FR2846089A1 - Dispositif et procede de test acoustique et vibratoire de de pieces mecaniques - Google Patents

Abstract

Le dispositif de test comporte :- un capteur de signaux vibratoires (110) fournissant un signal en fonction du temps ;- un moyen d'extraction de caractéristiques (120, 122) qui extrait du signal fonction du temps au moins une caractéristique d'une distribution temps/fréquences ; et- un moyen de classification (150, 152) des signaux vibratoires en fonction de chaque caractéristique extraite.Dans des modes de réalisation, le capteur de signaux vibratoires est un microphone acoustique, le moyen d'extraction de caractéristiques calcule une distribution de la fréquence instantanée par application numérique de la transformée de Hilbert et/ou l'enveloppe du signal analytique par application numérique de la transformée de Hilbert, et/ou le moyen de classification comporte un réseau de neurones.

Description

PROCEDE ET DISPOSITIF DE TEST.

La présente invention concerne un procédé et un dispositif de test. Elle s'applique, en particuliers aux tests de pièces mécaniques comportant une surface de révolution, par 5 exemple des roulements à billes, des pistons, des engrenages, des collecteurs de moteurs à courant continu ou des soupapes. Elle permet le tri de pièces en cours de production et la maintenance préventive de pièces mécaniques en mouvement et, plus généralement l'identification et la classification de sources de vibrations, y compris acoustiques. Pour tester des pièces possédant une surface de révolution, il est connu de mettre cette pièce en rotation autour de son axe de révolution, de mettre en appui sur cette surface un accéléromètre et d'analyser le signal sortant de l'accéléromètre, par exemple en lui appliquant une transforrviation de Fourier puis un seuil de tolérance. Cette méthode présente des inconvénients. La détermination d'un seuil de tolérance est un procédé de 15 classification simple qui amène à des rejets de bonnes pièces ou des acceptations de pièces défectueuses. D'autre part, la transformation de Fourier discrète en tant que descripteur du signal observé ne permet pas de décrire l'évolution temporelle du contenu fréquentiel du signal dans des intervalles de temps très courts du fait de la perte de la

résolution fréquentielle.

Dans d'autres domaines, par exemple le dénombrement d'une population d'oiseaux en fonctions de leurs chants, les systèmes actuels permettent, au mieux de déterminer quelles espèces d'oiseaux sont présentes mais pas de compter les individus de chaque espèce. Enfin, dans le domaine de la biométrie, les systèmes actuels

nécessitent des composants particuliers, comme capteur d'empreintes.

La présente invention vise à remédier à ces inconvénients. A cet effet, la présente invention vise, selon un premier aspect, un dispositif d'analyse, caractérisé en ce qu'il comporte: - un capteur de signaux vibratoires fournissant un signal en fonction du temps; - un moyen d'extraction de caractéristiques qui extrait du signal fonction du temps au 30 moins une caractéristique d'une distribution temps/fréquences; et - un moyen de classification des signaux vibratoires en fonction de chaque caractéristique extraite. Grâce à ces dispositions, l'analyse des signaux vibratoires, par exemple

acoustiques, permet de classer les sources de ces signaux, pièces en rotation ou 35 oiseaux, par exemple, de manière très précise et fiable.

Selon des caractéristiques particulières, le capteur de signaux vibratoires est un microphone acoustique. Grâce à ces dispositions, l'analyse de pièces mécaniques peut

être effectuée à distance selon toutes les directions de vibration des dites pièces.

Selon des caractéristiques particulières, le moyen d'extraction de caractéristiques 5 est adapté à calculer la fréquence instantanée par application numérique de la transformée de Hilbert.

Grâce à ces dispositions, on obtient une caractéristique du signal qui présente une résolution temporelle optimale car à chaque échantillon du signal numérisé correspond une valeur de fréquence instantanée. Cette caractéristique particulière dans le domaine 10 fréquentiel n'est pas affectée par le niveau global du signal, soit la distance du microphone à la source par exemple. Enfin cette variable locale qui est le barycentre de la distribution de Wigner-Ville, c'est à dire du spectre instantané, permet d'évaluer par sa distribution le déplacement du spectre ou l'évolution d'une réponse fréquentielle dans une bande spectrale étroite en fonction d'excitations particulières. Une distribution de cette 15 variable locale dans une fenêtre temporelle déterminée ou une caractérisation de cette distribution telle que kurtosis ou skewness dans une fenêtre court terme, permettent

d'identifier des modes d'excitation particuliers.

