Calcul autospectre LMS Siemens Testlab
Calculez rapidement la résolution fréquentielle, la fréquence de Nyquist, le nombre de lignes, la durée de bloc, la durée totale d’acquisition et la bande passante effective selon vos paramètres d’analyse FFT dans Siemens Testlab. Cet outil est conçu pour les ingénieurs NVH, vibration, acoustique et maintenance conditionnelle.
Calculateur FFT autospectre
Guide expert du calcul autospectre dans LMS Siemens Testlab
Le calcul d’autospectre dans LMS Siemens Testlab est au coeur de nombreuses campagnes de mesure en vibration, acoustique, NVH et diagnostic machine. Derrière une interface utilisateur qui semble simple, plusieurs paramètres influencent directement la qualité des résultats: fréquence d’échantillonnage, taille FFT, type de fenêtre, pourcentage de recouvrement et nombre de moyennes. Quand ces réglages sont cohérents avec l’objectif de test, l’autospectre devient un outil extrêmement puissant pour détecter des raies de rotation, quantifier des niveaux vibratoires, surveiller l’énergie fréquentielle et préparer des analyses plus avancées comme les fonctions de transfert, la cohérence, l’analyse d’ordres ou la maintenance conditionnelle.
En pratique, l’autospectre représente la distribution de l’énergie d’un signal en fonction de la fréquence. Dans Siemens Testlab, il est souvent affiché sous forme d’un spectre de puissance par bande, d’une PSD ou d’un spectre linéaire selon le contexte d’essai et le type d’affichage sélectionné. Pour l’ingénieur, la première question n’est pas seulement “quel spectre afficher ?”, mais plutôt “quelle finesse fréquentielle et quelle stabilité statistique faut-il atteindre pour répondre à l’objectif de mesure ?”. C’est précisément ce que ce calculateur aide à déterminer.
1. Les formules essentielles à connaître
La première grandeur à calculer est la résolution fréquentielle, souvent notée Δf. Elle dépend de la fréquence d’échantillonnage Fs et du nombre de points N dans la FFT:
- Δf = Fs / N
- Fmax = Fs / 2, soit la fréquence maximale observable sans repliement
- Nombre de lignes = N / 2 + 1 pour un signal réel
- Durée d’un bloc = N / Fs
- Durée totale d’acquisition avec recouvrement = Tbloc + (moyennes – 1) × Tpas
Le pas temporel entre deux blocs successifs dépend du recouvrement. Avec 50 % de recouvrement, un bloc de 0,8 s avance d’environ 0,4 s à chaque nouvelle moyenne. Ce point est souvent mal estimé par les débutants, alors qu’il conditionne directement la durée réelle d’un enregistrement stable. Plus vous augmentez le nombre de moyennes, plus la variance du spectre diminue, mais plus le temps total requis s’allonge.
2. Pourquoi la fenêtre modifie le résultat
Dans un environnement réel, les signaux ne tombent presque jamais exactement sur un nombre entier de périodes dans la fenêtre d’analyse. Sans correction, cela crée de la fuite spectrale. L’application d’une fenêtre réduit cette fuite, mais elle change aussi la largeur de bande effective. C’est là qu’intervient l’ENBW, ou Equivalent Noise Bandwidth. Cette métrique permet d’évaluer la largeur de bande fréquentielle effectivement analysée par une ligne de FFT après fenêtrage.
| Fenêtre | ENBW typique (bins) | Gain cohérent typique | Usage recommandé |
|---|---|---|---|
| Rectangulaire | 1.00 | 1.00 | Mesures transitoires, signaux parfaitement synchrones |
| Hann | 1.50 | 0.50 | Choix standard pour vibration et acoustique générale |
| Hamming | 1.36 | 0.54 | Compromis entre fuite et largeur de lobe |
| Blackman | 1.73 | 0.42 | Réduction renforcée des lobes secondaires |
| Flat Top | 3.77 | 0.2156 | Mesure d’amplitude la plus fidèle pour des raies isolées |
Ces statistiques sont largement utilisées dans la littérature DSP et dans les logiciels de mesure professionnels. Elles montrent un compromis fondamental: plus une fenêtre améliore la précision d’amplitude ou réduit les lobes secondaires, plus elle élargit la bande passante effective. En d’autres termes, une fenêtre Flat Top est excellente pour la lecture d’amplitude de pics sinusoïdaux, mais elle est moins favorable si votre priorité absolue est la séparation fréquentielle fine entre deux composantes proches.
