul de l’ApEn est donnée au paragraphe IV.A.2.a. La méthode utilisant formule de
l’entropie de Shannon est donnée ci-après :

n
IV-1
H = −∑ Pi .log ( Pi )
i =1

William Gousseau
93

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

Rappelons que chaque colonne du spectrogramme (t, α) est issue d’un diagramme S
(α, f) moyenné selon f. Ainsi, chaque colonne (à chaque instant t) peut s’exprimer

IV-2
∫ S (α , f )df
i = SES(α )

Ainsi l’entropie de Shannon appliqué à chaque colonne du diagramme (t, α)

s’exprime :

tend
IV-3
H = −∑ Pt (SESt (α )).log (SESt (α ))
t =1

La rugosité est une notion issue de la psychoacoustique. Le principe initial est de

caractériser un son perçu comme gênant à l’oreille, qui « frotte ». Le procédé se déroule en
quatre étapes et est appliqué sur les diagrammes (α, f) de corrélation ou cohérence
spectrale. La première étape est donc le calcul de la cohérence spectrale pour chaque
mesure.

La deuxième étape consiste à seuiller la cohérence spectrale utilisée : toutes les

valeurs inférieures à une valeur seuil (basé sur les percentiles) sont mises à zéro. Dans un
troisième temps, un filtrage non linéaire est effectué. Ce filtrage est réalisé en calculant une
moyenne géométrique de plusieurs lignes adjacentes (par défaut 3).

Ensuite, les valeurs non nulles sont sommées pour obtenir la valeur de rugosité. Ce
principe peut être appliqué à chaque spectrogramme de cohérence (α, f) calculé au cours
du temps. La Figure 69 détaille le procédé.

William Gousseau

- 94 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

Figure 69 — Principe de calcul de la rugosité : (1) calcul de la cohérence spectrale ; (2) cohérence spectrale seuillée
(mise à zéro des valeurs inférieures au seuil) ; (3) filtrage non linéaire par moyenne géométrique, (4) somme des
valeurs non-nulle.

Indicateurs du rapport de vraisemblance

De récentes recherches de Borghesani et Antoni5 se sont intéressées au rôle important

joué par la non-stationnarité, notamment par des propriétés de cyclostationnarité et de
non-Gaussianité dans le diagnostic et le pronostic. Ces deux symptômes d’un comportement
anormal ont été ainsi étudiés séparément. Leurs travaux proposent de nouveaux indicateurs
capables de séparer ces deux caractéristiques d’un signal avec anomalie. Une approche
basée sur le rapport de vraisemblance a été utilisée pour définir les différentes formes de
non-stationnarité. Le principe du rapport de vraisemblance est d’opposer deux
hypothèses H0 et H1. Ainsi on exprime les deux hypothèses comme ci-après :

H0 : x~p(x|H0 , θ0 ) IV-4
�
H1 : x~p(x|H1 , θ1 )

Avec x, le vecteur du signal temporel et p(x|H1 , θ1 ) et p(x|H0 , θ0 ) les fonctions de

densité de probabilité associé à chaque hypothèse (θ1 et θ0 étant les paramètres propres à
chaque hypothèse). Ainsi ici ce sont des hypothèses de Gaussiannité, Gaussianité
Généralisée, stationnarité ou cyclostationnarité qui sont comparées.

5 Note interne, en cours de publication

William Gousseau
95

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

Les indicateurs développés par Borghesani et Antoni sont donnés dans le Tableau 18.
Tous les indicateurs sont basés sur une quantité semblable à la (co) variance. Dans le cas
Gaussien CS2, c’est la moyenne synchrone σ �2n qui est utilisée. Dans le cas Gaussien
�1
2⁄β
β β � � �
Généralisé CS2 l’équivalent de la moyenne synchrone pondéré par β : 〈sn 1 〉2⁄β1 et �sn 1 �
est utilisé. Enfin pour le cas Gaussien Généralisé pseudo-stationnaire ce sont les termes de
�1
2⁄β
β � � β �
variance 〈uk1 〉2⁄β1 et �uk1 � .

Tableau 18 — Tests de rapport de vraisemblance et indicateurs associés

Indicateur d’estimation du maximum de

Test d’hypothèse :
vraisemblance :
Gaussian CS2 (H1 )
vs �2n 〉 − 〈ln σ
IGauss = ln〈σ �2n 〉
Gaussian Stationary (H0 )
Generalized Gaussian CS2 (H1 ) �1
2⁄β
�
β � �
β
vs ′
ICS2 = ln �〈sn 1 〉2⁄β1 � − 〈ln �sn 1 � 〉
Generalized Gaussian Stationary (H0 )
Generalized Gaussian Piecewise Stationary (H1 ) �1
2⁄β
�
β � �
β
vs ′
IPWS = ln �〈uk1 〉2⁄β1 � − 〈ln �uk1 � 〉
Generalized Gaussian Stationary (H0 )

Ces indicateurs réagissent à l’apparition d’endommagements puisqu’un signal de

roulement endommagé est cyclostationnaire. Un des avantages de ces indicateurs est qu’ils
permettent de connaitre le type d’endommagement de roulement (bague interne, externe
ou éléments roulants).

IV.A.3. Projection vers le pronostic

Le pronostic suppose qu’à un certain moment, on émette une projection sur le temps
de vie restant du roulement (RUL).

Quand on évoque le pronostic associé à des éléments mécaniques tels que les
roulements, on parle alors de suivi d’endommagement. L’évolution de la dégradation suit
des lois physiques d’écaillage, de fissuration ou plus simplement de dommage cumulatif.
Cette notion d’accumulation est importante et doit être intégrée dans la méthode de calcul
du pronostic. Dans notre contexte, toute la complexité du pronostic est de relier des
observations vibratoires à des lois physiques intégrant de nombreux paramètres.

William Gousseau

- 96 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

IV.A.3.a. Une approche phénoménologique

En utilisant la loi de Paris et la règle de Miner, on arrive à la formule suivante pour

l’endommagement

1 IV-5
D= ∑ ni Sim
A i

où ni est le nombre de cycles subis avec une contrainte d’amplitude Si, A est une constante
et m un facteur de puissance issu de la loi de Paris. D état le pourcentage de défaillance.
D=1 correspond à la rupture.

On suppose dans la suite que Si peut être évalué à partir de la valeur RMS de
l’enveloppe du signal et donc de la corrélation spectrale. Soit SES (α) le spectre de
l’enveloppe quadratique du signal (squared envelope sepctrum). D’après le théorème de
Parseval, la valeur RMS est donnée par :

1 IV-6
 2 2
σ e =  ∑ SES (kα i ) 
 k 

où les fréquences kαi sont multiples de la fréquence de passage αi sur le défaut (il y a des
αi différents pour BPFO, BPFI, BSF, etc.). Cette quantité estime l’amplitude de la
contrainte appliquée par un cycle sur le défaut. Sur une durée temporelle T, il y aura :

ni = α iT IV-7

cycles. En revenant à la formule (IV-5), on a donc

m IV-8
1  2 2
D = ∑ T α i  ∑ SES (kα i ) 
A i  k 

La dernière étape consiste à exprimer le spectre d’enveloppe en fonction de la

corrélation spectrale, soit

William Gousseau
97

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

SES (α ) = ∫ S (α , f )df IV-9

B

où B est une bande de fréquence que l’on pourra faire dépendre de i dans le cas général.
Finalement,

m
IV-10
 2
2
D = C ∑ T α i  ∑ ∫ S (kα i , f )df 
 k B 
i
 

avec C = 1 A . En pratique, il faudra estimer les coefficients C et m.

Cette formule finale permet donc à partir d’un diagramme de corrélation spectrale
d’obtenir un calcul approché de l’endommagement. La variable D vaut 1 quand on arrive
à la défaillance finale. Le moment correspondant à D=1 doit être défini préalablement. Par
exemple, dans la réalité aéronautique D=1 correspond à un état de dégradation avancé
caractérisé par un rotor au rendement très faible (aux alentours des 10 %). Sur un banc
de laboratoire, cela peut correspondre à un niveau vibratoire ou un volume de particules
accumulées dans l’huile (comme dans le cas du banc de l’IMS).

Afin de calculer les valeurs des coefficients C et m, il sera nécessaire de réaliser un

essai à rupture afin de pouvoir définir D=1 dans les conditions expérimentales proches des
conditions d’essais qui suivront. Par ailleurs, la valeur m issue de la loi de Paris est
dépendante du matériau et peut être connue à l’avance.

IV.B. Nos méthodes appliquées aux données existantes

Les méthodes vues précédemment seront appliquées aux signaux issus des bancs
IMS Cincinnati et Pronostia dans la mesure où le résultat est exploitable.

IV.B.1. IMS Cincinnati

Les données issues du banc de l’IMS Cincinnati ont été présentées au Chapitre II.
Nous présentons ici les résultats des indicateurs préalablement proposés appliqués sur les
deux bases exploitables de l’IMS. Cela représente trois roulements endommagés : deux
issus du test d’endurance numéro 1 (bague interne du roulement 3 et éléments roulants
du roulement 4), et un roulement du test 2 (bague externe du roulement 1).

William Gousseau

- 98 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

IV.B.1.a. Suivi de fréquence

La méthode s’appuie sur un spectrogramme et suit les fréquences d’endommagement

du roulement étudié. Les roulements 3 et 4 du test 1 sont difficilement exploitables
(Figure 70 et Figure 71). L’harmonique de l’endommagement annoncé ne se distingue pas
des autres contrairement au test 2 où la BPFO et ses harmoniques se distinguent
clairement (Figure 72).

Jeu n° 1 roulement 3
Moyenne des 20 premières harmoniques d'endommagement
15
BPFO
BPFI
BSF

10

0
0 500 1000 1500 2000 2500
mesures

Figure 70 — Les harmoniques d’endommagement du spectrogramme, roulement 3 test 1.

Jeu n° 1 roulement 4
Moyenne des 20 premières harmoniques d endommagement
7
BPFO
BPFI
BSF
6

1
0 500 1000 1500 2000 2500
mesures

Figure 71 — Les harmoniques d’endommagement du spectrogramme, roulement 4 test 1.

William Gousseau
99

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

Jeu n° 2 roulement 1

Moyenne des 20 premières harmoniques d'endommagement

18
BPFO
BPFI
16 BSF

14

12

10

0
0 100 200 300 400 500 600 700 800 900 1000

mesures

Figure 72 — Les harmoniques d’endommagement du spectrogramme, roulement 1 test 2.

