Calcul Du Spectre D Un Signal

Analysez instantanément le contenu fréquentiel d’un signal synthétique avec un calculateur interactif premium. Réglez la fréquence, l’amplitude, la phase, le type d’onde, l’échantillonnage et la durée, puis visualisez le spectre estimé grâce à une transformée de Fourier discrète directement dans votre navigateur.

• FFT pédagogique
• Visualisation du pic spectral
• Résolution fréquentielle automatique
• Compatible mobile

Calculateur de spectre

Le calcul utilise une DFT en JavaScript pour conserver un fonctionnement 100 % côté client. Pour garantir de bonnes performances, le nombre d’échantillons est automatiquement borné.

Guide expert du calcul du spectre d’un signal

Le calcul du spectre d’un signal consiste à décomposer un signal temporel en composantes fréquentielles afin de déterminer quelles fréquences le composent et avec quelle intensité. C’est une opération fondamentale en traitement du signal, en instrumentation, en audio, en télécommunications, en biomédical et en maintenance prédictive. Lorsqu’un ingénieur observe un capteur dans le domaine temporel, il voit une succession de valeurs mesurées dans le temps. Lorsqu’il observe ce même signal dans le domaine fréquentiel, il voit les raies, pics, harmoniques et bandes d’énergie qui permettent d’interpréter l’origine physique du phénomène observé.

Cette transition du temps vers la fréquence est rendue possible par la famille des transformées de Fourier. Pour un signal analogique théorique, on utilise la transformée de Fourier continue. Pour un signal numérique échantillonné, on utilise la transformée de Fourier discrète, souvent calculée en pratique par la FFT, pour Fast Fourier Transform. Le résultat permet de répondre à des questions très concrètes : quelle est la fréquence dominante d’un moteur, où apparaissent les harmoniques d’un signal carré, quelle partie du bruit est concentrée à haute fréquence, ou encore si l’échantillonnage choisi est suffisant pour éviter l’aliasing.

Pourquoi analyser le spectre d’un signal

L’analyse spectrale est utile parce qu’un signal temporel peut être difficile à interpréter visuellement. Une vibration de machine, un enregistrement audio ou une mesure de tension peuvent sembler complexes dans le temps, alors que leur spectre met immédiatement en évidence les fréquences significatives. En maintenance industrielle, un pic fréquentiel peut trahir un défaut de roulement. En acoustique, il peut révéler une fondamentale et ses harmoniques. En électronique, il permet de vérifier la qualité d’un oscillateur, la présence d’interférences ou la bande passante effective d’un montage.

• Identifier une fréquence dominante ou une fondamentale.
• Détecter les harmoniques, sous-harmoniques et intermodulations.
• Quantifier le bruit et sa distribution en fréquence.
• Vérifier la conformité d’un système de mesure ou de transmission.
• Diagnostiquer des défauts mécaniques, électriques ou acoustiques.

Les bases mathématiques à connaître

Pour un signal numérique de N échantillons, noté x[n], la transformée de Fourier discrète calcule un ensemble de coefficients complexes X[k]. Chaque coefficient représente la contribution d’une fréquence précise. Si la fréquence d’échantillonnage est f_s, alors l’intervalle entre deux points du spectre est la résolution fréquentielle :

Résolution fréquentielle = f_s / N

La fréquence maximale observable sans ambiguïté est la fréquence de Nyquist :

f_Nyquist = f_s / 2

Ces deux relations sont essentielles. Beaucoup d’erreurs viennent d’un mauvais compromis entre la durée d’acquisition, la fréquence d’échantillonnage et la résolution attendue. Si vous voulez séparer deux fréquences proches, il faut augmenter la durée de mesure. Si vous voulez observer des fréquences plus élevées, il faut augmenter l’échantillonnage. Mais si vous augmentez l’échantillonnage sans prolonger l’acquisition, vous n’améliorez pas nécessairement la finesse du spectre.

Règle pratique : pour distinguer finement des pics proches, augmentez d’abord la durée d’acquisition. Pour capter correctement des fréquences élevées, augmentez d’abord la fréquence d’échantillonnage.

Échantillonnage, Nyquist et aliasing

L’un des concepts les plus critiques du calcul du spectre est l’aliasing. Si un signal contient une fréquence supérieure à la moitié de la fréquence d’échantillonnage, cette composante se replie dans la bande utile et apparaît à une mauvaise fréquence. Ce phénomène déforme complètement l’interprétation. Pour cette raison, les systèmes réels utilisent souvent un filtre anti-repliement avant conversion analogique-numérique.