Selon des caractéristiques particulières, le moyen d'extraction de caractéristiques

est adapté à calculer l'enveloppe du signal analytique par application numérique de la 20 transformée de Hilbert et sa distribution dans une fenêtre temporelle déterminée.

Grâce à ces dispositions, une distribution de cette variable locale dans une fenêtre temporelle déterminée ou une caractérisation de cette distribution telle que kurtosis ou skewness dans une fenêtre court terme, permettent d'identifier des modes d'excitation

particuliers notamment des phénomènes transitoires qui s'apparentent à des chocs.

Selon des caractéristiques particulières, le moyen d'extraction de caractéristiques est adapté à calculer la largeur du spectre instantané par application numérique de la

transformée de Hilbert et de la formulation de Cohen et Lee.

Grâce à ces dispositions, une distribution de cette variable locale dans une fenêtre temporelle déterminée ou une caractérisation de cette distribution telle que kurtosis ou 30 skewness dans une fenêtre court terme, permettent d'identifier des modes d'excitation particuliers notamment des phénomènes transitoires qui s'apparentent à des chocs produisant un effet proche de l'impulsion de Dirac occupant instantanément un spectre

très large.

Selon des caractéristiques particulières, le moyen d'extraction de caractéristiques 35 est adapté à calculer l'énergie du signal dans une fenêtre court terme soit en faisant la somme des carrés de chaque échantillon de la fenêtre court terme soit en faisant une transformée de Fourier de la fenêtre court terme et en calculant la somme des carrés des modules de chaque fréquence divisée par le nombre d'échantillons de la fenêtre court

terme divisé par deux.

Grâce à ces dispositions, l'évolution de l'énergie de chaque fenêtre court terme 5 dans le temps permet d'identifier des modes d'excitation particuliers notamment les phénomènes transitoires qui s'apparentent à des chocs.

Selon des caractéristiques particulières, le moyen de classification comporte un

réseau de neurones.

Grâce à ces dispositions, le procédé sépare les classes dans un espace 10 multidimensionnel éliminant les recouvrements propres aux méthodes traditionnelles de seuillage. Selon des caractéristiques particulières, le moyen de classification est adapté à effectuer un apprentissage de caractéristiques de signaux vibratoires pour les différentes

classes qu'il doit discriminer.

Grâce à ces dispositions, le dispositif de test est capable d'apprendre les caractéristiques des signaux vibratoires correspondant à des classes définies par l'opérateur en fonction d'autres caractéristiques acoustiques, physiques ou autres La présente invention vise, selon un deuxième aspect, un procédé d'analyse, caractérisé en ce qu'il comporte: une étape de capture de signaux vibratoires fournissant un signal en fonction du temps; - une étape d'extraction de caractéristiques au cours de laquelle on extrait du signal fonction du temps au moins une caractéristique d'une distribution temps/fréquences; et - une étape de classification des signaux vibratoires au cours de laquelle on classe les

signaux vibratoires en fonction de chaque caractéristique extraite.

Les avantages, buts et caractéristiques particulières de ce procédé étant identiques à ceux du dispositif tel que succinctement exposé ci-dessus, ils ne sont pas

détaillés ici.

D'autres avantages, buts et caractéristiques de la présente invention ressortiront

de la description qui va suivre, faite, dans un but explicatif et nullement limitatif en regard 30 des dessins annexés dans lesquels:

- la figure 1 représente un mode particulier de réalisation du dispositif objet de la présente invention, - la figures 2 représente un mode particulier de réalisation du procédé objet de la présente invention, réalisant la fonction d'apprentissage, - la figures 3 représente un mode particulier de réalisation du procédé objet de la présente invention, réalisant la fonction de reconnaissance, - la figure 4 représente deux distributions des kurtosis de l'enveloppe du signal telles que calculées au cours d'une étape d'apprentissage illustrée en figure 2, l'une pour un roulement reconnu comme " bon " et l'autre pour un roulement présentant des chocs, et - la figure 5 représente deux distributions des fréquences instantanées telles que calculées au cours d'une étape de décision illustrée en figure 2, l'une pour un roulement reconnu comme " bon " et l'autre pour un roulement présentant un défaut stationnaire

(défaut dit de "non-superfinition").