IV.B.1.b. Entropie approchée (ApEn)

L’ApEn, appliqué aux signaux temporels des roulements, comme proposé par [91] ne
donne pas de résultat qui semblerait être exploitable afin d’être utilisé comme un indicateur
de pronostic. Sur les Figure 73Figure 74 etFigure 75, on reconnait une tendance que l’on
retrouvera dans d’autres indicateurs. Les variations des résultats de cet indicateur le
rendent compliqué d’utilisation pour le pronostic.

William Gousseau

- 100 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

Jeu n° 1 roulement 3

Approximate Entropie (m=2)

1.6

1.55

1.5

1.45
ApEn

1.4

1.35

1.3

1.25

0 500 1000 1500 2000 2500

mesures

Figure 73 — ApEn du signal temporel, test 1 roulement 3

Jeu n° 1 roulement 4

Approximate Entropie (m=2)

1.65

1.6

1.55

1.5
ApEn

1.45

1.4

1.35

1.3

1.25
0 500 1000 1500 2000 2500
mesures

Figure 74 — ApEn du signal temporel, test 1 roulement 4

William Gousseau
101

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

Jeu n° 2 roulement 1
Approximate Entropie (m=2)
1.6

1.5

1.4

1.3

1.2
ApEn

1.1

0.9

0.8

0.7
0 100 200 300 400 500 600 700 800 900 1000
mesures

Figure 75 — ApEn du signal temporel, test 2 roulement 1

IV.B.1.c. Suivi de fréquence cyclique

Le suivi de fréquence cyclique qui extrait les harmoniques d’endommagement

cyclique d’un diagramme (t, α) donne des résultats similaires au suivi de fréquence issue
d’un spectrogramme. Les indicateurs issus du test 1 (Figure 76 et Figure 77) ne
discriminent pas un type d’endommagement plus qu’un autre. En revanche, l’indicateur
appliqué au test 2 donne des résultats intéressants (Figure 78). La BPFO se distingue
nettement et la tendance bien que pas complètement monotone semble exploitable.

Jeu n° 1 roulement 3

Moyenne des 5 premières harmoniques d'endommagement

0.14
BPFO
BPFI
0.13
BSF

0.12

0.11

0.1

0.09

0.08

0.07

0.06

0.05

0.04
0 500 1000 1500 2000 2500
mesures

Figure 76 — Harmoniques d’endommagement de roulement issues de la cohérence spectrale, test 1 roulement 3

William Gousseau

- 102 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

Jeu n° 1 roulement 4

Moyenne des 5 premières harmoniques d'endommagement

0.12
BPFO
BPFI
0.11 BSF

0.1

0.09

0.08

0.07

0.06

0.05

0.04
0 500 1000 1500 2000 2500
mesures

Figure 77 — Harmoniques d’endommagement de roulement issues de la cohérence spectrale, test 1 roulement 4

Jeu n° 2 roulement 1

Moyenne des 5 premières harmoniques d'endommagement

0.55
BPFO
BPFI
0.5
BSF

0.45

0.4

0.35

0.3

0.25

0.2

0.15

0.1

0.05
0 100 200 300 400 500 600 700 800 900 1000
mesures

Figure 78 — Harmoniques d’endommagement de roulement issues de la cohérence spectrale, test 2 roulement 1

IV.B.1.d. Indicateurs de régularité cyclique

Les indicateurs qualifiant la régularité cyclique sont évoqués précédemment : la

rugosité, l’ApEn et l’entropie de Shannon appliqués à chaque colonne (c’est-à-dire à chaque

William Gousseau
103

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

instant t) de la cohérence spectrale. Ces indicateurs sont globaux puisqu’ils ne distinguent

pas le type d’endommagement (bague interne ou externe ou éléments roulants). Encore
une fois, les résultats concernant le test 1 semblent inexploitables (Figure 79 à Figure 84).
Dans le test 2, la rugosité et l’entropie de Shannon ont la même tendance et semblent
exploitables pour le pronostic.

Jeu n° 1 roulement 3
Indicateur de rugosité de la cohérence spectrale
5

4.5

3.5

3
rugosité

2.5

1.5

0.5

0
0 500 1000 1500 2000 2500
mesures

Figure 79 — Indicateur de rugosité de la cohérence spectrale, test 1 roulement 3

ApEn de la cohérence spectrale

2

1.8

1.6

1.4
ApEn

1.2

0.8

0.6

0.4
0 500 1000 1500 2000 2500
mesures

Figure 80 — ApEn de la cohérence spectrale, test 1 roulement 3

William Gousseau

- 104 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

Entropie de Shannon de la cohérence spectrale

1.8

1.6

1.4

1.2

1
H

0.8

0.6

0.4

0.2

0
0 500 1000 1500 2000 2500
mesures

Figure 81 — Entropie de Shannon de la cohérence spectrale, test 1 roulement 3

Jeu n° 1 roulement 4

Les résultats concernant le roulement 4 du jeu numéro 1 sont données ci-dessous

Indicateur de rugosité de la cohérence spectrale

3.5

2.5

2
rugosité

1.5

0.5

0
0 500 1000 1500 2000 2500
mesures

Figure 82 — Indicateur de rugosité de la cohérence spectrale, test 1 roulement 4

William Gousseau
105

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

ApEn de la cohérence spectrale

2

1.8

1.6

1.4
ApEn

1.2

0.8

0 500 1000 1500 2000 2500

mesures

Figure 83 - – ApEn de la cohérence spectrale, test 1 roulement 4

Entropie de Shannon de la cohérence spectrale

1.8

1.6

1.4

1.2

1
H

0.8

0.6

0.4

0.2
0 500 1000 1500 2000 2500
mesures

Figure 84 — Entropie de Shannon de la cohérence spectrale, test 1 roulement 4

William Gousseau

- 106 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

Jeu n° 2 roulement 1

Le jeu numéro 2 qui est en quelque sorte un cas d’école donne les résultats suivants :
Indicateur de rugosité de la cohérence spectrale
1.5

1
rugosité

0.5

0
0 100 200 300 400 500 600 700 800 900 1000
mesures

Figure 85 — Indicateur de rugosité de la cohérence spectrale, test 2 roulement 1

ApEn de la cohérence spectrale

1.05

0.95

0.9

0.85
ApEn

0.8

0.75

0.7

0.65

0.6

0.55
0 100 200 300 400 500 600 700 800 900 1000
mesures

Figure 86 — ApEn de la cohérence spectrale, test 2 roulement 1

William Gousseau
107

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

Entropie de Shannon de la cohérence spectrale

1

0.9

0.8

0.7
H

0.6

0.5

0.4

0 100 200 300 400 500 600 700 800 900 1000
mesures

Figure 87 — Entropie de Shannon de la cohérence spectrale, test 2 roulement 1

IV.B.1.e. Maximum de vraisemblance

Les indicateurs de maximum de vraisemblance permettent de distinguer le type

d’endommagement. Dans le test numéro 1, l’indicateur réagit pareillement pour les trois
types d’endommagement. Il semble difficile de s’appuyer sur le test 1 pour observer la
fiabilité de cet indicateur. Pour le test 2, les indicateurs réagissent pour la bague externe
comme attendu et réagissent très faiblement pour la bague interne ce qui est logique.

Jeu n° 1 roulement 3

Indicateur de vraisemblance, bague exterieure, jeu 1 roulement 3

0.06
CSG
SG
CSGG
SGG

0.05 CSGG
CSG

0.04

0.03

0.02

0.01

0
0 500 1000 1500 2000 2500
mesures

Figure 88 — Indicateur de maximum de vraisemblance de bague extérieur ; CSG_SG : Cyclostationnaire Gaussien

vs Stationnaire Gaussien ; CSGG_SGG : Cyclostationnaire Gaussien Généralisé vs Stationnaire Gaussien Généralisé ;
CSGG_CSG : Cyclostationnaire Gaussien Généralisé

William Gousseau

- 108 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

Indicateur de vraisemblance, bague interne, jeu 1, roulement 3

0.07
CSG
SG
CSGG
SGG
0.06 CSGG
CSG

0.05

0.04

0.03

0.02

0.01

0
0 500 1000 1500 2000 2500
mesures

Figure 89 — Indicateur de maximum de vraisemblance de bague interne ; CSG_SG : Cyclostationnaire Gaussien vs

Stationnaire Gaussien ; CSGG_SGG : Cyclostationnaire Gaussien Généralisé vs Stationnaire Gaussien Généralisé ;
CSGG_CSG : Cyclostationnaire Gaussien Généralisé

Indicateur de vraisemblance, éléments roulants, jeu 1, roulement 3

0.07
CSG
SG
CSGG
SGG
0.06 CSGG
CSG

0.05

0.04

0.03

0.02

0.01

0
0 500 1000 1500 2000 2500
mesures

Figure 90 - Indicateur de maximum de vraisemblance, éléments roulants ; CSG_SG : Cyclostationnaire Gaussien vs

Stationnaire Gaussien ; CSGG_SGG : Cyclostationnaire Gaussien Généralisé vs Stationnaire Gaussien Généralisé ;
CSGG_CSG : Cyclostationnaire Gaussien Généralisé

William Gousseau
109

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

Jeu n° 1 roulement 4
Indicateur de vraisemblance, bague exterieure, jeu 1 roulement 4
0.25
CSG
SG
CSGG
SGG
CSGG
CSG
0.2

0.15

0.1

0.05

0
0 500 1000 1500 2000 2500
mesures

Figure 91 — Indicateur de maximum de vraisemblance de bague extérieur ; CSG_SG : Cyclostationnaire Gaussien

vs Stationnaire Gaussien ; CSGG_SGG : Cyclostationnaire Gaussien Généralisé vs Stationnaire Gaussien Généralisé ;
CSGG_CSG : Cyclostationnaire Gaussien Généralisé

Indicateur de vraisemblance, bague interne, jeu 1, roulement 4

0.25
CSG
SG
CSGG
SGG
CSGG
CSG
0.2

0.15

0.1

0.05

0
0 500 1000 1500 2000 2500
mesures

Figure 92 — Indicateur de maximum de vraisemblance de bague interne ; CSG_SG : Cyclostationnaire Gaussien vs

Stationnaire Gaussien ; CSGG_SGG : Cyclostationnaire Gaussien Généralisé vs Stationnaire Gaussien Généralisé ;
CSGG_CSG : Cyclostationnaire Gaussien Généralisé

William Gousseau

- 110 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

Indicateur de vraisemblance, éléments roulants, jeu 1, roulement 4

0.25
CSG
SG
CSGG
SGG
CSGG
CSG
0.2

0.15

0.1

0.05

0
0 500 1000 1500 2000 2500
mesures

Figure 93 - Indicateur de maximum de vraisemblance, éléments roulants ; CSG_SG : Cyclostationnaire Gaussien vs

Stationnaire Gaussien ; CSGG_SGG : Cyclostationnaire Gaussien Généralisé vs Stationnaire Gaussien Généralisé ;
CSGG_CSG : Cyclostationnaire Gaussien Généralisé

Jeu n° 2 roulement 1

Indicateur de vraisemblance, bague exterieure, jeu 2 roulement 1

0.35
CSG
SG
CSGG
SGG
0.3 CSGG
CSG

0.25

0.2

0.15

0.1

0.05

0
0 100 200 300 400 500 600 700 800 900 1000
mesures

Figure 94 — Indicateur de maximum de vraisemblance de bague extérieur ; CSG_SG : Cyclostationnaire Gaussien

vs Stationnaire Gaussien ; CSGG_SGG : Cyclostationnaire Gaussien Généralisé vs Stationnaire Gaussien Généralisé ;
CSGG_CSG : Cyclostationnaire Gaussien Généralisé vs Cyclostationnaire Gaussien Généralisé.

