CHAPITRE 5 – É LECTRONIQUE NUMÉRIQUE

L’échantillonnage consiste à prélever les valeurs du signal s(t) étudié à des instants
régulièrement espacés, de la forme tk = kTe où k ∈ [[0, N − 1]], N étant le nombre de
points d’acquisition.

Électronique
On obtient le signal échantillonné : sE = [s0 , s1 , ..., sN−1 ] où sk = s(tk ). Ceci est illustré sur

5
1
la figure 5.1. Te est la période d’échantillonnage. On définit alors fe = comme étant la
Te
fréquence d’échantillonnage.
numérique Il est intuitif que le signal échantillonné n’est une représentation fidèle du signal analogique
que si Te est suffisamment petite, c’est-à-dire si fe est suffisamment grande. On verra plus
loin quelle est la valeur minimale de la fréquence d’échantillonnage pour un signal donné.
Conformément au programme on ne parlera pas de l’étape de quantification du signal.

1.2 Spectre d’un signal échantillonné

On utilise de plus en plus, à la place de l’électronique analogique étudiée au chapitre précé- a) Transformée de Fourier Discrète (TFD)
dent, l’électronique numérique. Au lieu de traiter des signaux électriques fonction du temps,
Il est souvent plus facile de décrire des phénomènes variables dans le temps en les étudiant
on manipule des signaux numérisés, listes de nombres provenant de l’échantillonnage des
dans le domaine fréquentiel, c’est-à-dire en considérant le spectre du signal étudié.
signaux analogiques. On bénéficie ainsi de la grande puissance de calculs des ordinateurs et
de leur souplesse d’utilisation. Le spectre attribue à chaque fréquence f , de f = 0 à f = +∞, son amplitude dans le signal
étudié. Dans le cas d’un signal périodique de forme quelconque, de période TS et fréquence
1
1 Échantillonnage fS = , seules les fréquences n fS , multiples entiers de fS , ont une amplitude non nulle.
TS
Dans le cas d’un signal quelconque il peut y avoir une amplitude non nulle pour toutes les
1.1 Acquisition, échantillonnage fréquences.
Il faut faire subir diverses transformations à un signal analogique pour le rendre manipulable L’outil mathématique théorique adapté à la détermination du spectre d’un signal est la trans-
par un calculateur. En effet ce dernier ne travaille qu’avec des bits, ne prenant que deux formée de Fourier (hors programme). Pour effectuer le calcul correspondant il faut connaître
valeurs, 0 ou 1. C’est le rôle de l’acquisition d’effectuer ces transformations. l’intégralité du signal s(t) étudié, de t = −∞ à t = +∞. Ceci est bien sûr impossible et le
calculateur ne dispose que du signal échantillonné sE . Il fait appel alors à une version dis-
s sE crète de la transformée de Fourier : la transformée de Fourier discrète (en anglais Discrete
sk−1 Fourier Transform = DFT). Celle-ci permet, à partir du signal échantillonné, de calculer l’am-
sk plitude d’un nombre fini de fréquences, déterminées par la fréquence d’échantillonnage fe et
sk+1
par le nombre de points d’acquisition N. Plus précisément, l’amplitude sera connue pour les
fréquences :
Te Te fe
fk = k avec k ∈ [[0, N − 1]],
N
tk−1 tk tk+1 tk−1 tk tk+1 fe (N − 1) fe fe
t t soit pour les N fréquences : f0 = 0, f1 = , . . . , fN−1 = = fe − .
N N N
signal analogique s(t) signal échantillonné sE
Le spectre discret ainsi calculé (celui de sE ) est un échantillonnage du spectre du signal
Figure 5.1 – Échantillonnage d’un signal. continu s(t) sous certaines conditions que nous allons étudier.

On distingue essentiellement une phase d’échantillonnage du signal (qui consiste en une b) Transformée de Fourier Rapide (FFT)
discrétisation du temps) et une phase de quantification du signal (discrétisation des valeurs
Le calcul de la TFD est fortement accéléré quand on utilise un algorithme appelé Transformée
prises). En définitive, le calculateur, en accord avec ses possibilités (mémoire finie en parti-
de Fourier Rapide (en anglais Fast Fourier Transform = FFT) qui a été mis au point dans les
culier, voir programme d’informatique commune de première année), manipulera un tableau
années 1960 par J.W. Cooley et John Tukey.
fini de valeurs prises par le signal.
166

[Link] 165 13/09/22 1:18 PM [Link] 166 13/09/22 1:18 PM

 CHAPITRE 5 – É LECTRONIQUE NUMÉRIQUE

É CHANTILLONNAGE

6
L’algorithme FFT impose que le nombre de points d’acquisition N soit une puissance de 2
(N = 2 p ), ce qui permet d’optimiser un très grand nombre de traitements. C’est cet algorithme 4

s(t) en V
de calcul ou une de ses variantes que l’on trouve dans les oscilloscopes numériques, les logi- 2
ciels d’acquisition (Synchronie, Latispro...) et les logiciel de traitements de données (Scilab).
0
Il existe aussi dans Python un module dédié appelé fft. Dans le paragraphe 1.5 à destination
des étudiants de MPI, on montre comment programmer cette méthode numérique.
2
On va dans un premier temps observer des spectres calculés avec Scilab ou Python pour
4
mettre en évidence la principale différence entre le vrai spectre du signal étudié et celui du
60.00
signal échantillonné, calculé par FFT. 0.01 0.02 0.03 0.04 0.05
Temps en s
6
c) Exemple d’un signal purement sinusoïdal

Amplitude en V
5
Soit s(t) = 5 cos (400π t) un signal représentant une tension sinusoïdale d’amplitude 5 V et 4
de fréquence f = 200 Hz. On échantillonne ce signal à une fréquence d’échantillonnage 3
fe = 1 kHz, en prenant N = 1000 points d’acquisition tous les Te = 1/ fe = 1 ms. On utilise la
2
fonction fft de Scilab ou Python pour en obtenir le spectre.
La figure 5.2 page 168 donne l’allure du signal s(t) et de son spectre d’amplitude. 1

On constate que l’on retrouve bien la raie attendue à f = 200Hz. On constate malheureuse- 0
0 200 400 600 800 1000
ment la présence d’une autre raie à f ′ = 800 Hz ! On voit donc que l’échantillonnage est à Fréquence en Hz
l’origine d’une nouvelle raie dans le spectre dont on peut remarquer que la fréquence est :
f ′ = 1000 − 200 = fe − f . Figure 5.2 – Signal sinusoïdal et son spectre calculé par FFT.

d) Exemple d’un signal à plusieurs composantes

6
On effectue le même travail avec un signal comportant plusieurs composantes fréquentielles.
5
Par exemple :

sma (t) en V
  4
1 1 2 2 2
sma (t) = 5 × + sin(2π f t) − cos(4π f t) − cos(8π f t) − cos(12π f t) , 3
π 2 3π 15π 35π
2
avec f = 200 Hz, qui est une bonne approximation du redressement monoalternance du
1
signal sinusoïdal s(t) précédent. On prend comme fréquence d’échantillonnage fe = 4000Hz.
L’allure du spectre est donnée sur la figure 5.3 page 168. 0
0.00 0.01 0.02 0.03 0.04 0.05
Comme dans l’exemple précédent, on trouve dans l’intervalle [0, fe [ on trouve : Temps en s
3.0
• les raies attendues à 0 Hz, 200 Hz, 400 Hz, 800 Hz, 1200Hz, 2.5

Amplitude en V
• des raies supplémentaires à 4000 − 200 = 3800Hz, 4000 − 400 = 3600Hz, 4000 − 2.0
800 = 3200 Hz, 4000 − 1200 = 2800Hz.
1.5

e) Repliement du spectre 1.0

Le phénomène précédemment observé sur les spectres des deux signaux est général : 0.5

0.0
0 500 1000 1500 2000 2500 3000 3500 4000
Pour chaque fréquence f < fe existant dans le spectre du signal réel s(t) il y a, dans
Fréquence en Hz
le spectre du signal échantillonné sE , une raie supplémentaire de même amplitude à la
fréquence fe − f . Ce phénomène porte le nom de repliement du spectre, en anglais
aliasing. Figure 5.3 – Signal à cinq composantes et son spectre calculé par FFT.