Avant d'exposer les figures en détails, on donne ci-dessous des explications 10 d'ordre général concernant le domaine de l'invention et des éléments de modes de

réalisation préférentiels.

Dans la description des modes de réalisation illustrés par les figures, on appelle

"fenêtre d'apprentissage" un nombre d'échantillons prélevé dans le signal et qui correspond à un intervalle de temps dimensionné par l'opérateur, et "fenêtre de 15 reconnaissance" un nombre d'échantillons, prélevé dans le signal, égal à celui de la fenêtre d'apprentissage. La dimension temporelle de la fenêtre d'apprentissage est choisie suffisamment grande pour que les événements récurrents y soient largement représentés. Par exemple on prendra entre 0,6 s et 1,5 s pour un roulement mis en

rotation à 1800 tours par minute.

Dans la description des modes de réalisation illustrés par les figures, on appelle

"fenêtre court terme" un nombre d'échantillons prélevé dans un signal fonction du temps et qui correspond à un intervalle de temps suffisamment court par rapport à la récurrence des défauts. Par exemple on prendra 5 à 6 millisecondes pour des chocs roulements qui

se répètent à une fréquence voisine de 12Hz.

Dans toute la description, on appelle "descripteur" une caractéristique du signal

dans le domaine temps-fréquence. Le descripteur est, dans différents modes de réalisation, une distribution de variables locales calculées dans l'intervalle de temps défini par la fenêtre d'apprentissage ou une distribution de paramètres décrivant les distributions de ces variables locales pour chacune des fenêtres court terme contenues dans 30 l'intervalle défini par la fenêtre d'apprentissage. On donne ci-dessous des exemples de descripteur: - distribution de la fréquence instantanée, distribution des valeurs de l'enveloppe, - distribution des valeurs de la largeur de bande spectrale instantanée (en 35 anglais "Instantaneous Bandwidth" Bi(t)= A'(t)/A(t), décrit par les auteurs Cohen et Lee), - une distribution de paramètres décrivant les distributions de ces variables locales pour chacune des fenêtres court terme contenues dans l'intervalle défini par la fenêtre d'apprentissage, par exemple:

o Kurtosis, le moment d'ordre 4 de la distribution qui décrit l'étalement, et 5 o Skewness, le moment d'ordre 3 de la distribution qui décrit la symétrie.

Dans d'autres modes de réalisation le descripteur est une distribution de paramètres tels que Kurtosis et Skewness décrivant les distributions de fréquences obtenues par le calcul des distributions de Wigner-Ville, ChoWilliam, Rihaczeck ou de la

Transformée de Fourier à Court Terme (TFCT).

Un descripteur est fourni par un moyen d'extraction de caractéristiques, dans

l'exemple ci-dessous, un microprocesseur. Dans toute la description, on appelle "classificateur" ou moyen de classification, un moyen d'analyse d'une caractéristique du signal dans le domaine temps-fréquence. Le classificateur est, dans des modes de réalisation préférentiels, un réseau de neurones, sous forme logicielle ou sous forme d'un 15 composant électronique. Le classificateur met en oeuvre, dans d'autres modes de

réalisation, la logique floue.

On définit ici les termes suivants - "domaine temps-fréquence": La majorité des signaux observables dans des situations concrètes sont nonstationnaires. C'est l 'évolution temporelle du contenu 20 fréquentiel du signal qui permet de l'identifier ou de le classifier. Le timbre d'un instrument musical par exemple est identifiable par l'évolution de sa composition spectrale dans le temps. Les méthodes temps-fréquence prennent explicitement en compte une possible évolution temporelle du contenu fréquentiel d'un signal - "signal analytique": La notion de signal analytique a été introduite par Ville 25 (J.Ville, W., "Théorie et Applications de la Notion de Signal Analytique", Câbles et Transmission, Vol. 2a, pp. 61-74, 1948) Tout signal de la forme x(t) peut être représenté sous une forme analytique c'est à dire comme un vecteur dont le module et la vitesse de rotation peuvent varier au cours du temps. Au signal réel x(t) on associe une partie imaginaire iy(t) obtenue par l'application de la transformée de Hilbert et l'on peut alors 30 définir une amplitude instantanée A(t) que nous avons nommée enveloppe et une

fréquence instantanée fi(t).