William Gousseau
111

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

Indicateur de vraisemblance, bague interne, jeu 2, roulement 1

0.18
CSG
SG

0.16 CSGG
SGG
CSGG
CSG

0.14

0.12

0.1

0.08

0.06

0.04

0.02

0
0 100 200 300 400 500 600 700 800 900 1000
mesures

Figure 95 — Indicateur de maximum de vraisemblance de bague interne ; CSG_SG : Cyclostationnaire Gaussien vs

Stationnaire Gaussien ; CSGG_SGG : Cyclostationnaire Gaussien Généralisé vs Stationnaire Gaussien Généralisé ;
CSGG_CSG : Cyclostationnaire Gaussien Généralisé

IV.B.1.f. Bilan de pertinence de chaque indicateur

Il apparait rapidement que certains indicateurs ne semblent pas appropriés dans le

cadre du pronostic, d’autres en revanche semblent pertinents pour être utilisés dans le
cadre du pronostic :

– Il semble qu’on ne puisse pas tirer de conclusion des indicateurs testés sur le jeu de
données numéro 1.
– L’ApEn ne semble pas être pertinente pour une utilisation dans le pronostic
– Le suivi des fréquences cycliques d’endommagement semble pouvoir être exploitable
pour le pronostic
– Parmi les indicateurs de régularité cyclique, la rugosité et l’entropie de Shannon
sont les plus pertinentes.
– Les indicateurs de maximum de vraisemblance sont intéressants également.
– Les indicateurs mentionnés comme pertinents ci-dessus ont tous une tendance
similaire (surtout dans le cas du test 2)

William Gousseau

- 112 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

IV.B.2. Pronostia Femto

IV.B.2.a. Suivi de fréquence

Les spectrogrammes temps-fréquences des signaux de la base de données Pronostia

étant inexploitables, le suivi de fréquence n’est ici pas proposé.

IV.B.2.b. Entropie approchée (ApEn)

Pour les roulements b1_1 et b1_7 (Figure 96 et Figure 97), la tendance de l’ApEn
est intéressante. Cependant, le cas du roulement b2_2 confirme le peu de fiabilité de cet
indicateur (Figure 98).

Roulement b1_1
Approximate Entropie (m=2)
1.4

1.3

1.2

1.1
ApEn

0.9

0.8

0.7
0 500 1000 1500 2000 2500 3000
mesures

Figure 96 — ApEn du signal temporel, roulement b1_1

William Gousseau
113

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

Roulement b1_7

Approximate Entropie (m=2)

1.4

1.3

1.2

1.1
ApEn

0.9

0.8

0.7
0 500 1000 1500 2000 2500
mesures

Figure 97 — ApEn du signal temporel, roulement b1_7

Roulement b2_2

Approximate Entropie (m=2)

1.4

1.35

1.3

1.25
ApEn

1.2

1.15

1.1

1.05

1
0 100 200 300 400 500 600 700 800
mesures

Figure 98 — ApEn du signal temporel, roulement b2_2

William Gousseau

- 114 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

IV.B.2.c. Suivi de fréquence cyclique

L’extraction des harmoniques cyclique d’endommagement ne se distingue pas les unes

des autres. Ceci est notamment lié à une résolution en fréquence cyclique (10 Hz) qui noie
beaucoup d’informations qui nécessiteraient une résolution plus fine pour être mises en
avant. On observe une certaine tendance dans toutes les harmoniques, mais sans que les
BPFO, BPFO et BSF ne se distinguent les unes des autres.

Roulement b1_1

Moyenne des 6 premières harm. d'endommagement de la cohérence, roulement b1_1

0.3
BPFO
BPFI
BSF
0.28

0.26

0.24

0.22

0.2

0.18
0 500 1000 1500 2000 2500 3000
mesures

Figure 99 — Harmoniques d’endommagement de roulement issues de la cohérence spectrale, roulement b1_1

William Gousseau
115

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

Roulement b1_7

Moyenne des 6 premières harm. d'endommagement de la cohérence, roulement b1_7

0.32
BPFO
BPFI
BSF
0.3

0.28

0.26

0.24

0.22

0.2

0.18
0 500 1000 1500 2000 2500
mesures

Figure 100 — Harmoniques d’endommagement de roulement issues de la cohérence spectrale, roulement b1_7

Roulement b2_2

Moyenne des 6 premières harm. d'endommagement de la cohérence, roulement b2_2

0.3
BPFO
BPFI
BSF
0.28

0.26

0.24

0.22

0.2

0.18
0 100 200 300 400 500 600 700 800
mesures

Figure 101 — Harmoniques d’endommagement de roulement issues de la cohérence spectrale, roulement b2_2

IV.B.2.d. Régularité cyclique

Les indicateurs de rugosité, et l’entropie de Shannon de la cohérence spectrale sont

ici tous intéressants. On observe une tendance plutôt monotone sur chacun des indicateurs
et sur les trois roulements b1_1, b1_7 et b2_2. Comme avec les données de l’IMS, l’ApEn
de la cohérence spectrale manque de pertinence et n’a pas une tendance nette (Figure 109).

William Gousseau

- 116 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

Roulement b1_1
Indicateur de rugosité, roulement b1_1
0.35

0.3

0.25

0.2

0.15

0.1

0.05

0
0 500 1000 1500 2000 2500 3000
mesures

Figure 102 — Indicateur de rugosité, roulement b1_1

ApEn de la Cohérence (m=2)

1

0.9

0.8

0.7

0.6
ApEn

0.5

0.4

0.3

0.2

0.1
0 500 1000 1500 2000 2500 3000
mesures

Figure 103 — ApEn de la cohérence spectrale, roulement b1_1

William Gousseau
117

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

Entropie de Shannon de la cohérence spectrale

2

1.8

1.6

1.4
H

1.2

0.8

0 500 1000 1500 2000 2500 3000

mesures

Figure 104 — Entropie de Shannon de la cohérence spectrale, roulement b1_1

Roulement b1_7

Indcateur de rugosité, roulement b1_7

0.35

0.3

0.25

0.2

0.15

0.1

0.05

0
0 500 1000 1500 2000 2500
mesures

Figure 105 — Indicateur de rugosité, roulement b1_7

William Gousseau

- 118 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

ApEn de la Cohérence (m=2)

1.1

0.9

0.8

0.7
ApEn

0.6

0.5

0.4

0.3

0.2

0.1
0 500 1000 1500 2000 2500
mesures

Figure 106 — ApEn de la cohérence spectrale, b1_7

Entropie de Shannon de la cohérence spectrale

2

1.8

1.6

1.4
H

1.2

0.8
0 500 1000 1500 2000 2500
mesures

Figure 107 — Entropie de Shannon de la cohérence spectrale, roulement b1_7

William Gousseau
119

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

Roulement b2_2
Indicateur de rugosité roulement b2_2
0.35

0.3

0.25

0.2

0.15

0.1

0.05

0
0 100 200 300 400 500 600 700 800
mesures

Figure 108 — Indicateur de rugosité, roulement b2_2

ApEn de la Cohérence (m=2)

0.95

0.9

0.85

0.8
ApEn

0.75

0.7

0.65

0.6

0.55
0 100 200 300 400 500 600 700 800

mesures

Figure 109 — ApEn de la cohérence spectrale, roulement b2_2

William Gousseau

- 120 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

Entropie de Shannon de la cohérence spectrale

2.4

2.2

1.8
H

1.6

1.4

1.2

1
0 100 200 300 400 500 600 700 800
mesures

Figure 110 — Entropie de Shannon de la cohérence spectrale, roulement b2_2

IV.B.2.e. Maximum de vraisemblance

Les indicateurs de maximum de vraisemblance sont ici complexes d’interprétations.

La durée d’acquisition de 0,1 s toutes les 10minutes ne favorisent pas la qualité de ces
indicateurs. On ne distingue que tardivement les endommagements. L’identification du
type d’endommagement est également complexe.

Roulement b1_1
Indicateur de vraisemblance, bague exterieure, jeu 1 roulement 1
1

0.5

0
0 500 1000 1500 2000 2500 3000

Indicateur de vraisemblance, bague interne, jeu 1, roulement 1

1
CSG
SG

CSGG
SGG 0.5
CSGG
CSG

0
0 500 1000 1500 2000 2500 3000

Indicateur de vraisemblance, éléments roulants, jeu 1, roulement 1

1

0.5

0
0 500 1000 1500 2000 2500 3000
mesures

Figure 111 — Indicateur de maximum de vraisemblance de bague extérieur, bague intérieure et éléments roulants ;
CSG_SG : Cyclostationnaire Gaussien vs Stationnaire Gaussien ; CSGG_SGG : Cyclostationnaire Gaussien
Généralisé vs Stationnaire Gaussien Généralisé ; CSGG_CSG : Cyclostationnaire Gaussien Généralisé

William Gousseau
121

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

Roulement b1_7

Indicateur de vraisemblance, bague exterieure, jeu 1 roulement 7

1

0.5

0
0 500 1000 1500 2000 2500
Indicateur de vraisemblance, bague interne, jeu 1, roulement 7
1
CSG
SG
CSGG 0.5
SGG
CSGG
CSG

0
0 500 1000 1500 2000 2500
Indicateur de vraisemblance, éléments roulants, jeu 1, roulement 7
1

0.5

0
0 500 1000 1500 2000 2500
mesures

Figure 112 — Indicateur de maximum de vraisemblance de bague extérieur, bague interne, éléments roulants ;
CSG_SG : Cyclostationnaire Gaussien vs Stationnaire Gaussien ; CSGG_SGG : Cyclostationnaire Gaussien
Généralisé vs Stationnaire Gaussien Généralisé ; CSGG_CSG : Cyclostationnaire Gaussien Généralisé