167

168

[Link] 167 13/09/22 1:18 PM

[Link] 168 13/09/22 1:18 PM

 CHAPITRE 5 – É LECTRONIQUE NUMÉRIQUE

É CHANTILLONNAGE

3.0
La fréquence fe − f est symétrique de f par rapport à la fréquence Shannon fe /2.
Par ailleurs, s’il existe dans le spectre de s(t) une fréquence f > fe , il apparaît dans le spectre 2.5
de sE entre 0 et fe deux fréquences fictives qui sont de la forme k fe ± f où k est un entier

Amplitude en V
relatif quelconque. Ces deux fréquences appelées « fréquences repliées » sont symétriques 2.0
l’une de l’autre par rapport à fe /2 et la même amplitude leur est attribuée.
1.5

1.0
Remarque
0.5
L’expression « repliement de spectre » vient de ce que les fréquences k fe ± f se trouvent
à partir de f en appliquant alternativement :
0.0
0 200 400 600 800 1000 1200 1400
• la symétrie par rapport à la fréquence fe /2 : S1 : f �→ fe − f ; Fréquence en Hz
• la symétrie par rapport à la fréquence 0 : S2 : f �→ − f .
Ces deux symétries correspondent au repliement du spectre sur les deux bords de l’in- Figure 5.4 – Spectre FFT du signal à cinq fréquences sous-échantillonné
tervalle [0, fe /2].
Ainsi : S1 ( f ) = fe − f , S2 ◦ S1 ( f ) = f − fe , S1 ◦ S2 ◦ S1 ( f ) = 2 fe − f , etc. b) Énoncé du critère de Shannon
On peut maintenant énoncer le critère de Nyquist-Shannon.
1.3 Critère de Nyquist-Shannon De manière générale, si le spectre du signal d’entrée appartient à [ fmin , fmax ], les fréquences
rajoutées par l’échantillonnage appartiennent à l’intervalle [ fe − fmax , fe − fmin ] (en supposant
a) Influence de la fréquence d’échantillonnage
que fe > fmax ).
Il est intuitif que si l’on prélève des valeurs du signal étudié plus fréquemment, c’est-à-dire si Pour que ces fréquences ne viennent pas se superposer à celles du spectre du signal d’entrée
on travaille avec une fréquence d’échantillonnage plus élevée, le signal échantillonné reflète il faut nécessairement que
plus fidèlement le signal réel. Quelle est la fréquence d’échantillonnage minimale nécessaire
pour que le spectre calculé soit fidèle ? fe − fmax ≥ fmax soit fe ≥ 2 fmax .
Si on reprend le signal sinusoïdal s(t) précédent, mais en l’échantillonnant à une fréquence
fe plus faible, par exemple fe = 500 Hz, on trouve une raie à f1 = 200 Hz et une autre à Il est très important de vérifier cette condition dans la pratique.
f2 = 500 − 200 = 300 Hz. Ces deux fréquences f1 et f2 sont plus proches que lors du premier
échantillonnage, mais la fréquence du signal étudié est toujours la plus basse du spectre, ce Condition de Nyquist-Shannon : pour que l’échantillonnage d’un signal ne modifie
qui permet de l’identifier a priori. pas son spectre sur l’intervalle [0, fe /2], il faut que la fréquence d’échantillonnage soit
Si on diminue encore plus la fréquence d’échantillonnage, par exemple à fe = 300 Hz, on a supérieure au double de la plus grande fréquence fmax contenue dans ce spectre :
alors f1 = 200 Hz mais f2 = 300 − 200 = 100Hz ! Cette fois-ci la fréquence la plus basse
n’est plus la fréquence du signal étudié. . fe ≥ 2 fmax .
Pour rendre le phénomène et la difficulté associée plus parlants, observons sur la figure
5.4 page 170 le spectre du signal sma (t) défini page 167, de fréquence 200Hz, lorsqu’on
l’échantillonne à fe = 1500Hz. Le signal comporte 5 raies réelles à 0 Hz, 200Hz, 400 Hz, Remarque
800 Hz et 1200 Hz. Dans le spectre calculé apparaissent entre 0 et fe les fréquences supplé- D’après le théorème de Shannon (hors programme), on peut reconstituer sans perte
mentaires suivantes : 1500 − 0 = 1500Hz, 1500 − 200 = 1300Hz, 1500 − 400 = 1100Hz,
d’information un signal s(t) à partir du spectre du signal échantillonné sE dès que la
1500 − 800 = 700 Hz et 1500 − 1200 = 300 Hz. Le mélange des deux jeux de fréquences
condition précédente est vérifiée. Pour un signal sinusoïdal de fréquence f , il faut une
est tel qu’il est impossible d’identifier et d’isoler le spectre du signal d’entrée en prenant les
fréquences les plus basses, et ce, même si on connaît a priori la fréquence la plus grande fréquence d’échantillonnage minimale fe = 2 f , ce qui correspond à seulement deux
fmax . points d’acquisition par période du signal. Dans le cas d’un signal périodique non sinu-
soïdal, possédant des harmoniques toutes de rang inférieur où égal à n, il faut au moins
169 2n points d’acquisition par période.