En figure 1 sont représentés une pièce mise en rotation 100 par des moyens (non représentés), des capteurs 110 de signaux vibratoires, par exemple acoustiques, une carte à microprocesseur 120 comportant un microprocesseur 122 et ses périphériques 35 mémoire 124 et entrées/sorties 126, une carte d'acquisition 130 comportant un convertisseur analogique-numérique 132, un bus de données 140 reliant les différentes cartes, une carte 150 à réseau de neurones comportant premier un réseau de neurones 152 et un deuxième réseau de neurones 154. Le microprocesseur 122 met en oeuvre un logiciel mettant en oeuvre le procédé objet de la présente invention et respectant l'algorithme illustré en figure 2. Le microprocesseur est adapté à mettre en oeuvre 5 l'organigramme illustré en figure 2. Dans le prototype mis au point par l'inventeur, le réseau de neurones 152 est un réseau de Cooper, connu sous le nom de "RCE" (acronyme de Restricted Coulomb Energy). Cependant, d'autres réseaux de neurones, y compris logiciels, peuvent être mis en oeuvre et le moyen de classification peut ne pas

mettre en oeuvre de réseau de neurones.

La figure 2 décrit un mode particulier de réalisation du procédé d'apprentissage de deux descripteurs, l'un permettant de discriminer les défauts transitoires du type chocs utilisant une fenêtre court terme pour découper l'intervalle défini par la fenêtre d'apprentissage, et l'autre permettant de discriminer des défauts stationnaires comme la présence en permanence de fréquences particulières durant l'intervalle défini par la 15 fenêtre d'apprentissage. Chaque descripteur sera appris par un réseau de neurones différent. On observe en figure 2:

- une étape 210 d'acquisition du signal vibratoire, par le convertisseur analogiquenumérique 132, avec filtrage anti-repliement, ou de lecture d'un enregistrement 20 numérique de signaux vibratoires dans une base de données d'apprentissage.