3. Comment choisir Fs et N dans Siemens Testlab
Le choix de la fréquence d’échantillonnage Fs fixe votre fréquence maximale analysable. En environnement vibration machine, on commence souvent par identifier la plus haute fréquence utile liée au phénomène étudié: engrènement, défaut de roulement, mode structural, bruit d’écoulement, harmonique électrique ou excitation large bande. Il faut ensuite placer Fs suffisamment haut pour couvrir cette fréquence avec une marge réaliste, tout en respectant l’anti repliement du système d’acquisition.
La taille FFT N, elle, fixe la finesse fréquentielle. Si vous cherchez à séparer deux raies espacées de 2 Hz, une résolution de 5 Hz ne conviendra pas. Si vous cherchez seulement une tendance énergétique globale sur une large bande, une résolution trop fine alourdira inutilement le temps d’acquisition. C’est pourquoi on ne choisit jamais N de manière abstraite: on part toujours de la question de mesure.
- Définir la fréquence maximale d’intérêt.
- Choisir Fs pour couvrir cette bande.
- Déterminer l’écart fréquentiel minimal à distinguer.
- Choisir N pour obtenir un Δf compatible.
- Valider le temps de bloc et le temps total de mesure.
- Adapter le nombre de moyennes au niveau de stabilité recherché.
4. Le rôle statistique du moyennage
Dans un autospectre mesuré, les fluctuations d’estimation peuvent être importantes, surtout si le signal contient une part aléatoire ou si la durée de mesure est très courte. Le moyennage réduit cette dispersion. Pour une excitation stationnaire, la stabilité visuelle et numérique du spectre s’améliore au fur et à mesure des moyennes. C’est fondamental pour comparer deux états machine ou suivre une tendance de maintenance. En revanche, si le phénomène est transitoire ou fortement variable dans le temps, un nombre de moyennes trop élevé peut masquer l’information dynamique que vous cherchez justement à observer.
| Moyennes | Réduction qualitative de variance | Stabilité d’affichage | Cas d’usage typique |
|---|---|---|---|
| 1 à 3 | Faible | Très sensible aux fluctuations | Transitoire rapide, vérification préliminaire |
| 4 à 10 | Modérée | Bonne lecture des raies dominantes | Diagnostic rapide et essais de routine |
| 10 à 30 | Élevée | Très bon compromis industrie | NVH, vibration stationnaire, essais comparatifs |
| 30+ | Très élevée | Spectre très lissé statistiquement | Références, bruit large bande, suivi fin |
Un autre paramètre important est le recouvrement. Avec une fenêtre Hann, 50 % de recouvrement est souvent recommandé car il améliore l’efficacité temporelle sans compromettre la logique de l’estimation. Avec des fenêtres plus larges ou dans certains cas PSD, on peut aller plus haut si le logiciel et le contexte le justifient. Cependant, un recouvrement excessif n’apporte pas toujours un gain proportionnel et peut alourdir le traitement si vous n’avez pas un besoin réel de cadence élevée entre blocs.
5. Autospectre, PSD et spectre linéaire: quelle différence ?
Dans Siemens Testlab, la confusion entre autospectre, PSD et spectre linéaire est fréquente. Le spectre linéaire est souvent utilisé pour observer les amplitudes de composantes tonales. La PSD, elle, normalise le niveau par Hz, ce qui la rend particulièrement utile pour comparer des mesures acquises avec des résolutions différentes. L’autospectre représente quant à lui l’énergie intégrée sur la largeur de bande de chaque ligne. Si vous changez Δf, une PSD bien calculée reste conceptuellement comparable, tandis qu’un autospectre par ligne varie avec la largeur de bande.