170

[Link] 169 13/09/22 1:18 PM

[Link] 170 13/09/22 1:18 PM

 CHAPITRE 5 – É LECTRONIQUE NUMÉRIQUE

É CHANTILLONNAGE
1.4 Pratique de l’analyse spectrale
c) Nécessité d’un filtre anti-repliement a) Nécessité d’un compromis entre la fréquence d’échantillonnage et le nombre de
points d’acquisition
Les signaux réels présentent en général un spectre contenant un très grand nombre de raies
(parfois même infini, comme pour les signaux triangulaires, rectangulaires, ...). Le critère de On donne ici quelques réflexions qu’il faut garder en tête lorsqu’on choisit les paramètres
Nyquist-Shannon est alors impossible à satisfaire. d’acquisition.
On peut (doit !) donc interposer entre le signal d’entrée et le dispositif d’acquisition un filtre fe
On a vu que le spectre est calculé pour les fréquences fk = (k − 1) avec k ∈ [[0, N − 1]] .
passe-bas de fréquence de coupure fc telle que fc < fe /2 de manière à satisfaire le critère de N
Nyquist-Shannon. Dès lors on évitera le phénomène de repliement. Le filtre utilisé porte le La résolution en fréquence est ainsi :
nom de filtre anti-repliement.
fe
Remarque ∆f = .
N
On peut aussi utiliser un filtre numérique (voir paragraphe 2 de ce chapitre) agissant
sur le signal échantillonné avant le calcul du spectre. Donc si on double la fréquence d’échantillonnage il faut doubler le nombre de points d’ac-
quisition si on veut garder la même résolution ∆ f .
Si on fixe cette valeur N au maximum qu’autorise le calculateur ou système d’acquisition, le
d) Sous-échantillonnage respect du critère de Nyquist-Shannon (augmentation de fe si le signal à étudier présente des
On parle de sous-échantillonnage quand le critère de Nyquist-Shannon n’est pas vérifié. composantes de hautes fréquences) va dégrader la résolution en fréquence.
On a vu plus haut par une analyse dans le domaine fréquentiel qu’il en résultait l’impos- On peut noter également que
sibilité de reconstruire correctement le signal de départ. 1 1
∆f = ≃ ,
Il est intéressant d’illustrer cela en repassant dans le domaine temporel. Soit par exemple un NTe Ta
signal sinusoïdal de fréquence f = 1000Hz. On l’échantillonne à fe = 900 Hz. On représente
sur la figure 5.5 les points d’acquisitions (petits ronds), reliés par des segments de droite en notant Ta la durée totale d’acquisition (Ta = (N − 1)Te et N ≫ 1). Donc a priori plus le
pour reconstruire le signal échantillonné. On interprétera ce signal comme étant proche d’une temps d’acquisition est long, meilleure sera la résolution en fréquence. Cependant en aug-
sinusoïde de fréquence f ′ = 100 Hz (on lit qu’une demi-période dure environ 5 ms). De fait, mentant la durée totale d’acquisition en gardant constant le nombre de points d’acquisition,
on peut obtenir exactement le même résultat en échantillonnant un signal de fréquence f ′ à la période d’échantillonnage Te va augmenter, la fréquence d’échantillonnage fe va diminuer,
la fréquence fe . et le critère de Nyquist-Shannon risque de ne plus être satisfait.
Exemple
1.0
Dans une expérience on doit étudier un signal issu d’un capteur dont les fréquences
0.8

0.6
sont contenues dans le domaine [1 × 102 Hz, 1 × 104 Hz]. On peut imaginer prendre une
0.4
fréquence d’échantillonnage fe = 100 kHz, ce qui permet de vérifier assez largement
0.2 le critère fe > 2 fmax . Si l’échantillonnage se fait avec N = 2048 points, la durée totale
0.0 N
d’échantillonnage est Ta = ≃ 10 ms. Ce qui fait que l’on observera le signal sur une
-0.2
fe
-0.4

-0.6
durée même pas égale à deux périodes de la composante du signal de fréquence la plus
-0.8
faible (100 Hz). Si, pour observer le signal sur une durée d’une vingtaine de périodes on
-1.0
0.000 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008 0.009 0.010
choisit une durée totale d’acquisition Ta = 200 ms, sans modifier le nombre de points, on
fmax
a alors une fréquence d’échantillonnage fe = 10,2 kHz < . Le critère de Nyquist-
2
Figure 5.5 – Sinusoïde de fréquence f = 1000 Hz échantillonnée à f e = 900 Hz Shannon n’est plus satisfait.

Ceci est compatible avec l’analyse faite dans le domaine fréquentiel. La fréquence de 1000Hz
échantillonnée à 900 Hz donne par périodisation et repliement du spectre les fréquences (re- b) Importance d’échantillonner un signal périodique sur un nombre entier de périodes
classées par ordre croissant) : 1000 − 900 = 100 Hz, 2 × 900 − 1000 = 800 Hz, 1000Hz,
1000 + 900 = 1900 Hz,... L’utilisateur choisit les données d’acquisition : nombre de points N, période d’acquisition
Te d’où découle la durée totale d’acquisition Ta = (N − 1)Te . Lors du calcul du spectre, le
171
logiciel propose de sélectionner une partie seulement du signal acquis.

172

[Link] 171 13/09/22 1:18 PM

[Link] 172 13/09/22 1:18 PM

 É CHANTILLONNAGE CHAPITRE 5 – É LECTRONIQUE NUMÉRIQUE

Dans le cas d’un signal périodique, il est recommandé de sélectionner un nombre entier, c) Influence du repliement du spectre
le plus grand possible, de périodes. Le phénomène de repliement de spectre altère le spectre observé si l’on ne prend pas la
précaution d’utiliser un filtre passe-bas pour respecter la condition de Shannon.
On assure ainsi le fait que la fréquence fS du signal et les fréquences de ses éventuels harmo-
niques font partie des fréquences pour lesquelles le spectre est effectivement calculé. En effet 1,4
p 1 fS 1,2 1
si on a sélectionné p périodes : Ta = pTS = de sorte que ∆ f = = .
fS Ta p

Amplitude en V
Remarque 1,0

0,8
Si on a sélectionné une seule période, les fréquences pour lesquels le spectre est calculé
sont exactement les multiples de fS . 0,6
3
0,4
Il n’est pas toujours possible de réaliser cette condition. Dans ce cas, le spectre calculé dif- 7 et 15 5
0,2 11
fère légèrement du spectre réel. La figure 5.6 représente le spectre d’un signal sinusoïdal de 9 et 13
N fS
fréquence fS = 200 Hz et d’amplitude 5 V échantillonné sur = 204, 8 périodes. 0
100 200 300 400 500
fe 0
Fréquence en Hz

Figure 5.7 – Spectre d’un signal créneau symétrique, valant alternativement ±1 V, de

5
fréquence 150 Hz et échantillonné à la fréquence f e = 1100 Hz sur N = 2048 points.
4 Pour plus de clarté, les raies d’amplitudes inférieures à 0,1 V ont été éliminées.
Amplitude en V

3
La figure 5.7 illustre ce problème. Le signal analysé ici est un signal créneau de fréquence
2
fS = 150Hz présentant des harmoniques impairs de fréquences (2p + 1) fS avec p entier.
1 4
L’amplitude de l’harmonique de rang 2p + 1 est (voir chapitre précédent) ; elle
0 π (2p + 1)
0 200 400 600 800 1000
Fréquence en Hz décroît lentement avec p. À partir de p = 2 l’harmonique est replié car sa fréquence est supé-
6
rieure à la demi-fréquence d’échantillonnage ici égale à 550Hz. Par exemple l’harmonique
Amplitude en V

5
de rang 5, de fréquence 750 Hz est replié sur le bord droit du spectre pour venir à 350 Hz (fré-
4
quence symétrique par rapport à 550 Hz). L’harmonique de rang 9 de fréquence 1350 Hz est
3 replié une première fois sur le bord droit du spectre pour venir en 1100 − 1350 = −250Hz,
2 puis une deuxième fois sur le bord gauche du spectre pour venir en 250 Hz. La courbe en
1 4 fS
pointillé sur la figure est la courbe donnant de la fonction f �→ repliée sur les deux bords
0 πf
190 195 200 205 210
du spectre : elle permet de suivre le processus de repliement du spectre et donne l’amplitude
Fréquence en Hz
théorique de l’harmonique.
Figure 5.6 – Spectre FFT du signal sinusoïdal de fréquence f S = 200 Hz, Le repliement du spectre pose différents problèmes. Tout d’abord le spectre peut être très
échantillonné à f e = 1000 Hz, avec N = 1024 points d’acquisition et zoom autour de confus quand il y a de multiples raies provenant du repliement des harmoniques de rang
200 Hz. élevé et il est malaisé de retrouver un harmonique lorsqu’il est replié plusieurs fois. Mais
surtout, en raison du repliement, la valeur de l’amplitude affichée est fausse. On a vu au
On a bien la présence de la raie attendue à 200 Hz. Mais son amplitude est trop faible et paragraphe précédent qu’elle est abaissée quand l’échantillonnage ne prend pas un nombre
on constate la présence de nombreuses raies secondaires au voisinage de fS . De plus, en entier de périodes. Mais même quand c’est le cas, s’il y a repliement du spectre, l’amplitude
effectuant un zoom autour de 200 Hz on constate que le maximum n’a pas lieu à la fréquence calculée pour une fréquence n fS résulte d’une interférence entre l’amplitude de l’harmonique
fS = 200 Hz, mais à 200,2 Hz. C’est la fréquence la plus proche de fS qui soit multiple de n et les amplitudes d’autres harmoniques dont la fréquence est repliée sur la fréquence n fS .
fe 1000 C’est pour cela que sur la figure 5.7 l’amplitude de l’harmonique 7 est supérieure à sa valeur
= = 0,98 Hz. Il est donc apparue une erreur due à la discrétisation des calculs.
N 1024 théorique.