Roulement b2_2

Indicateur de vraisemblance, bague exterieure, jeu 2 roulement 2

0.3

0.2

0.1

0 100 200 300 400 500 600 700 800

Indicateur de vraisemblance, bague interne, jeu 2, roulement 2

CSG 0.2
SG
CSGG 0.1
SGG
CSGG
CSG 0

0 100 200 300 400 500 600 700 800

Indicateur de vraisemblance, éléments roulants, jeu 2, roulement 2

0.2

0.1

0 100 200 300 400 500 600 700 800

mesures

Figure 113 — Indicateur de maximum de vraisemblance de bague extérieur, bague interne, éléments roulants ;
CSG_SG : Cyclostationnaire Gaussien vs Stationnaire Gaussien ; CSGG_SGG : Cyclostationnaire Gaussien
Généralisé vs Stationnaire Gaussien Généralisé ; CSGG_CSG : Cyclostationnaire Gaussien Généralisé

IV.B.2.f. Bilan de pertinence de chaque indicateur

William Gousseau

- 122 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

Comme pour les données IMS, certains indicateurs ne semblent pas appropriés dans
le cadre du pronostic d’autres, en revanche, méritent un intérêt pour la suite :

– L’ApEn ne semble pas être pertinente pour une utilisation dans le pronostic comme
pour l’IMS
– Le suivi des fréquences cycliques d’endommagement semble pouvoir être exploitable
pour le pronostic.
– Parmi les indicateurs de régularité cyclique, la rugosité et l’entropie de Shannon
sont les plus pertinentes confirmant ce qui a été vu dans les jeux de données de
l’IMS.
– Les indicateurs de maximum de vraisemblance sont intéressants également, mais
doivent avoir un temps d’acquisition plus long pour une meilleure précision.
– Les indicateurs mentionnés comme pertinents ci-dessus ont tous une tendance
similaire pour un même roulement.

IV.B.3. Modèle phénoménologique

L’approche phénoménologique a été appliqué sur les données IMS et Pronostia. Les
résultats ainsi que leur interprétation sont présentées ici. Dans cette démarche présentée
au paragraphe IV.A.3.a, Nous avons d’abord calculé les dommages cumulés pour chaque
fréquence d’endommagement (bague interne, bague externe, et éléments roulants]).
Ensuite, tous ces dommages sont additionnés pour obtenir le dommage cumulé total. En
effet, il est fréquent que l’apparition d’un endommagement en entraine dans sa dégradation
l’apparition sur d’autre partie du roulement d’un autre endommagement. Le dommage
cumulé total représente donc l’ensemble des dommages du roulement.

IV.B.3.a. Modèle phénoménologique appliqué aux bases de données

Données IMS Cincinnati

William Gousseau
123

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

Dommages cumulés (issus de la corrélation spectrale) IMS, Test 2, roulement 1

-25
10

Dommage cumulé BE

Dommage cumulé BI

Dommage cumulé ER

-30
Dommage cumulé total
10

-35
10
log( D)

-40
10 apparition de l'endommagement

-45
10

-50
10
0 100 200 300 400 500 600 700 800 900 1000

mesures

Figure 114 - Dommages cumulés, base de données IMS, test 2 roulement 1

Dans ce cas, on distingue aisément les trois types de dommage cumulé.

L’endommagement de bague externe se détache nettement et confirme les analyses
précédentes. Dans ce cas le point d’apparition de l’endommagement s’affiche comme un
point de rupture et il est facilement identifiable.

Nous observons également que les valeurs des dommages sont très faibles. Le facteur
C n’est ici pas calculé (C=1), ce facteur est lié au matériau mais inclut aussi des facteurs
liés à la structure et au positionnement des accéléromètres.

Pronostia

Dommages cumulés (issus de la corrélation spectrale) Pronostia, roulement b1_1

-15
10

Dommage cumulé BE

Dommage cumulé BI

Dommage cumulé ER

Dommage cumulé total

-20
10

-25
10
log(D)

apparition de l'endommagement
-30
10

-35
10
0 500 1000 1500 2000 2500 3000

mesures

Figure 115 - Dommages cumulés, Pronostia, roulement b1_1

William Gousseau

- 124 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

Dommages cumulés (issus de la corrélation spectrale) Pronostia, roulement b1_7

-22
10

Dommage cumulé BE

Dommage cumulé BI
-24
10 Dommage cumulé ER

Dommage cumulé total

-26
10

-28
10

-30
10
log(D)

-32
10

-34
10

-36
10

-38
10
0 500 1000 1500 2000 2500

mesures

Figure 116 - Dommages cumulés, Pronostia, roulement b1_7

Dommages cumulés (issus de la corrélation spectrale) Pronostia, roulement b2_2

-20
10

Dommage cumulé BE

Dommage cumulé BI

Dommage cumulé ER

Dommage cumulé total

-25
10

-30
10
apparition endommagement
log (D)

-35
10

-40
10

-45
10
0 100 200 300 400 500 600 700 800

mesures

Figure 117 - Dommages cumulés, Pronostia, roulement b2_2

Les résultats issus des données de la plateforme Pronostia ne distinguent pas

nettement les endommagements de bague interne, externe ou d’éléments roulants,
contrairement au résultat de l’IMS. On est ici confronté encore une fois aux limites liées à
la résolution fréquentielle imposée par la durée d’acquisition de 0,1 s. Ceci a été expliqué
dans l’analyse de la base de données au Chapitre II.

On remarque que le moment d’apparition de l’endommagement est repérable et que

dans les cas b1_1 et b2_2, on peut distinguer différentes étapes de l’endurance. Ainsi la
Figure 118 montre les différentes étapes que l’on peut distinguer. On peut constater que
dans les cas des roulements b1_1 et b1_7 il n’y a pas de phase de rodage de
l’endommagement.

William Gousseau
125

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

William Gousseau

- 126 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

Dommages cumulés (issus de la corrélation spectrale) Pronostia, roulement b2_2

-20
10

défaillance

-25
10

-30
10

endurance
log (D)

propagation rodage de

-35 l'endommagement
10

-40
10

rodage

-45
10
0 100 200 300 400 500 600 700 800

mesures

Figure 118 — Etapes de l’endurance de roulement

Il est également important de mettre en avant que pour les trois roulements issus de
la Plateforme Pronostia la valeur de D en fin d’endurance est très différente : autour 10-17
pour b1_1, 10-23 pour b1_7 et 10-22 pour b2_2.

IV.B.3.b. Modèle phénoménologique modifié

Dans cette démarche, la formule originelle utilise la contrainte, l’effort appliqué à

l’endommagement. Ici nous partons d’une valeur de la corrélation spectrale calculée à partie
de vibration. La vibration captée par l’accéléromètre est impactée par le chemin de
propagation de la vibration : des effets de structure sont inclus dans le calcul de D. Pour
s’affranchir des effets de structure, nous avons testé deux méthodes :

– Méthode 1 : lors du calcul de la corrélation spectrale à chaque instant t, nous avons

égalisé le diagramme St (α , f ) par la moyenne. St = 0 →50 (0, f )
St (α , f ) St = 0 →50 (0, f ) Ainsi le diagramme est égalisé, et atténue les effets de
structure pouvant impacter les vibrations au cours du temps. Le calcul du dommage
cumulé suit ensuite le processus présenté précédemment.
– Méthode 2 : par une méthode de déconvolution aveugle (MED), nous avons estimé
la fonction de transfert de la structure et convolué cette dernière avec le signal
vibratoire. Nous calculons ensuite les corrélations spectrales pour chaque mesure et
procédons au calcul des dommages cumulés comme précédemment.

William Gousseau
127

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

IMS Cincinnati, méthode 1 et 2

Le résultat de la méthode 1 appliquée aux données de l’IMS Cincinnati est visible en Figure 119.

Dommages cumulés (issus de la corrélation égalisé) Test 2, roulement 1

30
10

Dommage cumulé BE

Dommage cumulé BI

Dommage cumulé ER

Dommage cumulé total

25
10

20
10
log (D)

15
10

10
10

5
10
0 100 200 300 400 500 600 700 800 900 1000

mesures

Figure 119 - Dommages cumulés, IMS test 2, roulement 1 ; méthode 1

La méthode 2, donne les résultats montrés en Figure 120. La Figure 121, montre la
fonction de transfert de la structure

Dommage cumulé (signal convolué avec la FRF de la structure) Test 2, roulement 1

-10
10

Dommage cumulé BE

Dommage cumulé BI

Dommage cumulé ER
-15
10 Dommage cumulé total

-20
10

-25
10
log(D)

-30
10

-35
10

-40
10
0 100 200 300 400 500 600 700 800 900 1000

mesures

Figure 120 Dommages cumulés, IMS test 2 roulement 1 ; méthode 2

William Gousseau

- 128 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

Fonction de transfert de la structure, IMS Cincinnati

14

12

10

-2

-4

-6
0 10 20 30 40 50 60 70 80 90 100

Figure 121 - Fonction de transfert, IMS Cincinnati. Utilisée dans la Figure 120

On remarque que le comportement de l’indicateur D est inchangé. Seul un facteur

d’échelle est appliqué. La méthode 1 a contribué à faire énormément monter la valeur de
D (jusqu’à 1030). La méthode 2, fait passer l’indicateur d’un maximum à 10-28 à 10-15.

Pronostia, méthode 1
Dommages cumulés (corrélation spectrale égalisée) Pronostia, roulement b1_1
35
10

Dommage cumulé BE

Dommage cumulé BI

Dommage cumulé ER

Dommage cumulé total

30
10

25
10
log(D)

20
10

15
10

10
10
0 500 1000 1500 2000 2500 3000

mesures

Figure 122 - Dommage cumulés, Pronostia, roulement b1_1, méthode 1

On remarque sur la Figure 122 que l’indicateur D du roulement b1_1 a un

comportement différent de la Figure 115. L’atténuation de l’effet de la structure met ici en
valeur plus d’étapes avant la défaillance.

William Gousseau
129

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

Dommages cumulés (corrélation spectrale égalisée) Pronostia, roulement b1_7

25
10

Dommage cumulé BE

Dommage cumulé BI

Dommage cumulé ER

Dommage cumulé total

20
10

X: 2168

Y: 1.775e+18
log (D)

15
10

10
10
0 500 1000 1500 2000 2500

mesures

Figure 123 - Dommages cumulés, Pronostia, roulement b1_7, méthode 1

La tendance de D (Figure 123) a ici clairement changé en comparaison de la

Figure 116. On distingue plus nettement les différentes phases de l’endurance. L’égalisation
de la corrélation spectrale présente ici un intérêt.