En environnement industriel, on choisit souvent:
- Spectre linéaire pour visualiser des pics simples et suivre des ordres ou harmoniques.
- Autospectre pour l’énergie par bande et certaines analyses de puissance vibratoire.
- PSD pour le bruit large bande, les comparaisons entre essais et les analyses statistiques robustes.
6. Erreurs classiques lors du calcul d’autospectre
Les erreurs les plus courantes ne sont pas dues à l’algorithme FFT lui-même, mais à des choix de paramètres incompatibles avec le phénomène mesuré. Voici les pièges les plus fréquents:
- Choisir une résolution trop grossière et conclure à tort que deux composantes sont confondues.
- Choisir une fenêtre inadéquate pour un signal tonal, puis mal interpréter la largeur des pics.
- Comparer des autospectres acquis avec des Δf différents sans tenir compte de la largeur de bande.
- Utiliser trop peu de moyennes sur un signal aléatoire et surinterpréter des fluctuations de variance.
- Choisir une fréquence d’échantillonnage insuffisante et ignorer le risque de repliement.
- Ne pas vérifier les unités d’affichage dans Testlab avant d’exporter ou de rapporter un résultat.
7. Méthode de réglage recommandée pour un essai réel
Pour configurer efficacement un essai dans Siemens Testlab, une approche rigoureuse consiste à partir des phénomènes physiques attendus. Si vous testez un moteur, déterminez sa vitesse de rotation, les ordres dominants, les fréquences de passage de pales ou d’engrènement, ainsi que les résonances structurales possibles. Si vous analysez un roulement, estimez les fréquences caractéristiques de défaut et la bande latérale attendue. Ensuite seulement, ajustez Fs et N pour que le spectre soit capable de séparer clairement ces composantes.
Une fois la bande et la résolution choisies, sélectionnez la fenêtre. Pour la majorité des cas de vibration stationnaire, Hann reste le meilleur point de départ. Si votre objectif principal est l’exactitude d’amplitude sur des sinusoïdes isolées, Flat Top devient intéressant. Enfin, choisissez le nombre de moyennes selon le temps disponible et la stabilité recherchée. En laboratoire, 10 à 30 moyennes sont fréquentes. En suivi terrain rapide, 4 à 10 moyennes suffisent souvent pour une première décision.
8. Sources d’autorité pour aller plus loin
Si vous souhaitez approfondir les notions de fenêtrage, d’échantillonnage et de traitement fréquentiel, consultez également ces ressources académiques et institutionnelles:
- NIST.gov pour les références institutionnelles sur la mesure et la qualité métrologique.
- MIT OpenCourseWare pour des cours complets sur le traitement du signal et l’analyse fréquentielle.
- Rice University Electrical and Computer Engineering pour des ressources universitaires sur la FFT, le DSP et la mesure.
9. Conclusion opérationnelle
Le calcul d’autospectre dans LMS Siemens Testlab ne se résume pas à appuyer sur un bouton FFT. Il s’agit d’un équilibre entre couverture fréquentielle, finesse de résolution, contrôle de la fuite spectrale, stabilité statistique et durée totale d’acquisition. Une bonne configuration permet d’obtenir des spectres à la fois lisibles, comparables et physiquement pertinents. Le calculateur ci-dessus donne une base solide pour dimensionner rapidement votre acquisition avant de lancer une mesure réelle, réduire les itérations inutiles et sécuriser l’interprétation de vos résultats dans un contexte professionnel.
En résumé, si vous retenez trois principes, gardez ceux-ci: adaptez Fs à la bande utile, choisissez N selon la séparation fréquentielle requise, et sélectionnez fenêtre plus moyennage selon la nature physique du signal. Ce triptyque suffit déjà à améliorer de manière très nette la qualité des autospectres obtenus dans Siemens Testlab.