173 174

[Link] 173 13/09/22 1:18 PM [Link] 174 13/09/22 1:18 PM

 É CHANTILLONNAGE CHAPITRE 5 – É LECTRONIQUE NUMÉRIQUE

d) Exemples d’observation de spectre à l’aide d’un oscilloscope numérique

Lorsqu’on observe un signal sinusoïdal à l’aide d’un oscilloscope numérique on peut utiliser
Acquisition
Normal
1.0MSa/s
le module de calcul de tranformée de Fourier (bouton généralement dénommé FFT) pour
représenter son spectre. Un exemple de résultat est donné sur la figure 5.8.

Acquisition
Normal
1.0MSa/s

Résolution FFT : 7.63Hz

Fonction Opérateur Source 1 Plage Centre
f(t) FFT 1 100kHz 50KHz

Figure 5.9 – Observation à l’oscilloscope du spectre d’un signal triangulaire.

1.5 Approche numérique : implémentation du calcul du spectre d’un

Fonction Opérateur Source 1 Plage
Résolution FFT : 7.63Hz
Centre
signal numérisé (MPI)
f(t) FFT 1 2.00 kHz 1 KHz
a) Définition de la TFD
Figure 5.8 – Observation à l’oscilloscope d’un signal sinusoïdal de fréquence 200 Hz. La TFD du signal numérique à N échantillons sE = [s0 , s1 , . . . , sN−1 ] est une liste de N

nombres complexes c0 , c1 , . . . , cN−1 définie par :
On observe bien une seule raie dans le spectre (on observe en fait une courbe enveloppe N−1 
2π k j

reliant les sommets des raies calculées dans le spectre, et non pas les raies elle-mêmes). ∀k ∈ 0, N − 1, ck = ∑ s j exp −i (avec i2 = −1). (5.1)
j=0 N
Les informations dans le bas de l’écran nous indiquent que les fréquences de 0 Hz à 2,00 kHz
(indication plage) sont représentées sur l’axe horizontal et que le milieu de l’écran correspond
On vérifie facilement que c0 est réel et que :
à 1,00 kHz (indication centre). On en déduit donc que la raie est proche de la fréquence de
200 Hz. L’utilisation du curseur sur la droite permet une mesure à 199 Hz. Compte tenu de la
résolution indiquée (7,63 Hz), ceci est compatible avec un signal de fréquence 200 Hz. ∀k ∈ 1, N − 1, cN−k = c∗k . (5.2)
En haut à droite, dans la fenêtre acquisition, on trouve une information relative à la fréquence
b) Algorithme de Cooley et Tuckey
d’échantillonnage sous la forme 1,0 MSa/s. Le "Sa" est l’abréviation de sample (échantillon
en anglais). L’oscilloscope fait donc 1 million d’acquisitions par seconde, soit une fréquence Position du problème Le calcul de la TFD implique a priori le calcul de N sommes de N
d’échantillonnage fe = 1 MHz. Le critère de Nyquist-Shannon est donc très largement vérifié. termes donc sa complexité est en O(N 2 ). Cependant l’algorithme de Cooley-Tuckey, algo-
La figure 5.9 montre le spectre d’un signal triangulaire. La fréquence d’échantillonnage a rithme récursif basé sur l’idée du « diviser pour mieux régner », permet d’obtenir le résultat
été choisie suffisamment grande pour que le phénomène de repliement soit négligeable. La avec une complexité temporelle en O(N ln N).
sensibilité verticale a été choisie de manière à ce que la deuxième raie la plus grande couvre
la quasi-totalité de l’écran afin qu’un plus grand nombre de raies soit observable (la raie Des relations de récurrence pour les TFD Dans la formule (5.1) on sépare les termes
principale, celle du fondamental, est alors tronquée). On identifie des raies aux fréquences correspondant à j pair de ceux correspondant à j impair :
8,5 kHz, 25,5 kHz, 42,5 kHz, 59,5 kHz, 76,5 kHz et 93,5 kHz, qui sont les multiples impairs
de la fréquence du fondamental 8,5 kHz. Ceci est parfaitement compatible avec le spectre N/2−1   N/2−1  
2π k(2 j′ ) 2π k(2 j′ + 1)
d’un signal triangulaire. La fréquence d’échantillonnage est là aussi de 1 MHz et donc il n’y a ck = ∑ s2 j′ exp −i + ∑ s2 j′ +1 exp −i
′
j =0
N j ′ =0
N
pas de repliement pour les fréquences inférieures à 500 kHz (ce qui concerne les 29 premiers
harmoniques impairs). On peut remarquer qu’ici on observe des raies, mais en fait il s’agit de N/2−1
2π k N/2−1
     
bosses de même nature que celle de la figure 5.8, écrasées latéralement sous forme de raie en 2π k j ′ 2π k j ′
= ∑ s2 j′ exp −i + exp −i ∑ s2 j′ +1 exp −i
raison de l’étendue de l’échelle horizontale. ′
j =0
N/2 N j ′ =0
N/2

175 176

[Link] 175 13/09/22 1:18 PM [Link] 176 13/09/22 1:18 PM

 É CHANTILLONNAGE CHAPITRE 5 – É LECTRONIQUE NUMÉRIQUE

Dans cette expression on reconnaît deux autres TFD : 6 return [s[0]]

N/2−1   7 else :
2π k j ′
• si on pose Pk = ∑ s2 j′ exp −i , alors [P0 , P1 , . . . , PN/2−1 ] est la TFD du 8 w = exp(-1j*2*[Link]/N)
j ′ =0
N/2 9 sP = [s[2*j] for j in range(N//2)]
signal à N/2 échantillons [s0 , s2 , . . . , sN−4 , sN−2 ] ; 10 sI = [s[2*j+1] for j in range(N//2)]
11 P = TFD(sP) # 1er appel récursif
N/2−1  
2π k j ′ 12 I = TFD(sI) # 2ème appel récursif
• si on pose I k = ∑ s2 j′ +1 exp −i , alors [I 0 , I 1 , . . . , I N/2−1 ] est la TFD signal
j ′ =0
N/2 13 c = []
14 for k in range(N//2) :
à N/2 échantillons [s1 , s3 , . . . , sN−3 , sN−1 ].
15 [Link](P[k] + w**k*I[k])
Ainsi, en notant :   16 for k in range(N//2) :
2π 17 [Link](P[k] - w**k*I[k])
w = exp −i .
N 18 return c
on peut dire que :
N Remarquer à la ligne 8 l’usage des complexes en Python : « 1j » le nombre i tel que i2 = −1 ;
pour 0 ≤ k < , ck = Pk + wk I k , (5.3) le calcul d’exponentielle complexe est fait par la fonction exp importée du module cmath.
2
D’autre part, pour 0 ≤ k < N/2 : c) Lien entre la TFD et le spectre du signal
• d’après la propriété (5.2) de la TFD : cN/2+k = c∗N/2−k ; Désormais on suppose que le signal de N échantillons sE = [s0 , s1 , . . . , sN−1 ] est l’échantillon-
 