Dommages cumulés (corrélation spectrale égalisée) Pronostia, roulement b2_2

30
10

Dommage cumulé BE

Dommage cumulé BI

Dommage cumulé ER

Dommage cumulé total

25
10

20
10
log (D)

15
10

10
10

5
10
0 100 200 300 400 500 600 700 800

mesures

Figure 124 - Dommages cumulés, Pronostia, roulement b2_2, méthode 1

Le comportement de D (Figure 124) est le même en appliquant la méthode 1 ou

sans l’appliquer. On observe ici un facteur d’échelle, comme dans tous les autres cas
d’ailleurs.

De manière générale, la méthode 1 semble avoir un intérêt.

William Gousseau

- 130 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

Pronostia, méthode 2

Avec la méthode 2, le roulement b1_1 (Figure 125) revient à un comportement sans

traitement. Cependant, l’indicateur réagit beaucoup plus tardivement. On peut se poser la
question de la pertinence de la méthode 2 dans ce cas-là.

Dommages cumulés, Pronostia roulement b1_1

-14
10

Dommage cumulé BE

Dommage cumulé BI
-16 Dommage cumulé ER
10
Dommage cumulé total

-18
10

-20
10
log (D)

-22
10

-24
10

-26
10

-28
10
0 500 1000 1500 2000 2500 3000

mesures

Figure 125 - Dommages cumulés, Pronostia roulement b1_1, méthode 2

Pour les roulements b1_7 et b2_2 (Figure 126 et Figure 127), les résultats sont
proches de ceux obtenus avec la méthode 1. On distingue assez aisément plusieurs étapes.
Cette méthode est intéressante et mérite d’être testée sur d’autres cas encore.

Dommages cumulés, Pronostia roulement b1_7

-20
10

Dommage cumulé BE

Dommage cumulé BI

Dommage cumulé ER

Dommage cumulé total

-25
10
log (D)

-30
10

-35
10
0 500 1000 1500 2000 2500

mesures

Figure 126 - Dommages cumulés, Pronostia roulement b1_7, méthode 2

William Gousseau
131

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

Dommages cumulés, Pronostia roulement b2_2

-20
10

Dommage cumulé BE

Dommage cumulé BI
-22
10 Dommage cumulé ER

Dommage cumulé total

-24
10

-26
10

-28
10
log (D)

-30
10

-32
10

-34
10

-36
10
0 100 200 300 400 500 600 700 800

mesures

Figure 127 - Dommages cumulés, Pronostia roulement b2_2, méthode 2

IV.B.3.c. Conclusions

La méthode phénoménologique donne des résultats probants. Cette méthode mérite

d’être approfondie. Cette approche met en évidence plusieurs étapes de l’endurance qu’il
est important de pouvoir distinguer.

IV.C. Projections sur données Safran Aircraft Engines

Nous ne disposons que de très peu de données issues de moteurs en condition de banc
ou de vol. Surtout, nous n’avons pas de données dites « d’endurance ». Nous ne disposons
pas de suffisamment de données au cours du temps pour constater une évolution
d’indicateurs. Les données sont des mesures courtes (quelques minutes) jugées ponctuelles
par rapport à la durée de vie d’un roulement (plusieurs dizaines de milliers d’heures). Nous
verrons, sur quelques signaux, comment réagissent les indicateurs sélectionnés
précédemment.

Les seuls signaux issus d’une endurance dont nous disposons correspondent aux
conditions décrites précédemment [37]. Cette endurance a duré 250h et nous disposons de
signaux à 4 étapes de l’endurance : l’état sain (t0, roulement sain), le début de l’endurance
(t0+23h, roulement artificiellement endommagé sur un rouleau), 155h plus tard (t0+155h)
et la défaillance (t0+250h). Les acquisitions sont donc espacées irrégulièrement. Quatre

William Gousseau

- 132 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

acquisitions pour une endurance de 250 h, cela semble peu pour faire un suivi, une
estimation de tendance et donc un pronostic. Point particulier, les signaux ont été acquis
lors de la phase d’arrêt du moteur.

IV.C.1. Application sur signaux SAFRAN

IV.C.1.a. Détails sur les données

L’endurance de 250h a été réalisée sur un moteur complet avec un endommagement

artificiel sur un rouleau du palier 4 (Tableau 19). Le palier quatre a les deux bagues
tournantes. Ainsi la fréquence théorique d’endommagement est FBSF=11.7x (N2-N1) avec
N2 et N1 respectivement la vitesse de l’arbre haute pression et la vitesse de l’arbre basse
pression. Les différents signaux ont une durée moyenne de 1 min 30 s échantillonnés à
50 kHz. L’endurance a été réalisée sur plusieurs jours avec plusieurs démarrages et arrêts
afin d’inspecter visuellement le rouleau endommagé. Les signaux ont été acquis lors de la
phase d’arrêt moteur, c’est-à-dire entre 60 % de la vitesse maximum du rotor HP et l’arrêt
complet.

Tableau 19 — Évolution de l’endommagement au cours de l’endurance [37]

Time Roller inspection

t0+23h

t0+155h

0+255h

IV.C.1.b. Corrélation spectrale appliquée aux signaux Safran

Dans un premier temps la corrélation spectrale a été calculée pour chaque signal
préalablement rééchantillonné par la vitesse de rotation (N2-N1).

William Gousseau
133

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

A t0
Corrélation spectrale, Safran, t0
100 100

90 90

80 80

70 70

60 60
ordres (N2-N1)

50 50

40 40

30 30

20 20

10 10

0 0
50 100 150 200 250 300 0 0.2 0.4 0.6 0.8

échantillons moyenne

Figure 128 — Corrélation spectrale à t0, en phase d’arrêt moteur

A t0 (Figure 128) on observe surtout un pic à l’ordre 52 : il correspond

approximativement à la fréquence engrènement du rotor HP avec l'arbre radial
.
A t0+23h

Corrélation spectrale, Safran, t+23h

100 100

90 90

80 80

70 70

60 60
ordres (N2-N1)

50 50

40 40

30 30

20 20

10 10

0 0
50 100 150 200 250 300 0 0.2 0.4 0.6 0.8 1

échantillons moyenne

Figure 129 — Corrélation spectrale à t0+23h, en phase d’arrêt moteur

A t0+23h (Figure 129), on observe à l’ordre 11,7 (BSF) un pic correspondant à

l’endommagement ainsi que pour les harmoniques supérieures.

William Gousseau

- 134 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

A t0+155h
Corrélation spectrale, Safran, t+155h
100 100

90 90

80 80

70 70

60 60
ordres (N2-N1)

50 50

40 40

30 30

20 20

10 10

0 0
50 100 150 200 250 300 0 0.5 1 1.5

échantillons moyenne

Figure 130 — Corrélation spectrale à t0+155h, en phase d’arrêt moteur

A t0+155h, on distingue nettement l’ordre 11,7 (BSF) et des harmoniques. On

observe également des raies latérales autour des harmoniques d’endommagement
(Figure 130).

A t0+255h

Corrélation spectrale, Safran, t+255h

100 100

90 90

80 80

70 70

60 60
ordres (N2-N1)

50 50

40 40

30 30

20 20

10 10

0 0
50 100 150 200 250 300 0 0.5 1 1.5

échantillons moyenne

Figure 131 — spectrale à t0+255h, en phase d’arrêt moteur

Étonnamment, à t0+255h les harmoniques d’endommagement des éléments roulant

sont moins visibles qu’à t0+155h. On les distingue tout de même ainsi que les raies latérales

William Gousseau
135

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Exploitation des données avec les méthodes développées

(Figure 131). On peut expliquer ce résultat par le fait que l'endommagement ne soit plus
aussi impulsif que durant l'endurance car il est "étalé".

La corrélation spectrale est donc utilisable sur les signaux Safran Aircraft Engine.
C’est un résultat important pour pouvoir ensuite appliquer la méthode phénoménologique.

IV.C.1.c. Approche phénoménologique

La méthode phénoménologique vue au paragraphe IV.A.3.a a été utilisée sur les

signaux de Safran

-7
10 Dommage cumulé endurance Safran
1.6

1.4

1.2

0.8
log (D)

0.6

0.4

0.2

0
0 23 155 255

temps (heures)

Figure 132 - Dommage cumulé total de l’endurance Safran à partir des signaux acquis en phase arrêt moteur

Tout d’abord, on remarque que l’écart entre les acquisitions est préjudiciable à un
suivi pertinent de cet indicateur. La pertinence de cet indicateur est ici limitée puisqu’on
ne comptabilise que 6 min de dommage cumulé sur 255 h d’endurance : c’est-à-dire
0,04 % de l’endurance.

IV.C.2. Comment rendre applicable au domaine aéronautique

IV.C.2.a. La nécessité d’avoir des essais de fatigue en condition opérationnelle

On a pu l’observer précédemment, il est nécessaire d’avoir une acquisition régulière

et continue. Les signaux acquis doivent couvrir un maximum la durée de fonctionnement
du moteur.

William Gousseau

- 136 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 CHAPITRE IV

Les différentes analyses proposées dans ces travaux ont été réalisées avec des
roulements de qualité standard. Les roulements aéronautiques conçus chez Safran Aircraft
Engines ont une durée de vie théorique infinie. Dans le cadre du modèle phénoménologique
proposé, la constante « C » est propre au matériau, et même aux conditions opérationnelles.
Il est donc nécessaire de réaliser des essais d’endurance avec les roulements Safran pour
pouvoir calculer une première valeur de C, quitte à l’affiner par plusieurs essais.

Pour pouvoir tester les autres indicateurs (maximum de vraisemblance, rugosité et

régularité cyclique) une acquisition continue (ou régulière comme dans les endurances des
bases de données vue au Chapitre II) est également nécessaire. Cela signifierait que pour
faire du pronostic Safran Aircraft Engines devrait modifier son protocole d'acquisition de
signaux vibratoire afin que celui-ci soit régulier et plus représentatif de la durée de
fonctionnement du moteur. Dans un premier temps, il serait intéressant d’ajuster un modèle
réaliser à partir d’un banc partiel à partir d’un essai moteur complet.

IV.C.3. Conclusions

Dans ce chapitre, nous avons présenté différents indicateurs issus de technique de

traitement du signal particulièrement à partir de la corrélation et la cohérence spectrale :
la régularité cyclique, la rugosité cyclique, le ratio de maximum de vraisemblance et le
modèle phénoménologique. Tous ces indicateurs ont été testés sur les bases de données
présentées précédemment. Plusieurs de ces indicateurs ont donné satisfaction : la régularité
cyclique, l’indicateur de maximum de vraisemblance, le modèle phénoménologique.
L’indicateur issu du modèle phénoménologique est le plus intéressant puisqu’il s’appuie sur
une logique physique. Nous l’avons testé sur les signaux issus des bases de données puis
sur des données provenant d’une endurance d’un moteur Safran.