Dans un mode particulier, cette base est constituée d'enregistrements de signaux vibratoires classés comme "bons", sans défauts, par l'opérateur. Le contenu du fichier est transféré dans la mémoire vive 124 de la carte à micro-processeur 120 - une étape de filtrage 220 appliquant un filtre numérique au signal issu de l'étape 25 210. Les fréquences de coupures sont choisies, par exemple, pour éliminer les interférences (dans les basses fréquences le plus souvent) ou bien pour isoler la bande spectrale dans laquelle l'évolution fréquentielle correspond à une signature particulière; - une étape de calcul du signal analytique 230 pour tout le signal enregistré: pour 30 un signal x(t), x étant un nombre réel, le signal analytique correspondant est de la forme z(t) = x(t) + iy(t), formule dans laquelle iy(t) est la transformée de Hilbert de x(t) et constitue la partie imaginaire de z(t). On obtient y(t) en déphasant le signal x(t) de pi/2 (signal en quadrature); - une étape de positionnement de la fenêtre d'apprentissage 240. Le choix du 35 positionnement dépend de la portion de l'enregistrement sur laquelle on va procéder à l'apprentissage; - une étape de calcul 250 de la fréquence instantanée fi(t) et de l'enveloppe correspondant à chaque échantillon de la fenêtre d'apprentissage. On peut calculer la fréquence instantanée en appliquant fi(t) = 1/2pi [x(t)y'(t)X,(t)y(t)/(X2+y2)];on peut également calculer la fréquence instantanée fi(t) à partir 5 des dérivées premières et secondes de x(t) et y(t) soit fi(t) = 1/2pi [x'(t)y"(t)x"(t)y'(t)/(x'2+y'2)]. L'enveloppe s'obtient par le calcul du module A(t) qui est la racine carrée de (x(t)2+y(t)2) - une étape de calcul 260 du kurtosis de l'enveloppe pour chaque fenêtre court terme contenue dans la fenêtre d'apprentissage. Soit, pour une fenêtre 10 d'apprentissage de 65536 échantillons et une fenêtre court terme de 256 échantillons on calcule 65536/256 = 256 kurtosis. Le kurtosis est calculé en utilisant la formule: -4 Kx=E(x-mx) K 4 Le kurtosis caractérise la forme de pic ou l'aplatissement relatifs d'une distribution 15 comparée à une distribution normale. Un kurtosis positif indique une distribution relativement pointue, tandis qu'un kurtosis négatif signale une distribution relativement aplatie; - une étape de calcul 270 de la distribution des kurtosis issus des calculs de l'étape 260. Le nombre de classes de cette distribution est choisi en fonction de la taille 20 du vecteur d'entrée du classifieur et de la précision requise. Dans l'exemple illustré aux figures 4 et 5, une distribution de 64 classes correspond à la taille du vecteur d'entrée du réseau de Cooper et apporte une précision suffisante pour une fenêtre d'apprentissage de 65536 échantillons et une fenêtre court terme de 256 échantillons - une étape d'apprentissage 280 de la distribution issue de l'étape 270 par le premier réseau de neurones 152; une étape de calcul 300 de la distribution des fréquences instantanées calculées à l'étape 250, le nombre de classes de cette distribution étant choisi en fonction de la taille du vecteur d'entrée du classifieur et de la précision requise; - une étape d'apprentissage 310 de la distribution issue de l'étape 300 par le deuxième réseau de neurones 154; - une étape de décision 320: si le procédé d'apprentissage doit se poursuivre avec l'enregistrement suivant, il retourne à l'étape 210, sinon l'étape 330 est effectuée et, - une étape 330 de sauvegarde des neurones d'apprentissage et fin du procédé d'apprentissage. La figure 3 décrit un mode particulier de réalisation du procédé de reconnaissance des deux descripteurs appris dans le mode particulier d'apprentissage représenté par la figure 2. On observe en figure 3: - une étape d'acquisition 410 du signal vibratoire, par le convertisseur analogiquenumérique 132, avec filtrage anti-repliement. Le signal est stocké dans un registre d'acquisition et le procédé attend que ce registre soit rempli avant de passer à 10 l'étape suivante 420. La dimension du registre d'acquisition est déterminée en fonction de la durée d'observation du signal choisie, de la capacité mémoire nécessaire, et du temps de réponse exigé par le processus de contrôle le cas échéant; - une étape de positionnement 420 de la fenêtre de reconnaissance: au 15 commencement du processus la fenêtre de reconnaissance est positionnée au début du registre d'acquisition. Elle a les mêmes bornes que la fenêtre d'apprentissage. A chaque retour à l'étape 420, la fenêtre de reconnaissance est déplacée d'un nombre d'échantillons égal ou inférieur à celui qu'elle contient, un nombre inférieur étant choisi si on souhaite un recouvrement des fenêtres de 20 reconnaissance; une étape de filtrage 430 appliquant un filtre numérique au signal issu de l'étape 420. Les fréquences de coupures sont les mêmes que celles choisies pour l'apprentissage illustré en figure 2; - une étape de calcul du signal analytique 440 correspondant à chaque échantillon 25 de la fenêtre d'apprentissage; - une étape de calcul 450 de la fréquence instantanée et de l'enveloppe correspondant à chaque échantillon de la fenêtre d'apprentissage; - une étape de calcul 460 du Kurtosis de l'enveloppe pour chaque fenêtre court terme contenue dans la fenêtre d'apprentissage; - une étape de calcul 470 de la distribution des Kurtosis issus des calculs de l'étape 460. Le nombre de classes de cette distribution est le même que celui fixé pour l'apprentissage illustré en figure 2; - une étape de classification 480 de la distribution issue de l'étape 470, par le premier réseau de neurones 152; - une étape de calcul 500 de la distribution des fréquences instantanées calculées à l'étape 450, le nombre de classes de cette distribution étant le même que celui fixé pour l'apprentissage illustré en figure 2; - une étape de classification 510 de la distribution issue de l'étape 500, par le deuxième réseau de neurones 154; - une étape de décision 520 si la fenêtre de reconnaissance n'a pas atteint la fin du registre d'acquisition, le procédé de reconnaissance reprend à l'étape 520 sinon, il passe à l'étape 530; et

- une étape 530 de sauvegarde des réponses d'au moins un réseau de neurone et 10 de fin du procédé de reconnaissance.

A l'étape de classification 480, le premier réseau de neurones reconnaît ou non la catégorie apprise. Par exemple, dans le cas o on aurait appris des " bons roulements ", si le réseau ne reconnaît pas cette catégorie c'est parce que des phénomènes transitoires de type chocs perturbent le signal présent dans la fenêtre de reconnaissance. Si lorsqu'on 15 déplace cette fenêtre les chocs persistent on peut diagnostiquer des chocs bague

extérieure ou bague intérieure pour le roulement considéré. Si ces chocs ne sont pas présents pour chaque fenêtre de reconnaissance on peut diagnostiquer des chocs billes.