2π (N/2 − k) ∗ nage d’un signal s(t) avec la fréquence d’échantillonnage fe . Alors la TFD donne l’évaluation
• d’après (5.3) : c∗N/2−k = P∗N/2−k + exp i I N/2−k ; suivante du spectre de s(t) :
N
• d’après la propriété (5.2) dans le cas de la TFD d’un signal à N/2 échantillons : 1
• la composante continue de s(t) est : c0 (on se rappelle que c0 est réel) ;
P∗N/2−k = Pk et I ∗N/2−k = I k . N
fe 2
Finalement : • pour 0 < k ≤ N/2, l’amplitude de la fréquence fk = k dans le signal s(t) est : |ck | ;
N N N
pour 0 ≤ k < , cN/2+k = Pk − wk I k (5.4)
2 • le déphasage de la composante de fréquence fk dans le signal s(t) est : Arg(ck ).
Les relations (5.3) et (5.4) ramènent le calcul d’une TFD d’un signal à N échantillons à deux Ce spectre calculé se rapproche du spectre réel du signal s(t) dans la mesure où les condi-
calculs de TFD de signaux à N/2 échantillons tions vues plus haut sont respectées (critère de Nyquist-Shannon pour éviter le repliement,
échantillonnage d’un signal périodique sur un nombre entier de périodes).
Algorithme pour le calcul de la TFD d’un signal à N = 2 p échantillons : Le code Python ci-dessous définit une fonction spectre qui reçoit une liste d’instants
1. si N = 1 (i.e. p = 0), le programme renvoie la liste [s0 ] ; d’échantillonnage (régulièrement espacés) et la liste des valeurs d’un signal à ces instants,
2. si N > 1 (i.e. p > 0), on fait deux appels récursifs pour calculer les TFD des signaux à et retourne une liste de fréquences, la liste des amplitudes et la liste des déphasages pour ces
N/2 = 2 p−1 échantillons constitués par les échantillons de rang pair et les échantillons fréquences. Comme la longueur n de la liste signal reçue n’est pas a priori une puissance
de rang impair du signal original, puis on calcule la TFD du signal original par les de 2 on est amené à calculer un nouveau signal échantillonné s avec N = 2 p points où p est
formules (5.3) et (5.4). choisi de telle manière que tel N et n sont les plus proches possible.

La complexité de cet algorithme récursif avec deux appels au rang N/2 est en O(N ln(N)). 19 def spectre(temps,signal) :
20 n = len(signal)
21 p = round([Link](n)/[Link](2))
Code Python :
22 N = 2**p # puissance de 2 la plus proche de n
1 from cmath import exp, phase 23 Delta_t_a = temps[1]-temps[0] # ancien pas de temps
2 24 Delta_t_n = (temps[n-1]-temps[0])/N # nouveau pas de temps pour
3 def TFD(s) : # retourne la transformée de Fourier discrète de la avoir N échantillons sur le même intervalle de temps
liste s 25 s = [signal[0]] # s sera le signal échantillonné sur N points
4 N = len(s) # N doit être une puissance de 2 26 for j in range(1,N-1) :
5 if N == 1 : # cas terminal 27 t = j*Delta_t # instant pour le nouvel échantillonnage

177 178

[Link] 177 13/09/22 1:19 PM [Link] 178 13/09/22 1:19 PM

 FILTRAGE NUMÉRIQUE CHAPITRE 5 – É LECTRONIQUE NUMÉRIQUE

28 i = int(t/Delta_t_a) # t est compris entre i*Delta_t_a et En faisant toutes ces substitutions dans l’équation différentielle du filtre on obtient :
(i+1)*Delta_t_a
sk − sk−1
29 val = signal[i] + (signal[i+1]-signal[i])*(t-i*Delta_t_a)/ + sk = ek ,
Delta_t_a # extrapolation linéaire de la valeur du signal à t ωc Te
30 [Link](val) d’où la relation de récurrence suivante :
31 [Link](signal[N-1])
c = TFD(s) # calcul de la TFD ωc Te 1
32
sk = a0 ek + b1sk−1 avec a0 = et b1 = .
33 fe = 1/Delta_t_n # fréquence d'échantillonnage 1 + ωc Te 1 + ωcTe
34 frequence = [k*fe/N for k in range(N//2+1)]
Avec cette relation et connaissant les ek on calcule de proche en proche tous les sk , en prenant
35 amplitude = [1/N*abs(c[0])] + [2/N*abs(c[k]) for k in range(1,N
//2+1)]
un condition initiale, par exemple : s0 = 0.
36 dephasage = [phase(c[k]) for k in range(N//2+1)]
37 return frequence, amplitude, dephasage b) Exemples
Ceci se programme en quelques lignes en Python :
# Filtre passe-bas d'ordre 1, Gain statique unitaire
2 Filtrage numérique 1

2 # La fonction filtrePasseBas1 prend en argument :

3 # - un tableau numpy E contenant l'échantillonnage
Une fois le signal échantillonné, on peut effectuer sur lui des traitements en s’appuyant sur la
4 # du signal d'entrée,
puissance de calcul du calculateur. Le programme propose d’étudier le filtrage passe-bas. 5 # - la valeur initiale du signal de sortie s0,
6 # - la pulsation de coupure omegac.
2.1 Filtre passe-bas du premier ordre 7 # Elle renvoie un tableau numpy S contenant l'échantillonnage
8 # du signal de sortie.
Examinons d’abord un filtrage de type passe-bas du premier ordre. La fonction de transfert
9 # Variable globale définie dans le programme principal :
d’un filtre du premier ordre, de gain maximal G0 = 1 et de pulsation de coupure ωc = 2π fc
10 # - la période d'échantillonnage Te
est : 11 import numpy as np
1
H( jω ) = ω .
12 ...
1+ j 13 def filtrePasseBas1(E, s0, omegac):
ωc 14 x = omegac*Te
Dans le domaine temporel cette fonction de transfert correspond à l’équation différentielle : 15 a0 = x/(1+x)
16 b1 = 1/(1+x)
1 ds 17 n = len(E)
+ s(t) = e(t), 18 S = [Link](n)
ωc dt 19 S[0] = s0
20 for k in range(1,n) :
en notant e(t) le signal d’entrée et s(t) le signal de sortie. 21 S[k] = a0*E[k] + b1*S[k-1]
22 return S
a) Discrétisation du filtre
Commençons par un exemple simple : filtrage d’un signal sinusoïdal échantillonné par un
Cette relation concerne des grandeurs continues (signaux analogiques). Pour l’utiliser avec
filtre passe-bas du premier ordre.
des signaux numérisés, il faut la discrétiser elle aussi. Comme on ne dispose des valeurs
des signaux qu’aux instants tk = kTe , on va remplacer dans cette équation différentielle un La figure 5.10 montre le résultat du filtrage numérique calculé par ce programme pour un
signal par sa valeur prise à l’instant tk . Ainsi e(t) deviendra ek = e(kTe ) et de même s(t) signal sinusoïdal de fréquence 200 Hz, filtré par le passe-bas de fréquence de coupure
5
ds s(t) − s(t − dt) fc = 100 Hz. L’amplitude prévisible est √ = 2,2 V et le signal de sortie doit être en re-
deviendra sk = s(kTe ). Pour la dérivée de s par rapport au temps, = , 1 + 22
dt dt tard de arctan (2) = 1,1 rad = 63˚, ce qui est bien vérifié sur la simulation. On remarque aussi
on fait l’approximation de remplacer la durée élémentaire dt par Te (c’est la plus petite durée l’existence d’un régime transitoire : en théorie, il s’agit de la solution A exp(−ωct) de l’équa-
que l’on manipule) : 1
tion différentielle sans son second membre, donc il dure typiquement 5 × = 8 × 10−3 s,
ds s(tk ) − s(tk − Te ) sk − sk−1 ωc
(tk ) ≃ = . (5.5) ce qui correspond bien à l’observation.
dt Te Te