William Gousseau
137

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Conclusion générale

CONCLUSION GÉNÉRALE

L'ensemble des travaux présente plusieurs méthodes et indicateurs pour passer d'une
maintenance préventive vers une maintenance prédictive pour les roulements de moteurs
d'avion uniquement basée sur l'étude des vibrations. C'est un enjeu majeur dans le contexte
aéronautique tant les roulements sont des composants essentiels au bon fonctionnement de
ce même moteur. L'ensemble des travaux s'intéresse ici à l'évolution de la signature
vibratoire d'un endommagement une fois que celui-ci a été détecté et qu'il se propage. Il
est apparu que l'évolution des signatures vibratoires est complexe : il est difficile de faire
un lien direct entre les vibrations et la physique d'endommagement ou de propagation. Les
travaux ont cherché à mettre en avant plusieurs indicateurs s'appuyant sur différentes
techniques de traitement du signal avancées dont l’évolution au cours du temps (et de la
propagation de l'endommagement) semble pertinente à suivre et à interpréter.

Dans le premier chapitre nous avons rappelé les différentes techniques de traitement
du signal utilisées dans la surveillance vibratoire de machines tournantes et
particulièrement des roulements. De même nous avons présenté les méthodes utilisées chez
Safran Aircraft Engines et la particularité du contexte aéronautique pour la surveillance
des roulements. Ainsi, la plupart des méthodes communément utilisées en surveillance
vibratoires se trouvent être inutilisables dans ce contexte. Un tour d'horizon de méthodes
de pronostic est également proposé afin d'évaluer quelle approche serait la plus judicieuse
dans le cadre proposé par Safran Aircraft Engines.

Dans le Chapitre II, un tour d'horizon des nombreuses bases de données vibratoires
de roulement est proposé. Deux bases, les plus pertinentes pour le pronostic, sont retenues
et étudiées en profondeur avec différentes techniques de traitement du signal avancées.

Le troisième chapitre présente la démarche de conception d'un banc d’essai

d’endurance de roulement. En effet les bases de données étudiées au Chapitre II présentent
des limites (en vitesse, chargement, acquisition etc.) et il nous est apparu important de
combler à travers notre banc d'essai. Bien que ce banc n'ait pu être opérationnel durant la
thèse, sa conception a fait partie prenante de celle-ci. De plus, les données qui en sortiront

William Gousseau

- 138 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 à l'avenir seront exploitées par Safran Aircraft Engines à partir des propositions faites dans
nos travaux.

Le derniers chapitre présente nos indicateurs issus de techniques de traitement du

signal avancées mais également une méthode phénoménologique à partir des lois de Miner
et Paris et de la corrélation spectrale. Ces indicateurs novateurs ont été testés sur les bases
de données présentées en Chapitre II afin d'avoir des premières estimations de leur
comportement. En toute fin sur un cas original d'endurance d'un moteur Safran Aircraft
Engines nous avons testé la méthode phénoménologique.

Les résultats obtenus dans ces travaux sont encourageants et méritent de pouvoir
être validés dans un premier temps sur les signaux issus du banc dès que celui-ci sera
opérationnel. Il apparait également qu'il sera nécessaire de passer par des endurances de
roulement aéronautique dans des conditions opérationnelles (ou le plus proche possible de
celle-ci) afin d'étalonner et calibrer les méthodes proposées.

William Gousseau
139

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
BIBLIOGRAPHIE

[1] M. Abdel-Sayed, D. Duclos, G. Faÿ, J. Lacaille, and M. Mougeot, “Anomaly detection on

spectrograms using data- driven and fixed dictionary representations,” in ESANN, 2016, pp. 3–
8.
[2] M. Abdel-Sayed, D. Duclos, G. Faÿ, J. Lacaille, and M. Mougeot, “Dictionary comparison for
anomaly detection on aircraft engine spectrograms,” in Lecture Notes in Computer Science
(including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics),
2016, vol. 9729, pp. 362–376.
[3] M. S. Darlow and R. H. Badgley, “Early Detection of Defects in Rolling-Element Bearings.” SAE
International , 1975.
[4] P. D. McFadden and J. D. Smith, “Model for the vibration produced by a single point defect in a
rolling element bearing,” J. Sound Vib., vol. 96, no. 1, pp. 69–82, 1984.
[5] P. D. McFadden and J. D. Smith, “The vibration produced by multiple point defects in a rolling
element bearing,” J. Sound Vib., vol. 98, no. 2, pp. 263–273, 1985.
[6] R. B. Randall and J. Antoni, “Rolling element bearing diagnostics—A tutorial,” Mech. Syst. Signal
Process., vol. 25, no. 2, pp. 485–520, Feb. 2011.
[7] SKF North West Branch, “Bearing failures and their causes.”
[8] D. HO and R. B. RANDALL, “OPTIMISATION OF BEARING DIAGNOSTIC TECHNIQUES USING
SIMULATED AND ACTUAL BEARING FAULT SIGNALS,” Mech. Syst. Signal Process., vol. 14, no. 5,
pp. 763–788, 2000.
[9] P. D. McFadden and M. M. Toozhy, “Application of synchronous averaging to vibration
monitoring of rolling element bearings,” Mech. Syst. Signal Process., vol. 14, no. 6, pp. 891–906,
2000.
[10] J. Antoni, “Cyclostationarity by examples,” Mech. Syst. Signal Process., vol. 23, no. 4, pp. 987–
1036, 2009.
[11] J. Antoni, “Apports de la cyclostationnarité à l’analyse des signaux mécaniques,” Mécanique
Ind., vol. 11, no. 1, pp. 57–68, 2010.
[12] H. Endo and R. B. Randall, “Enhancement of autoregressive model based gear tooth fault
detection technique by the use of minimum entropy deconvolution filter,” Mech. Syst. Signal
Process., vol. 21, no. 2, pp. 906–919, 2007.
[13] N. Tandon and B. C. Nakra, “Comparison of vibration and acoustic measurement techniques for
the condition monitoring of rolling element bearings,” Tribol. Int., vol. 25, no. 3, pp. 205–212,
1992.
[14] N. Tandon and B. C. Nakra, “Detection of defects in rolling element bearings by vibration
monitoring,” Indian J. Mech. Eng. Div., vol. 73, pp. 271–282, 1993.
[15] T. Miyachi and K. Seki, “An Investigation of the Early Detection of Defects in Ball Bearings Using
Vibration Monitoring, Practical Limit of Detectability and Growth Speed of Defects,” in

William Gousseau

- 140 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 Proceedings of the International Conference of Rotordynamics, 1986, pp. 403–408.
[16] W. Wang, “A model to predict the residual life of rolling element bearings given monitored
condition information to date,” IMA J. Manag. Math., vol. 13, no. 1, pp. 3–16, 2002.
[17] D. Dyer and R. M. Stewart, “Detection of rolling element bearing damage by statistical vibration
analysis,” J. Mech. Des., vol. 100, no. 2, pp. 229–235, 1978.
[18] R. B. W. Heng and M. J. M. Nor, “Statistical analysis of sound and vibration signals for monitoring
rolling element bearing condition,” Appl. Acoust., vol. 53, no. 1–3, pp. 211–226, 1998.
[19] J. Antoni and R. B. Randall, “The spectral kurtosis: application to the vibratory surveillance and
diagnostics of rotating machines,” Mech. Syst. Signal Process., vol. 20, no. 2, pp. 308–331, Feb.
2006.
[20] J. Antoni, “The spectral kurtosis: A useful tool for characterising non-stationary signals,” Mech.
Syst. Signal Process., vol. 20, no. 2, pp. 282–307, 2006.
[21] S. Sassi, B. Badri, and M. Thomas, “TALAF and THIKAT as innovative time domain indicators for
tracking BALL bearings,” Proc. 14th Semin. Mach. Vib., vol. 2, no. 1, pp. 24–27, 2006.
[22] N. Tandon and a Choudhury, “A review of vibration and acoustic measurement methods for
the detection of defects in rolling element bearings,” Tribol. Int., vol. 32, no. 8, pp. 469–480,
1999.
[23] D. H. Johnson, “The application of spectral estimation methods to bearing estimation
problems,” Proc. IEEE, vol. 70, no. 9, pp. 1018–1028, 1982.
[24] J. I. Taylor, “Identification of bearing defects by spectral analysis,” J. Mech. Des., vol. 102, no. 2,
pp. 199–204, 1980.
[25] J. W. Cooley and J. W. Tukey, “An algorithm for the machine calculation of complex Fourier
series,” Math. Comput., vol. 19, no. 90, pp. 297–301, 1965.
[26] P. Borghesani, R. Ricci, S. Chatterton, and P. Pennacchi, “A new procedure for using envelope
analysis for rolling element bearing diagnostics in variable operating conditions,” Mech. Syst.
Signal Process., vol. 38, no. 1, pp. 23–35, 2013.
[27] P. W. Tse, Y. H. Peng, and R. Yam, “Wavelet Analysis and Envelope Detection For Rolling Element
Bearing Fault Diagnosis—Their Effectiveness and Flexibilities,” J. Vib. Acoust., vol. 123, no. 3, p.
303, 2001.
[28] W. Wang, N. Sawalhi, and A. Becker, “Size Estimation for Naturally Occurring Bearing Faults
Using Synchronous Averaging of Vibration Signals,” J. Vib. Acoust., vol. 138, no. 5, p. 51015,
2016.
[29] F. Bonnardot, R. B. Randall, and J. Antoni, “Enhanced unsupervised noise cancellation using
angular resampling for planetary bearing fault diagnosis,” Int. J. Acoust. Vib., vol. 9, no. 2, pp.
51–60, 2004.
[30] G. Dong and J. Chen, “Noise resistant time frequency analysis and application in fault diagnosis
of rolling element bearings,” Mech. Syst. Signal Process., vol. 33, pp. 212–236, 2012.
[31] B. Yazici and G. B. Kliman, “An adaptive statistical time-frequency method for detection of
broken bars and bearing faults in motors using stator current,” IEEE Trans. Ind. Appl., vol. 35,
no. 2, pp. 442–452, 1999.
[32] J. Antoni and M. Sidahmed, “Contrôle et diagnostic à partir des signaux acoustiques et
vibratoires,” Acoust. Tech., vol. 38, pp. 9–15, 2004.
[33] R. B. Randall and N. Sawalhi, “A new method for separating discrete components from a signal,”
Sound Vib., vol. 45, no. 5, p. 6, 2011.
[34] J. Antoni, “Cyclostationarity by examples,” Mech. Syst. Signal Process., vol. 23, no. 4, pp. 987–
1036, May 2009.
[35] J. Antoni, “Cyclic spectral analysis in practice,” Mech. Syst. Signal Process., vol. 21, no. 2, pp.
597–630, Feb. 2007.
[36] J. Antoni, G. Xin, and N. Hamzaoui, “Fast computation of the spectral correlation,” Mech. Syst.
Signal Process., vol. 92, pp. 248–277, 2017.
[37] W. Gousseau and J. Griffaton, “Vibration signature evolution of an aircraft engine rotating at