Le procédé sauvegarde ces informations à l'étape 530.

A l'étape de classification 510, le second réseau de neurones reconnaît ou non la 20 catégorie apprise. Par exemple dans le cas o on aurait appris des " bons roulements "

si le réseau ne reconnaît pas cette catégorie c'est parce que des phénomènes stationnaires (défaut dit de "non-superfinition") perturbent le signal présent dans la fenêtre de reconnaissance. Généralement ces défauts persistent lorsqu'on déplace la fenêtre de reconnaissance, le diagnostic est alors bien confirmé. Le procédé sauvegarde ces 25 informations à l'étape 530.

On donne ci-dessous, en regard des figures 4 et 5, un exemple d'application de la présente invention à l'identification de défauts de roulements à billes. Dans cette application, on applique une charge, c'est à dire une force, à la couronne externe d'un roulement à billes, qui est fixe, et on met en rotation la couronne interne à 1800 tours par 30 minute. Le capteur 110 utilisé dans cet exemple est un accéléromètre fixé sur la bague extérieure et l'acquisition se fait à la fréquence de 44100 Hz. La figure 4 représente deux distributions 600 et 610 des kurtosis de l'enveloppe du signal telles que calculées à l'étape 270 de la figure 2, l'une, distribution 600, pour un roulement reconnu comme

" bon " et l'autre, distribution 610, pour un roulement présentant des chocs.

On observe que la distribution 600 s'étend sur une faible largeur, à gauche du graphe et présente un pic marqué alors que la distribution 610 s'étend une plus grande largeur, plus à droite du graphe et présente un pic moins important. Tout ou partie de ces caractéristiques sont exploitées par le premier réseau de neurones 152 selon le procédé

illustré en figures 2 et 3 pour identifier la qualité des roulements à billes.

La figure 5 représente deux distributions 650 et 660 des fréquences instantanées 5 telles que calculées à l'étape 300 de la figure 2, l'une, distribution 650, pour un roulement reconnu comme " bon " et l'autre, distribution 660, pour un roulement présentant un

défaut stationnaire (défaut dit de "non-superfinition").

On observe que la distribution 650 présente un pic et une moyenne situés plus à droite que la distribution 660. Ces caractéristiques sont exploitées par le deuxième réseau 10 de neurones 154 illustré en figure 1 selon le procédé illustré en figures 2 et 3 pour

identifier la qualité des roulements à billes.

Le classifieur utilisé pour cet exemple d'application est formé de deux réseaux de Cooper à trois couches de neurones, dont la dimension de chaque vecteur d'entrée est de 64 octets. La fenêtre d'apprentissage a été fixée à 65536 échantillons. La fenêtre court 15 terme a été fixée à 256 échantillons. Pour chaque apprentissage, on a présenté au premier réseau de Cooper un vecteur de 64 valeurs représentant la distribution du kurtosis de l'enveloppe du signal calculée pour les 256 fenêtres courtterme contenues dans la fenêtre d'apprentissage et au deuxième réseau de Cooper un vecteur de 64 valeurs représentant la distribution des fréquences instantanées de tous les échantillons 20 de la fenêtre d'apprentissage. La base d'apprentissage étant constituée de cinq enregistrements, de durée de 10 secondes, de roulements reconnus comme " bons " par un spécialiste, on a donc appris deux descripteurs par roulement. Lors de la phase de reconnaissance, chaque réseau de Cooper compare le vecteur Ve qui lui est présenté

aux vecteurs appris Va, en calculant la distance d telle que 25 d = somme des valeurs absolues de (Ve-Va).

Lorsque cette distance est inférieure à une valeur (champ d'influence) fixée lors de l'apprentissage, il reconnaît l'appartenance du vecteur Ve à la catégorie apprise représentée par Va. Nous avons présenté 53 enregistrements de roulements considérés comme " bons " roulements qui ont été reconnus comme bons par les deux réseaux de 30 Cooper. Nous avons ensuite présenté 21 enregistrements de roulements présentant des défauts de type stationnaire qui ont été rejetés à 100% par le deuxième réseau (histogramme de la fréquence instantanée) et 50 roulements présentant des défauts de type transitoires (chocs) qui ont été rejetés à 100% par le premier réseau (distribution du

kurtosis de l'enveloppe).