179 180

[Link] 179 13/09/22 1:19 PM [Link] 180 13/09/22 1:19 PM

 CHAPITRE 5 – É LECTRONIQUE NUMÉRIQUE

FILTRAGE NUMÉRIQUE
quantification du signal (que nous n’avons pas présentée) introduit des erreurs : on approxime
e(t) une valeur lue lors de l’échantillonnage par la valeur la plus proche manipulable par le cal-
s(t)
culateur. Le signal filtré ne sera donc pas le résultat idéal du filtrage. On peut cependant, en
6
général, maîtriser ces erreurs et les maintenir au dessous d’un seuil qui les rend parfaitement
4 acceptables.
Cependant il existe une autre limitation que nous allons illustrer en traçant le diagramme
signaux en V

2
de Bode "expérimental" du filtre numérique. Pour cela on fait calculer numériquement le
0
signal de sortie pour des signaux d’entrée de fréquences différentes et on obtient le gain pour
2 chaque fréquence en calculant le rapport de l’amplitude du signal de sortie sur celle du signal
d’entrée.
4
Pour le filtre numérique passe-bas d’ordre 1 présenté plus haut, de fréquence de coupure
6
0.000 0.005 0.010 0.015 0.020 fc = 100Hz, le résultat est donné sur la figure 5.12 sur laquelle les petits ronds correspondent
Temps en seconde aux calculs et la ligne continue au tracé théorique. On constate que les deux courbes coïn-
cident bien jusqu’à f ≃ 101,5 × fc = 3,1 kHz et qu’au delà le résultat est pour le moins sur-
Figure 5.10 – Filtrage numérique d’un signal sinusoïdal de fréquence 200 Hz, par un
passe-bas du premier ordre de fréquence de coupure 100 Hz.
prenant. En tout état de cause ceci montre qu’il ne faut pas utiliser ce filtre pour des signaux
de trop haute fréquence !
3.0

2.5
Amplitude en V

2.0
0

Gain en décibel
1.5
-10
1.0

0.5 -20
0.0
0 500 1000 1500 2000 -30
Fréquence en Hz

Figure 5.11 – Spectres de l’entrée (sma ) et de la sortie.

-40
-3 -2 -1 0 f 1 2 3
log10
fc
La figure 5.11 montre sur un même graphe les spectres du signal à quatre composantes sma
défini page 167 ainsi que celui du signal obtenu après filtrage numérique avec le filtre passe- Figure 5.12 – Courbe de réponse en gain du filtre numérique passe-bas d’ordre 1
bas du premier ordre, de fréquence de coupure fc = 300 Hz. Pour pouvoir présenter les deux avec f e = 10 kHz.
spectres sur le même graphe on a légèrement décalé sur la droite celui du signal de sortie.
Essayons de comprendre l’origine de ce phénomène pour voir si l’on peut améliorer les
c) Limitations choses. Les erreurs d’arrondi n’étant certainement pas à l’origine d’un tel comportement c’est
On sait qu’un filtre analogique présente toujours une bande passante d’utilisation limitée en
que c’est la méthode même de calcul qui en est à l’origine. Or dans cette méthode nous avons
raison des composants utilisés qui n’ont pas le comportement idéal voulu (résistors dont la effectué une approximation pour obtenir une expression approchée de la dérivée première :
ds
résistance augmente avec la fréquence, amplificateurs opérationnels dont le gain chute en s(tk − Te ) = s(tk ) − Te (tk ). Cependant cette approximation n’est pertinente que si on peut
haute fréquence, etc...) dt
On pourrait être tenté de croire qu’avec un filtre numérique ces contingences matérielles 1 d2 s
négliger le terme suivant dans le développement, à savoir Te2 2 (tk ), qui pour un signal
disparaissent. Il n’en est rien. 2 dt
Tout d’abord, tout calculateur électronique introduit des erreurs d’arrondi. De plus l’étape de sinusoïdal est d’autant plus important que la fréquence est élevée (à cause de la dérivée se-
conde). Évaluons par un calcul d’ordre de grandeur une condition sur la fréquence f pour que
181 le terme de dérivée seconde soit négligeable devant celui de dérivée première. En notant Sm

182

[Link] 181 13/09/22 1:19 PM

[Link] 182 13/09/22 1:19 PM

 FILTRAGE NUMÉRIQUE CHAPITRE 5 – É LECTRONIQUE NUMÉRIQUE

ds Sm L’équation différentielle du filtre se traduit alors par la relation de récurrence :

l’amplitude du signal sinusoïdal et T = 1/ f sa période, on a Te (tk ) ≃ Te × = f Te Sm . De
dt T
1 d s 2 1 Sm 1 2
même Te2 2 (tk ) ≃ Te2 2 = Te2 Sm f 2 . L’inégalité donne alors f ≪ = 2 fe . On voit sk = a0 ek + b1sk−1 + b2sk−2
2 dt 2 T 2 Te
donc que la fréquence maximale d’utilisation du filtre est liée à la fréquence d’échantillon- avec :
nage du signal d’entrée ! Il est donc temps de préciser que pour tracer la figure 5.12, on a
échantillonné le signal d’entrée à fe = 10 kHz. Avec fc = 100Hz, la condition, en prenant un ω0 Te2 2 + ω0Te /Q −1
a0 = , b1 = et b2 = .
f 1 + ω0Te /Q + ω02Te2 1 + ω0Te /Q + ω02Te2 1 + ω0Te /Q + ω02Te2
facteur 10 donne f < 2 kHz, soit log < 1, 3 ce qui est cohérent avec la figure 5.12.
fc
Pour confirmer notre analyse, on peut refaire les calculs avec une fréquence d’échantillonnage On note que c’est une relation de récurrence d’ordre 2. On peut appliquer la méthode pour
10 fois supérieure : fe = 100 kHz. On constate qu’il existe toujours une fréquence d’utilisation réaliser des filtres d’ordre quelconque.
maximale du filtre, mais qu’on l’a bien décalée d’une décade vers la droite.
2.3 Génération d’un signal analogique à partir d’un signal numérique
d) Une autre discrétisation de l’équation du filtre
Une fois le signal numérique filtré il faut produire un signal analogique correspondant au
Pour discrétiser l’équation différentielle du filtre passe-bas d’ordre 1 nous avons utilisé précé- résultat du filtrage. On utilise pour cela un convertisseur numérique-analogique (CNA).
demment la méthode dite de l’« équivalence de la dérivation ». Ce n’est pas la seule possible. Si on utilise LatisPro avec sa carte d’acquisition on peut récupérer le signal analogique cor-
Dans ce paragraphe nous allons obtenir une autre relation de récurrence par la méthode de respondant sur une des sorties de la carte d’acquisition et l’observer à l’oscilloscope.
l’« équivalence à l’intégration ».
Intégrons l’équation différentielle du filtre entre les instants tk−1 et tk :
ˆ ˆ SYNTHÈSE
tk tk
1
(s(tk ) − s(tk−1 )) + s(t ′ )dt ′ = e(t ′ )dt ′ . SAVOIRS
ωc tk−1 tk−1