William Gousseau
141

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 low speed with a damaged bearing,” in Surveillance 8, International Conference, 2015, pp. 1–6.
[38] C. P. Griffaton, F. Application, and P. Data, “Method for detecting damage in at least one engine
roller bearing,” US 2012/0272736 A1, 2013.
[39] ISO 13381-1;, “Condition monitoring and diagnostics of machines prognostics Part1 : General
guidelines,” 2004.
[40] J. K. Kimotho, C. Sondermann-Woelke, T. Meyer, and W. Sextro, “Machinery prognostic method
based on multi-class support vector machines and hybrid differential evolution - Particle swarm
optimization,” Chem. Eng. Trans., vol. 33, pp. 619–624, 2013.
[41] P. Cocheteux and P. C. Contribution, “Contribution ` a la maintenance proactive par la
formalisation du processus de pronostic des performances de syst ` emes industriels To cite this
version : Thèse Docte eur de l ’ Univers sité Hen ri Poinc caré , Na ncy I en Automatiq,” 2010.
[42] Y. Lei, N. Li, L. Guo, N. Li, T. Yan, and J. Lin, “Machinery health prognostics: A systematic review
from data acquisition to RUL prediction,” Mechanical Systems and Signal Processing, vol. 104.
pp. 799–834, 2018.
[43] G. J. Vachtsevanos, F. Lewis, A. Hess, and B. Wu, Intelligent fault diagnosis and prognosis for
engineering systems. Wiley Online Library, 2006.
[44] X. S. Si, W. Wang, C. H. Hu, and D. H. Zhou, “Remaining useful life estimation - A review on the
statistical data driven approaches,” Eur. J. Oper. Res., vol. 213, no. 1, pp. 1–14, 2011.
[45] Z. S. Yea and M. Xie, “Stochastic modelling and analysis of degradation for highly reliable
products,” Appl. Stoch. Model. Bus. Ind., vol. 31, no. 1, pp. 16–32, 2015.
[46] J. Z. Sikorska, M. Hodkiewicz, and L. Ma, “Prognostic modelling options for remaining useful life
estimation by industry,” Mech. Syst. Signal Process., vol. 25, no. 5, pp. 1803–1836, 2011.
[47] Y. Qian, R. Yan, and S. Hu, “Bearing degradation evaluation using recurrence quantification
analysis and Kalman filter,” IEEE Trans. Instrum. Meas., vol. 63, no. 11, pp. 2599–2610, 2014.
[48] K. a. Doksum and a. Hoyland, “Models for Variable-Stress Accelerated Life Testing Experiments
Based on Wiener Processes and the Inverse Gaussian Distribution,” Theory Probab. Its Appl.,
vol. 37, no. 1, pp. 137–139, 1993.
[49] C. Park and W. J. Padgett, “Stochastic degradation models with several accelerating variables,”
IEEE Trans. Reliab., vol. 55, no. 2, pp. 379–390, 2006.
[50] C. Park and W. J. Padgett, “Accelerated degradation models for failure based on geometric
Brownian motion and gamma processes,” Lifetime Data Anal., vol. 11, no. 4, pp. 511–527, 2005.
[51] J. M. van Noortwijk, “A survey of the application of gamma processes in maintenance,” Reliab.
Eng. Syst. Saf., vol. 94, no. 1, pp. 2–21, 2009.
[52] X. Wang and D. Xu, “An Inverse Gaussian Process Model for Degradation Data,” Technometrics,
vol. 52, no. 2, pp. 188–197, 2010.
[53] Z. Ye, L. Chen, L. C. Tang, and M. Xie, “Accelerated Degradation Test Planning Using the Inverse
Gaussian Process,” IEEE Trans. Reliab., vol. 63, no. 3, pp. 750–763, 2014.
[54] Z. Ye and N. Chen, “The inverse Gaussian process as a degradation model,” Technometrics, vol.
56, no. August, pp. 1–28, 2013.
[55] J. Kharoufeh, “Explicit results for wear processes in a Markovian environment,” Oper. Res. Lett.,
vol. 31, no. 3, pp. 237–244, 2003.
[56] N. Z. Gebraeel and M. A. Lawley, “A neural network degradation model for computing and
updating residual life distributions,” IEEE Trans. Autom. Sci. Eng., vol. 5, no. 1, pp. 154–163,
2008.
[57] Z. Tian, L. Wong, and N. Safaei, “A neural network approach for remaining useful life prediction
utilizing both failure and suspension histories,” Mech. Syst. Signal Process., vol. 24, no. 5, pp.
1542–1555, 2010.
[58] S. Dong and T. Luo, “Bearing degradation process prediction based on the PCA and optimized
LS-SVM model,” Meas. J. Int. Meas. Confed., vol. 46, no. 9, pp. 3143–3152, 2013.
[59] G. Niu and B. S. Yang, “Intelligent condition monitoring and prognostics system based on data-

William Gousseau

- 142 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 fusion strategy,” Expert Syst. Appl., vol. 37, no. 12, pp. 8831–8840, 2010.
[60] S. Marble and B. P. B. P. Morton, “Predicting the Remaining Life of Propulsion System Bearings,”
2006 IEEE Aerosp. Conf., pp. 1–8, 2006.
[61] M. N. Kotzalas and T. A. Harris, “Fatigue Failure Progression in Ball Bearings,” J. Tribol., vol. 123,
no. 2, pp. 238–242, 2001.
[62] R. Gouriveau, “Contribution à l’optimisation des processus de prediction et de classification
pour le Prognostics and Health Management,” 2016.
[63] L. Guo, N. Li, F. Jia, Y. Lei, and J. Lin, “A recurrent neural network based health indicator for
remaining useful life prediction of bearings,” Neurocomputing, vol. 240, pp. 98–109, 2017.
[64] A. K. Mahamad, S. Saon, and T. Hiyama, “Predicting remaining useful life of rotating machinery
based artificial neural network,” in Computers and Mathematics with Applications, 2010, vol.
60, no. 4, pp. 1078–1087.
[65] D. D. Doan, “Prognosis of Bearing Failures Using Hidden Markov Models and the Adaptive
Neuro-Fuzzy Inference System Prognosis of Bearing Failures using Hidden Markov Models and
the Adaptive Neuro-Fuzzy Inference System,” no. January, 2013.
[66] Y. Peng and M. Dong, “A prognosis method using age-dependent hidden semi-Markov model
for equipment health prediction,” Mech. Syst. Signal Process., vol. 25, no. 1, pp. 237–252, 2011.
[67] W. Wang, N. Sawalhi, and A. Becker, “Estimating Bearing Fault Size using Vibration Analysis,”
no. August, 2014.
[68] N. Sawalhi and T. Pham, “Quantifying Bearing Fault Severity Using Time,” no. July, pp. 12–16,
2015.
[69] N. Sawalhi and R. B. Randall, “Simulation of the vibration generated by entry and exit to / from
a spall in a rolling element bearing,” Int. Congr. Acoust. ICA 2010, no. August, pp. 1–7, 2010.
[70] G. Kogan, J. Bortman, and R. Klein, “Estimation of the spall size in a rolling element bearing,”
Insight Non-Destructive Test. Cond. Monit., vol. 57, no. 8, pp. 448–451, 2015.
[71] G. Prakash, S. Narasimhan, and M. D. Pandey, “A Probabilistic Approach to Remaining useful
Life Prediction of Rolling Element Bearings,” pp. 1–30, 2017.
[72] “Case Western Reserve University Bearing Data Center Website.” [Online]. Available:
[Link]
[73] W. A. Smith and R. B. Randall, “Rolling element bearing diagnostics using the Case Western
Reserve University data: A benchmark study,” Mech. Syst. Signal Process., vol. 64–65, pp. 100–
131, 2015.
[74] E. Bechhoefer, B. Van Hecke, and D. He, “Processing for Improved Spectral Analysis,” Annu.
Conf. Progn. Heal. Manag. Soc., pp. 1–6, 2013.
[75] C. Lessmeier, J. K. Kimotho, D. Zimmer, and W. Sextro, “Condition Monitoring of Bearing
Damage in Electromechanical Drive Systems by Using Motor Current Signals of Electric Motors:
A Benchmark Data Set for Data-Driven classification,” Eur. Conf. Progn. Heal. Manag. Soc. 2016,
no. July, p. 17, 2016.
[76] H. Qiu, J. Lee, J. Lin, and G. Yu, “Wavelet filter-based weak signature detection method and its
application on rolling element bearing prognostics,” J. Sound Vib., vol. 289, no. 4–5, pp. 1066–
1090, 2006.
[77] P. Nectoux, R. Gouriveau, K. Medjaher, E. Ramasso, B. Chebel-Morello, N. Zerhouni, and C.
Varnier, “PRONOSTIA : An experimental platform for bearings accelerated degradation tests.,”
IEEE Int. Conf. Progn. Heal. Manag. PHM’12, pp. 1–8, 2012.
[78] W. Gousseau, J. Antoni, F. Girardin, and J. Griffaton, “Analysis of the Rolling Element Bearing
data set of the Center for Intelligent Maintenance Systems of the University of Cincinnati,” C.
Mfpt, 2016.
[79] A. Soualhi, H. Razik, G. Clerc, and D. D. Doan, “Prognosis of bearing failures using hidden Markov
models and the adaptive neuro-fuzzy inference system,” IEEE Trans. Ind. Electron., vol. 61, no.
6, pp. 2864–2874, 2014.
[80] J. Ben Ali, B. Chebel-Morello, L. Saidi, S. Malinowski, and F. Fnaiech, “Accurate bearing

William Gousseau
143

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 remaining useful life prediction based on Weibull distribution and artificial neural network,”
Mech. Syst. Signal Process., vol. 56–57, pp. 150–172, 2015.
[81] J. Ben Ali and B. Chebel-morello, “A new enhanced feature extraction strategy for bearing
Remaining Useful Life estimation Remaining Useful Life Estimation,” no. April, 2015.
[82] L. Guo, H. Gao, J. Li, H. Huang, and X. Zhang, “Machinery vibration signal denoising based on
learned dictionary and sparse representation,” vol. 12124.
[83] M. Mortada, S. Yacout, and A. Lakis, “Diagnosis of rotor bearings using logical analysis of data
Diagnosis of rotor bearings using logical analysis of data,” no. April 2016, 2011.
[84] “IMS bearings dataset,” 2014. [Online]. Available:
[Link]
[85] “Readme document for IMS Bearing Data,” 2014.
[86] F. Camci, K. Medjaher, N. Zerhouni, and P. Nectoux, “Feature evaluation for effective bearing
prognostics,” Qual. Reliab. Eng. Int., vol. 29, no. 4, pp. 477–486, 2013.
[87] F. Sun, J. Liu, X. Li, and H. Liao, “Reliability Analysis with Multiple Dependent Features from a
Vibration-Based Accelerated Degradation Test,” Shock Vib., vol. 2016, no. Cv, 2016.
[88] N. Li, Y. Lei, J. Lin, and S. X. Ding, “An improved exponential model for predicting remaining
useful life of rolling element bearings,” IEEE Trans. Ind. Electron., vol. 62, no. 12, pp. 7762–7773,
2015.
[89] B. Chouri, F. Monteiro, M. Tabaa, A. Dandache, G. KOMARASAMY, A. WAHI, S. LEELA, S. S. DASH,
C. EDGAR, and J. RUIZ, “Residual useful life estimation based on stable distribution feature
extraction and SVM classifier,” J. Theor. Appl. Inf. Technol., vol. 55, no. 3, pp. 299–306, 2013.
[90] J.-L. Fanchon, Guide des sciences et technologies industrielles. Nathan, 2013.
[91] R. Yan and R. X. Gao, “Approximate Entropy as a diagnostic tool for machine health monitoring,”
Mech. Syst. Signal Process., vol. 21, no. 2, pp. 824–839, 2007.