On observe que le dispositif et le procédé objets de la présente invention ne s'appliquent pas uniquement aux tests avec mise en rotation d'une pièce mais à tout signal analytique résultant d'excitations, de chocs ou résonances affectant localement le signal et sa distribution qui représente, de façon synthétique, la réponse à l'ensemble de ces excitations avec une résolution temporelle optimale, parce que, pour chaque échantillon du signal numérisé, on obtient une valeur des variables locales, fréquence 5 instantanée, enveloppe et largeur de bande instantanée. La distribution de ces variables locales opère une compression de données importante par rapport au signal échantillonné selon le nombre de classes spécifiées pour calculer l'histogramme et permet un temps de classement suffisamment rapide pour être compatible avec les

besoins de la production industrielle.

La présente invention permet de réaliser un appareillage pouvant être soit

implanté dans un banc de contrôle industriel soit miniaturisé pour effectuer des tests en maintenance préventive. Au réseau de neurones qui opère une discrimination sans ambiguté, elle apporte un descripteur pertinent et invariant (par rapport à l'amplitude du signal vibratoire reçu) et permet de remplacer avantageusement les méthodes 15 actuellement utilisées, y compris par analyse humaine.

Claims (9)

REVENDICATIONS:

1 - Dispositif de test, caractérisé en ce qu'il comporte: - au moins un capteur de signaux vibratoires (110) fournissant un signal en fonction du temps; - un moyen d'extraction de caractéristiques (120, 122) qui extrait du signal fonction du temps au moins une caractéristique d'une distribution temps/fréquences; et - un moyen de classification (150, 152) des signaux vibratoires en fonction de chaque

caractéristique extraite.

2 - Dispositif selon la revendication 1, caractérisé en ce qu'au moins un

capteur de signaux vibratoires (110) est un microphone acoustique.

3 - Dispositif selon l'une quelconque des revendications 1 ou 2, caractérisé en ce que le moyen d'extraction de caractéristiques (120, 122) est adapté à calculer la

fréquence instantanée par application numérique de la transformée de Hilbert.

4 - Dispositif selon l'une quelconque des revendications 1 à 3, caractérisé

en ce que le moyen d'extraction de caractéristiques (120, 122) est adapté à calculer l'enveloppe du signal analytique par application numérique de la transformée de Hilbert et

sa distribution dans une fenêtre temporelle déterminée.

-5 - Dispositif selon l'une quelconque des revendications 1 à 4, caractérisé 20 en ce que le moyen d'extraction de caractéristiques (120, 122) est adapté à calculer la

largeur du spectre instantané par application numérique de la transformée de Hilbert et de

la formulation de Cohen et Lee.

6 - Dispositif selon l'une quelconque des revendications 1 à 5, caractérisé en ce que le moyen de classification (150, 152) est adapté à effectuer un apprentissage 25 de caractéristiques de signaux vibratoires pour les différentes classes qu'il doit

discriminer.

7 - Dispositif selon l'une quelconque des revendications 1 à 6, caractérisé en ce que le moyen de classification (150, 152) comporte au moins un réseau de

neurones (152, 154).

8 - Procédé de test, caractérisé en ce qu'il comporte: - une étape d'acquisition de signaux vibratoires (410 - 430) fournissant un signal en fonction du temps; - une étape d'extraction de caractéristiques (440 470) qui extrait du signal fonction du temps au moins une caractéristique d'une distribution temps/fréquences; et - une étape de classification (480) des signaux vibratoires en fonction de chaque

caractéristique extraite.

9 - Procédé selon la revendication 8, caractérisé en ce que, au cours de l'étape d'extraction (440 - 470) de caractéristiques, on calcule une distribution de la

fréquence instantanée (450) par application numérique de la transformée de Hilbert.

- Procédé selon l'une quelconque des revendications 8 ou 9, caractérisé 5 en ce que au cours de l'étape d'extraction (440 - 470) de caractéristiques, on calcule

l'enveloppe (450) du signal analytique par application numérique de la transformée de

Hilbert et sa distribution dans une fenêtre temporelle déterminée.