Par exemple, si vous échantillonnez à 1000 Hz, la fréquence de Nyquist est 500 Hz. Une composante réelle à 650 Hz ne pourra pas être correctement représentée et apparaîtra comme une composante repliée à 350 Hz. En instrumentation, cette erreur peut conduire à un diagnostic totalement faux. C’est pourquoi les concepteurs de systèmes de mesure choisissent une fréquence d’échantillonnage supérieure à deux fois la bande utile, avec une marge de sécurité supplémentaire.

Application	Fréquence utile typique	Échantillonnage courant	Commentaire technique
Voix téléphonique	Jusqu’à environ 3,4 kHz	8 kHz	Standard historique de téléphonie numérique, cohérent avec le critère de Nyquist.
Audio grand public	Jusqu’à 20 kHz	44,1 kHz	Le CD audio utilise 44,1 kHz pour couvrir la bande audible avec marge de filtrage.
Mesure vibratoire industrielle	0 à 10 kHz	25,6 kHz ou plus	Permet de suivre fondamentales, harmoniques et défauts de roulements.
EEG clinique	0,5 à 100 Hz	250 à 1000 Hz	Les rythmes cérébraux sont lents, mais un suréchantillonnage améliore la qualité de mesure.

Fenêtrage et fuite spectrale

Dans un monde idéal, le signal observé contiendrait un nombre entier de périodes dans la fenêtre d’acquisition. En pratique, c’est rarement le cas. Cette discontinuité de bord produit une fuite spectrale, c’est-à-dire un étalement de l’énergie d’une composante sur plusieurs bins fréquentiels. Le choix d’une fenêtre réduit ce problème.

La fenêtre rectangulaire correspond à une coupure directe du signal. Elle offre la meilleure résolution brute, mais elle est sensible à la fuite. La fenêtre de Hann réduit fortement les lobes secondaires et convient très bien à de nombreuses analyses générales. La fenêtre de Hamming est un compromis similaire, souvent utilisée en traitement audio et en télécommunications. Le choix dépend toujours de l’objectif : détecter des amplitudes exactes, séparer des fréquences proches, ou faire apparaître de faibles raies noyées près d’un pic dominant.

1. Fenêtre rectangulaire : utile si le signal est parfaitement périodique dans la fenêtre.
2. Fenêtre Hann : très bon compromis pour l’analyse générale.
3. Fenêtre Hamming : bon rejet des lobes secondaires avec comportement stable.

Comment interpréter un spectre

Interpréter un spectre ne consiste pas uniquement à lire le plus grand pic. Il faut regarder la structure complète. Une sinusoïde idéale produit un pic à sa fréquence. Un signal carré montre une fondamentale et des harmoniques impaires. Un signal triangulaire montre aussi principalement des harmoniques impaires, mais d’amplitude plus rapidement décroissante. Un bruit blanc présente un contenu étendu sur une large bande. Un bruit coloré, lui, présente une répartition énergétique plus marquée dans certaines zones de fréquence.

En diagnostic, on surveille souvent :

• La fréquence de pic principale.
• Les rapports d’amplitude entre fondamentale et harmoniques.
• La largeur des pics, qui peut renseigner sur la stabilité.
• Le plancher de bruit moyen.
• La présence de raies parasites à fréquence secteur, typiquement 50 Hz ou 60 Hz.

Résolution fréquentielle et durée de mesure

La résolution fréquentielle est fréquemment mal comprise. Beaucoup pensent qu’il suffit d’augmenter la fréquence d’échantillonnage pour mieux voir le détail. En réalité, la capacité à distinguer deux fréquences proches dépend d’abord de la durée d’observation. Si vous échantillonnez à 1024 Hz pendant 1 seconde, vous avez 1024 échantillons et une résolution de 1 Hz. Si vous gardez 1024 Hz mais mesurez pendant 4 secondes, vous obtenez 4096 échantillons et une résolution de 0,25 Hz. L’amélioration est considérable.