William Gousseau

- 144 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
ANNEXE A
KITS MESURE ET ACQUISITION (NOTE INTERNE
SAFRAN AIRCRAFT ENGINES)

DATE 15/04/2015

ÉMETTEUR / FROM D E S T I N AT AI R E / T O
XXX
WILLIAM GOUSSEAU

REFERENCE COPIES
Cahier des charges banc fatigue roulement pour X X X
pronostic vibratoire
OBJET / SUBJECT: KITS MESURE ET ACQUISITION

Context:

Dans le cadre de la thèse de W. Gousseau, il est prévu de concevoir un banc de fatigue de roulements
pour travailler sur le pronostic vibratoire. En interne à Snecma des campagnes d’essais roulements
sont prévues et pourrait permettre d’apporter une base de données significative en y ajoutant de
l’instrumentation adéquate. Cette note récapitule les besoins spécifiques dans le cadre de la
constitution d’une base de données pour le développement d’un algorithme de pronostic
d’endommagement de roulements de moteurs d’avions. Des ordres de grandeurs sur les conditions
d’essais souhaitées (vitesse de rotation, chargement du roulement) et sur les mesures (fréquence
d’acquisition, types de mesures) sont présentés afin d’adapter le programme d’essai du au programme
d’essai pour le pronostic.

Measurement kit:

- 145 -

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 • Main mesaurement kit:
o Accelerometers (in G) sampled at 50 kHz with a bandwith auround
20kHz, closed and far but in contact (ex : on frame deported
representative of real situation where sensor is not closed to bearing)
 At least bandwith must be 11hHz (cf annexe A-A)
o Tachometers for speed ( 50kHz, at least 10 points per tooth passage at
high speed) or calculated speed with a precision of 0.1%
o Oil Temperature and frame temperature
o Periodic (for instance, every 20 hours) visual inspections of bearings
o Data acquisition using :
 At least 3s of continuous acquisition (cf Annexe A-B)
 Adviced acquisition: 10 s every minute for steady-states phases
or continuous measurement during transient phases (Annexe A-
C)
 a running buffer for continuous recording on a difinite memory
space while securising the acquisition system.
• Warning: buffer must be stopped in case of event in
order to allow analysis of the measure before and
during event.

o Vibration data shall be acquired at a constant sampling rate in a binary

format ; the specification of the binary format shall be shared with Snecma who
will check data readability

• Added measurement kit :

o Oil flow
o Particles in the oil : particles counter or particles analysis caught by filter
or by a magnetic probe in the oil
o Microphone.
o Capacitance measurement of the oil film..

Test conditions kit:

• Dozen of bearing to test.

• Rotating speed : between 10 000 and 20 000 rpm
• Test duration estimated for one test (duration between first rotation and
impending failure of a bearing, functionnement time): between 10 and 100h
• Applied radial and static load : minimum 10 000 N.
• Transient rotating speed corresponding to flight operating modes (acceleration
phases, deceleration, steady-states…)
• Bearing configuration respecting appropriate scale factors.
• Inertia wheel in order to reproduce stabilised conditions of engine rotating speed

William Gousseau

- 146 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 ANNEXE A-A

Standart aircraft bearing dimension given by IHETR: D=150mm, Z= 30, d=12

D= pitch diameter
Z= number of rolling elements
d= diameter of rolling element

For a varying speed N, with a fixed outer race of bearing and in order to have a relevant vibration
analysis we calculate the ball passing frequeny which is the frequency of a rolling element passing on a damage
on the inner race or outer race of the bearing
:

Z Z×d
BPF = N × � ± �
2 2×D
In our case it gives:
BPF = N × (15 ± 1,2)

and the ball spin frequency which is the frequency of a damage on a rotating element passing on either the inner
or the outer race

D d 2
BSF = N. × �1- � � �
2d D

BSF = 6,21 × N

It is important to notice that the BSF is the frequency of damage apparition on one
race (inner or outer). In reality, it’s impossible to distinguish whether it shocks the
outer or the inner race. So the recognazible frequency of BSF is the double :

BSF = 12,42 × N

For our analysis we need to see at least the 2 first harmonics. Meaning that accerelometers
must have a bandwidth of twice the highest characteristic frequency (BPFI in our case : 16,2N).
So ∆f= 32,4.N.

- 147 -

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
Maximum speed is 20 000 rpm so ∆f (Hz) is ∆f= 2x 5.4 kHz

Hence, a 10,8 kHz bandwith will show the 2nd firsts harmonics.

ANNEXE A-B

We need a 1Hz frequency resolution for spectrogram in the frequency domain meaning we need at
least a 1s acquisition snapshot. These snapshot are used for the steady states phases. For transient
operating mode, a continuous acquisition is required.

We also have to pay attention to the order tracking resolution. We usually take an order resolution of
0,03order.
The resolution order (resolo) is calculated as follow:
1 1
resolo~ =
Nrev ∆t × N

N is the rotating speed in Hertz

Nrev is the number of revolutions in the snapshot
1
∆t = hence the lowest it runs the highest the time acquisition must be
N × 0,03

Considering 1000 rpm (16,7 Hz) as the lowest rotating speed. It gives: ∆t~2s

Finally including the consideration of this order resolution we need to have 3s of acquisition. This
duration permit to calculate a spectrum with a relevant resolution. Moreover, we also could make
several spectra which could permit us to make an average spectrum.

ANNEXE A-C
In order to have relevant and continuous acquisition, it is better to acquire 10s of signal every minute.
This duration permit to calculate quality spectrum. Moreover, we also could make several spectrum
which could permit us to make average spectrum.

60s

10s 10s

The figure below shows the most interesting operating mode for the vibration analysis of bearing. The
red arrows show relevant moments for bearing diagnosis.

William Gousseau

- 148 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 Snapshot acquisition

continuous acquisition continuous acquisition

- 149 -

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
ANNEXE B
LES ROULEMENTS

Figure B-1 : Roulement fatigué 6205-2Z

William Gousseau

- 150 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 Roulement 2207-K-TVH-C3 H307

Figure B-2 : Roulement support 2207-K-TVH-C3 H307

- 151 -

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
ANNEXE C
LE MOTEUR

C-A : Dimensionnement du moteur

Les efforts au niveau de chaque roulement pour un effort d’1t sur le roulement fatigué
sont donnés dans la figure ci-dessous

Figure C-1 : Effort au niveau des roulements supports

Pour connaitre le couple nécessaire pour faire tourner le banc, il faut calculer le couple
d’arrachement et au démarrage qu’impose les roulements. Il est possible d’utiliser une formule
donnée par SKF pour calculer une valeur approchée, mais il existe également des calculs plus
précis. Les calculs sont donnés par le code Matlab ci-dessous :

William Gousseau

- 152 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
%CALCUL MOMENT ROULEMENT
%
% FORMULES BASEES SUR DONNEES SKF

d1=30;%diamètre intérieur roulement

d2=72;%diamètre ext.
n=10000; %rpm
v= 100; %mm²/s
d=(d1+d2)/2;% diamètre moyen
D=d1+d2; %mm
D2=d2-d1;
Fa=0;%charge axiale
Fr= 5000; % charge radiale en Newton

%%
%Moment du frottement estimation générale
P=Fr;
nu=0.0011;% d'après tableau skf

Mfe=0.5*nu*P*d

%%
% Moment de frottement par roulement

R1=2.13e-6;%SKF
S1=0.16;%SKF
S2=0.0015;%SKF

Grr= R1*d^(2.41) * Fr^0.31;

Phi_ish=1+1.84e-9*(n*d)^(1.28)*v^(0.64);
Phi_ish=1/Phi_ish;

Kr= 6e-8;%skf
Kz=5.1;%skf

Phi_rs= 1/exp(Kr*v*n*D*sqrt(Kz/(2*D2)));

Mfr=Phi_ish*Phi_rs* Grr*(v*n)^0.6

%%
% Moment de frottement par glissement

nu_bl= 0.15; % ref SKF

nu_ehl= 0.02; %ref SKF
Phi_bl=1/(exp(2.6*10^-8*(n*v)^(1.4)*d));

nu_sl=Phi_bl*nu_bl +(1-Phi_bl)*nu_ehl;

Gsl=S1*d^(0.9) * Fa + S2*d*Fr;

Mfg=Gsl*nu_sl

%% moment démarrage

- 153 -

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
M=Mfg+Mfr

Les calculs obtenus donnent un couple nécessaire au démarrage pour le roulement support
1, Md1=0. 28N.m, pour le roulement support 2 Md2=0.32 N.m. et pour le roulement fatigué :
0.17N.m. La somme de ces moments est Md=0.52 N.m. Ce couple total est le cas le plus extrême
puisque c’est avec l’effort d’1t au démarrage. Dans la pratique, le chargement est appliqué une
fois la rotation initiée.

C-B : Le moteur choisis

Les caractéristiques du moteur choisi sont données ci-dessous. Les points majeurs
d’attention sont la vitesse de rotation et le couple. Dans les deux cas nous respectons le cahier
des charges

Figure C-2 : Caractéristique du moteur ISEL ISA3600

William Gousseau

- 154 -
Cette thèse est accessible à l'adresse : [Link]
© [W. Gousseau], [2018], INSA Lyon, tous droits réservés
 155

Cette thèse est accessible à l'adresse : [Link]

© [W. Gousseau], [2018], INSA Lyon, tous droits réservés