En approchant les intégrales par la formule des trapèzes on obtient : • influence de l’échantillonnage sur l’allure du spectre du signal
sk − sk−1 Te Te • critère de Nyquist-Shannon
+ (sk + sk−1 ) = (ek + ek−1 ) ,
ωc 2 2 • filtrage numérique
soit la relation de récurrence suivante :
ωc Te 2 − ωcTe SAVOIR-FAIRE
sk = a0 ek + a1 ek−1 + b1sk−1 avec a0 = a1 = et b1 =
2 + ωc Te 2 + ωcTe
• savoir choisir les paramètres d’acquisition pour réaliser un échantillonnage permet-
Ce nouveau filtre numérique donne un signal de sortie plus proche de celui du filtre passe-bas
tant d’obtenir un spectre réaliste
analogique que le premier.
• savoir coder le calcul du spectre d’un signal numérisé (MPI)
2.2 Filtres passe-bas du deuxième ordre • réaliser une filtrage numérique
Dans ce paragraphe on applique la méthode de l’équivalence de la dérivation à un filtre passe-
bas d’ordre deux de pulsation de résonance ω0 , facteur de qualité Q et gain maximal G0 = 1. MOTS-CLÉS
1 d2 s 1 ds
L’équation différentielle de ce filtre est : 2 2 + + s(t) = e(t). • acquisition • quantification • repliement
ω0 dt Qω0 dt
• échantillonnage • spectre • filtrage numérique
Pour discrétiser le calcul de la dérivée seconde on applique deux fois la formule (5.5) :
 
d2 s 1 ds ds
2
(tk ) ≃ (tk ) − (tk − Te )
dt Te dt dt
 
1 s(tk ) − s(tk − Te ) s(tk − Te ) − s(tk − 2Te )
≃ −
Te Te Te
sk − 2sk−1 + sk−2
≃
Te2
183 184

[Link] 183 13/09/22 1:19 PM [Link] 184 13/09/22 1:19 PM

 S’ ENTRAÎNER CHAPITRE 5 – É LECTRONIQUE NUMÉRIQUE

Exercices
Exercices
S’ENTRAÎNER APPROFONDIR

Avertissement : bien que ce chapitre du programme doive être traité exclusivement expéri- 5.5 Utilisation d’un analyseur de Fourier (⋆⋆)
mentalement on propose ici quelques exercices. On réalise un système électronique permettant d’afficher, à l’aide d’un oscilloscope, le spectre
d’une tension échantillonnée avec la période d’acquisition Te . Pour cela, le système que nous
5.1 Extrait d’une notice (⋆ ) appellerons désormais OSC, mesure la tension dont on veut obtenir le spectre pendant une
durée NTe , N étant un entier puissance de 2. Un calcul de Transformée de Fourier Rapide
On peut lire dans la notice d’utilisation de l’oscilloscope numérique TDS1002 :
(TFR ou en anglais FFT) permet de déterminer les fréquences du spectre à analyser sous la
« Si vous tournez le bouton SEC/DIV afin de sélectionner un réglage plus rapide (moins de forme :
cycles), le spectre FFT affiche une plage de fréquences plus étendues et limite les possibilités n 1
d’un repliement du spectre. Cependant l’oscilloscope affiche également une résolution de fmesurée = ± (5.6)
NTe NTe
fréquence inférieure. »
Interpréter et commenter cet extrait. N
où n est un entier inférieur à . Pour éviter le phénomène de repliement de spectre inhérent
2
à la méthode de la TFR le signal reçu par OSC est filtré. On admet que ce filtrage élimine
5.2 Adaptation de la fréquence d’échantillonnage aux besoins (⋆ ) fe 1
efficacement toute fréquence supérieure à où fe = .
En téléphonie la fréquence d’échantillonnage est fe = 8 kHz. Pour la musique enregistrée sur 2 Te
un CD elle est de fe = 44,1 kHz. 1. On fixe fe = 1 kHz. Déterminer la valeur minimum de N permettant de mesurer une fré-
Commenter. Dans les deux cas faut-il utiliser a priori un filtre anti-repliement ? quence proche de 0,4 kHz à 1% près. Quelle sera la durée minimum de la mesure ?
2. En fait fe = 1 kHz ± 0,1 Hz. Quelle valeur de N est-il inutile de dépasser pour mesurer une
5.3 Analyse spectrale d’un signal triangulaire (⋆ ) fréquence proche de 0,4 kHz ?
La figure représente le spectre d’un signal triangulaire d’amplitude crête-à-crête égale à 1 V On utilise OSC pour mesurer les fréquences présentes dans le spectre d’une tension uA (t) .
et de fréquence 1 kHz obtenu par DFT à partir d’un échantillon de 1024 points pris à la On règle N = 2048 avec fe = 1 kHz ± 0,1 Hz et on mesure les entiers n correspondant aux
fréquence d’échantillonnage fe = 5 kHz. fréquences selon la formule (5.6) .
3. Dans une première expérience on obtient 5 raies : n1 = 184, n2 = 368, n3 = 553, n4 = 739,
1. Expliquer la présence dans ce spectre 0,4 n5 = 924. Est-ce compatible avec un signal uA (t) périodique ? Déterminer la fréquence du
d’une raie à 2000Hz sachant que le signal ne signal avec la précision maximale (que l’on donnera), en détaillant votre démarche.
contient que des harmoniques de rang impair. 1
0,3 4. Dans une deuxième expérience la tension analysée est uA (t) = u1 (t)u2 (t) avec
2. Proposer des paramètres expérimentaux
amplitude en V

U0
(fréquence d’échantillonnage, nombre de u1 (t) = U0 cos (2π f1t) et u2 (t) = U0 (1 + cos(2π f2t + ϕ2 )). On mesure deux raies n1 = 406
points) plus adaptés à l’observation de ce 0,2 et n2 = 742. Déterminer les fréquences f1 et f2 sachant que f1 > f2 .
spectre. On considère que le signal triangu-
laire est quasiment égal à la somme de ses 0,1
composantes de Fourier de rang inférieur ou
égal à 7 et on souhaite une précision minimale
de 1% sur la mesure des fréquences. 0 0,5 1,0 1,5 2,0 2,5
fréquence en kHz

5.4 Filtre numérique passe-haut du premier ordre (⋆ )

Établir la relation de récurrence d’un filtre numérique simulant le filtre analogique de fonction
ω
j
ωc
de transfert : H( jω ) = ω .
1+ j
ωc