Fréquence d’échantillonnage	Durée	Nombre d’échantillons	Résolution fréquentielle
1024 Hz	0,5 s	512	2 Hz
1024 Hz	1 s	1024	1 Hz
1024 Hz	2 s	2048	0,5 Hz
2048 Hz	1 s	2048	1 Hz

Ce tableau montre un point important : doubler la fréquence d’échantillonnage ne change pas automatiquement la résolution si la durée reste identique. Cela augmente surtout la fréquence de Nyquist et donc la bande fréquentielle observable. Pour améliorer la finesse de lecture autour d’un pic, il faut souvent accroître la durée totale de mesure.

Différence entre DFT, FFT et densité spectrale

La DFT est la définition mathématique discrète de la décomposition fréquentielle. La FFT est un algorithme rapide qui calcule la DFT de manière plus efficace. Dans de nombreux outils, lorsqu’on dit “faire une FFT”, on désigne en réalité le calcul du spectre à l’aide d’un algorithme FFT. En parallèle, il existe des notions proches mais distinctes comme la densité spectrale de puissance, très utilisée pour quantifier l’énergie du bruit par unité de bande passante. Pour l’analyse simple d’une fréquence dominante, un spectre d’amplitude suffit souvent. Pour l’analyse du bruit, de la stabilité ou des mesures normatives, il faut aller plus loin.

Applications concrètes du calcul du spectre

Le calcul du spectre d’un signal intervient dans des domaines très variés :

• Audio : identifier les notes, visualiser le contenu harmonique d’un instrument, mesurer la distorsion.
• Électronique : analyser un oscillateur, vérifier une alimentation à découpage, détecter du bruit de commutation.
• Télécommunications : contrôler l’occupation spectrale, la modulation et les interférences.
• Biomédical : exploiter les bandes EEG, ECG ou EMG pour l’aide au diagnostic.
• Maintenance : surveiller les vibrations, les désalignements et les défauts de roulement ou de dentures.

Bonnes pratiques pour obtenir un spectre fiable

1. Choisir une fréquence d’échantillonnage au moins deux fois supérieure à la fréquence maximale utile, avec marge de sécurité.
2. Utiliser une durée d’acquisition suffisante pour atteindre la résolution fréquentielle voulue.
3. Appliquer un fenêtrage si le signal n’est pas parfaitement périodique dans la fenêtre.
4. Limiter le bruit de mesure et la saturation du capteur.
5. Vérifier les unités d’amplitude : crête, crête à crête, RMS, puissance ou densité.
6. Comparer le spectre avec les signatures théoriques attendues du système observé.

Ce que montre notre calculateur interactif

Le calculateur ci-dessus génère un signal synthétique selon vos paramètres puis calcule son spectre d’amplitude. Vous pouvez observer plusieurs phénomènes pédagogiques essentiels. Si vous choisissez une onde carrée, vous verrez apparaître des harmoniques impaires. Si vous augmentez le bruit, le plancher spectral se relève. Si vous modifiez la durée de mesure, la résolution fréquentielle change immédiatement. Enfin, si vous choisissez une fréquence d’échantillonnage trop faible, vous verrez que la fréquence de Nyquist limite la zone d’analyse fiable.

Ce type d’outil est particulièrement utile pour comprendre intuitivement le lien entre théorie et pratique. Il rappelle qu’un spectre n’est pas une propriété abstraite mais le résultat d’un protocole de mesure précis : acquisition, échantillonnage, fenêtrage, calcul numérique et interprétation. En ingénierie, deux spectres d’un même phénomène peuvent sembler différents si les conditions d’acquisition ne sont pas comparables.

Sources de référence recommandées

Pour approfondir le sujet avec des sources institutionnelles et universitaires, vous pouvez consulter :

• NIST.gov pour les références en mesure, métrologie et traitement numérique.
• MIT OpenCourseWare pour des cours universitaires sur le traitement du signal et Fourier.
• The Scientist and Engineer’s Guide to DSP hébergé sur un domaine éducatif de référence et largement utilisé pour l’apprentissage.

Conclusion

Le calcul du spectre d’un signal est l’un des outils les plus puissants pour passer d’une observation brute à une interprétation physique exploitable. Maîtriser la fréquence d’échantillonnage, la résolution, la fréquence de Nyquist, le fenêtrage et la lecture des harmoniques permet d’éviter les erreurs classiques et d’obtenir des analyses fiables. En pratique, le meilleur spectre n’est pas seulement celui qui affiche un beau graphique, mais celui qui repose sur des paramètres cohérents avec la réalité du signal mesuré. Utilisez le calculateur pour tester différents scénarios et développer des réflexes solides d’analyse fréquentielle.