185 186

[Link] 185 13/09/22 1:19 PM [Link] 186 13/09/22 1:19 PM

 C ORRIGÉS CHAPITRE 5 – É LECTRONIQUE NUMÉRIQUE

Corrigés
Corrigés
CORRIGÉS 2. Pour voir les 7 premiers harmoniques à leurs vraies valeurs, il faut que leurs fréquences
soient toutes inférieures à la fréquence de Shannon ; pour cela il faut et il suffit que
fe ≥ 2 × 7 fS = 14 kHz. On peut prendre par exemple fe = 16 kHz.
5.1 Extrait d’une notice
Il y a aussi la question du nombre de points N
Il faut interpréter le « moins de cycles » visualisés comme une diminution de la durée totale d’échantillonnage qui détermine la résolution
d’acquisition Ta = NTe . Comme le nombre N de points d’acquisition est constant, c’est que Te fe
1 en fréquence ∆ f = . Si on garde N = 1024 0,4
a diminué, et donc que la fréquence d’échantillonnage fe = a augmenté, ce qui permet de N
Te on aura ∆ f ≃ 16 Hz ce qui est supérieure à
comprendre pourquoi une plus grande plage de fréquences est présentée. Par aillleurs, pour

amplitude en V
1% de la fréquence du signal. Pour avoir une 0,3
un signal donné, le critère de Shannon 2 fmax < fe a donc plus de chance d’être respecté : on mesure de cette fréquence avec une incerti-
risque moins les effets d’un repliement du spectre. tude relative meilleure que 1% il faut que 0,2
fe ∆ f < 10 Hz ce qui est obtenu en doublant N.
Enfin la résolution en fréquence est donnée par ∆ f = . À N fixé, l’augmentation de fe
N Le spectre obtenu avec fe = 16 kHz et 0,1
s’accompagne effectivement d’une augmentation de ∆ f et donc la résolution est effective- N = 2048 est représenté ci-contre. Il se trouve
ment moins bonne. que la fréquence du signal est alors un mul-
Il y a donc un compromis à faire dans le choix de la base de temps entre le risque de replie- fe 0 2 4 6 8
tiple de ce qui fait que les pics ne sont pas fréquence en kHz
ment et la résolution en fréquence, dû au nombre fixe de points d’acquisition. Pour garder la N
même résolution il faudrait pouvoir en même temps augmenter la fréquence d’échantillon- élargis.
fe
nage fe et le nombre de points d’acquisition N de manière à garder le rapport constant. 5.4 Filtre numérique passe-haut du premier ordre
N
Cela ne peut pas se faire avec un oscilloscope numérique, mais est possible dans une certaine 1 ds 1 ds
mesure avec les logiciels d’acquisition de type Latis-pro. L’équation différentielle du filtre est : + s(t) = .
ωc dt ωc dt
ds sk − sk−1
5.2 Adaptation de la fréquence d’échantillonnage aux besoins Première méthode : on fait l’approximation ≃ (notations du cours) et de même
dt Te
Les deux fréquences d’échantillonnage données donnent accès aux deux fréquences maxi- de
males que peuvent présenter les signaux en téléphonie et en musique d’après le critère de pour . L’équation du filtre s’écrit :
dt
Shannon. On a donc respectivement 4 kHz et 22 kHz.
sk − sk−1 ek − ek−1 1
La plus haute fréquence audible par l’homme est de l’ordre de 20 kHz. Pour l’utilisation dans + sk = d’où sk = (ek − ek−1 + sk−1 ) .
le cadre musical on voit donc que la fréquence d’échantillonnage à 44,1 kHz satisfait le critère ωc Te ωc Te 1 + ωcTe
de Shannon et qu’on ne perdra pas d’information utile lors de l’échantillonnage (harmoniques
Deuxième méthode : on intègre l’équation différentielle entre tk−1 et tk :
des différentes notes de musique enregistrées).
ˆ tk
Pour la téléphonie on estime qu’un message parlé est encore intelligible si on ne garde que les 1 1
(sk − sk−1 ) + s(t ′ )dt ′ = (ek − ek−1 ),
fréquences inférieures à 3,5 kHz. Bien sûr, lors de la restitution le timbre de voix du locuteur ωc tk−1 ωc
sera un peu modifié (et d’autant plus qu’il a a priori une voix aiguë).
Pour la téléphonie on utilisera donc bien nécessairement un filtre anti-repliement. 1 Te 1
puis on utilise la formule des trapèzes : (sk − sk−1 ) + (sk + sk−1 ) = (ek − ek−1 )
ωc 2 ωc
Dans le cadre musical on utilisera aussi un filtre anti-repliement. En effet si des harmoniques d’où la relation de récurrence :
ultra-sonores étaient présents dans le signal d’entrée, il donnerait potentiellement des fré-
quences audibles par le phénomène de repliement, ce qu’il faut à tout prix éviter. 2 2 − ωcTe
sk = (ek − ek−1 ) + sk−1 .
Remarque : à titre indicatif cette valeur curieuse de la fréquence d’échantillonnage pour le 2 + ωc Te 2 + ωcTe
CD est un avatar historique du format des magnétoscopes à bande magnétique.
5.5 Utilisation d’un analyseur de Fourier
5.3 Analyse spectrale d’un signal triangulaire
1 fe
1. La raie à 2 kHz correspond à l’harmonique de rang 3 du signal triangulaire dont la fré- 1. D’après l’énoncé, l’incertitude absolue sur une fréquence mesurée est ∆ f = = .
NTe N
quence 3 fS = 3 kHz est supérieure à la fréquence de Shannon fe /2 = 2,5 kHz et qui est donc 1 fe
déplacée par repliement en fe − 3 fS = 2 kHz. Pour que cette incertitude soit inférieure à × 0,4 kHz = 4 Hz, il faut que N > = 250.
100 4 Hz

187 188

[Link] 187 13/09/22 1:19 PM [Link] 188 13/09/22 1:19 PM

 C ORRIGÉS

Corrigés
La plus petite valeur de N convenable est 256 et la durée minimum de la mesure sera de
0,256 s.
n n 1
2. Avec l’incertitude sur fe : fmesurée = × 1 kHz ± × 0,11 Hz ± × 1 kHz . Dans le cas
N N N
n
d’une fréquence de proche de 0,4 kHz, ≃ 0, 4 ; l’erreur est alors somme de deux erreurs :
N
• la première, due à l’incertitude sur la fréquence d’acquisition, est de l’ordre de 0, 4 × 0, 1
= 0,04 Hz indépendamment de N ;
1
• la deuxième, associée à la numérisation vaut × 1 kHz diminue quand on augmente N.
N
1 kHz
Les deux erreurs sont du même ordre pour N = = 25000. Il est inutile d’avoir N
0,04 Hz
14
plus grand que 2 = 16384 car au-delà, l’erreur liée à N est masquée par une erreur plus
importante.
3. Un signal périodique non sinusoïdal de fréquence fS peut contenir les fréquences k fS où
k est un entier. Les nombres mesurés sont quasiment tous multiples de n1 : n2 = 2n1 , n3 =
3n1 + 1, n4 = 4n1 + 3 et n5 = 5n1 + 4. Comme l’incertitude sur n1 est de ±1 et que l’écart entre
nk et kn1 est inférieur à k, le résultat de l’analyse est compatible avec un signal périodique. De
plus il est clair que n1 est sous-évalué. Pour obtenir la fréquence du signal avec la meilleure
précision possible il faut utiliser la valeur de n5 :
   
n5 1 924 1
fS = ± fe = ± (1 kHz ± 0,1 Hz) = 90,23 Hz ± 0,10 Hz.
5N 5N 5 × 2048 5 × 2048

4. La tension uA (t) = U0 cos(2π f1t) +U0 cos(2π f1t) cos(2π f2t + ϕ2 ) contient les fréquences
f1 − f2 , f1 et f1 + f2 d’après l’exercice 4.2 page 146. Pourquoi ne relève-t-on que deux
raies dans le spectre ? On peut faire l’hypothèse que la plus grande fréquence est supérieure
fe
à la fréquence de Shannon et qu’elle a donc été éliminée du signal par le filtre anti-
2
n2
repliement. Dans ce cas il ne reste que les fréquences f1 − f2 et f1 et : f1 = fe = 362 Hz,
N
n2 − n1
f2 = fe = 164 Hz. Vérification : la fréquence f1 + f2 correspondrait à n = 2n2 − n1 =
N
1082 ce qui est supérieur à 1024 donc elle a bien été éliminée par le filtrage.

189

[Link] 189 13/09/22 1:19 PM