{"id":274642,"date":"2026-01-05T08:22:04","date_gmt":"2026-01-05T08:22:04","guid":{"rendered":"https:\/\/design.crysound.com\/analyse-fft-avec-opentest\/"},"modified":"2026-01-05T08:22:04","modified_gmt":"2026-01-05T08:22:04","slug":"analyse-fft-avec-opentest","status":"publish","type":"post","link":"https:\/\/design.crysound.com\/fr\/blog\/analyse-fft-avec-opentest\/","title":{"rendered":"Analyse FFT avec OpenTest"},"content":{"rendered":"\n<p>Dans les essais audio et vibratoires, <strong>l\u2019analyse FFT (Fast Fourier Transform)<\/strong> est l\u2019un des outils qu\u2019\u00e0 peu pr\u00e8s tous les ing\u00e9nieurs finissent par utiliser t\u00f4t ou tard :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>R\u00e9ponse en fr\u00e9quence de haut-parleur<\/li>\n\n\n\n<li>Distorsion des \u00e9couteurs<\/li>\n\n\n\n<li>Diagnostics NVH<\/li>\n\n\n\n<li>D\u00e9pannage des r\u00e9sonances structurelles<\/li>\n\n\n\n<li>Bruit de production et chasse aux \u00ab tonalit\u00e9s myst\u00e9rieuses \u00bb<\/li>\n<\/ul>\n\n\n\n<p>Beaucoup de questions pratiques reviennent en fait \u00e0 demander les m\u00eames quelques \u00e9l\u00e9ments :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>O\u00f9 l\u2019\u00e9nergie est-elle concentr\u00e9e en fr\u00e9quence ?<\/li>\n\n\n\n<li>Est-elle domin\u00e9e par une seule tonalit\u00e9 ou par un ensemble d\u2019harmoniques ?<\/li>\n\n\n\n<li>\u00c0 quel niveau se situe le bruit de fond ?<\/li>\n\n\n\n<li>Y a-t-il des pics de r\u00e9sonance ?<\/li>\n<\/ul>\n\n\n\n<p>La FFT est le point d\u2019entr\u00e9e le plus universel pour r\u00e9pondre \u00e0 ces questions.<\/p>\n\n\n\n<p>Cet article vous aidera \u00e0 clarifier trois points d\u2019un point de vue ing\u00e9nierie :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Ce qu\u2019est l\u2019analyse FFT<\/strong><\/li>\n\n\n\n<li><strong>Comment la FFT fonctionne conceptuellement<\/strong><\/li>\n\n\n\n<li><strong>Comment utiliser la FFT correctement et efficacement en pratique<\/strong><\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Qu\u2019est-ce que la FFT ?<\/strong><\/h2>\n\n\n\n<p>Dans le <strong>domaine temporel<\/strong>, un signal n\u2019est qu\u2019une forme d\u2019onde qui \u00e9volue dans le temps \u2013 tous les composants \u00e9tant \u00ab empil\u00e9s \u00bb ensemble sur une seule trace. On peut le voir, mais il est difficile de dire quelles fr\u00e9quences il contient.<\/p>\n\n\n\n<p>La FFT (Fast Fourier Transform) d\u00e9compose un signal dans le domaine temporel en une somme de sinuso\u00efdes \u00e0 diff\u00e9rentes fr\u00e9quences. Dans le <strong>domaine fr\u00e9quentiel<\/strong>, le signal est repr\u00e9sent\u00e9 par <strong>fr\u00e9quence + amplitude + phase<\/strong>. En termes simples :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Domaine temporel<\/strong> : comment le signal \u00e9volue dans le temps<\/li>\n\n\n\n<li><strong>Domaine fr\u00e9quentiel<\/strong> : quels composants fr\u00e9quentiels il contient, lesquels sont les plus forts, et comment ils se rapportent les uns aux autres<\/li>\n<\/ul>\n\n\n\n<p>Historiquement, l\u2019id\u00e9e cl\u00e9 de Fourier (au d\u00e9but du XIXe si\u00e8cle) \u00e9tait qu\u2019une fonction p\u00e9riodique complexe peut \u00eatre exprim\u00e9e comme une somme de sinuso\u00efdes et de cosinus. Cela a \u00e9volu\u00e9 vers la transform\u00e9e de Fourier en temps continu, qui projette les signaux sur un axe de fr\u00e9quence continu.<\/p>\n\n\n\n<p>\u00c0 l\u2019\u00e8re de l\u2019informatique, les choses ont chang\u00e9 : les ing\u00e9nieurs travaillent avec des <strong>donn\u00e9es \u00e9chantillonn\u00e9es<\/strong> et ne disposent g\u00e9n\u00e9ralement que d\u2019un <strong>enregistrement de longueur finie de N \u00e9chantillons<\/strong>. Cela conduit \u00e0 la <strong>DFT (Discrete Fourier Transform)<\/strong>, qui met en correspondance N \u00e9chantillons temporels avec N raies de fr\u00e9quence discr\u00e8tes.<\/p>\n\n\n\n<p>La FFT (Fast Fourier Transform) n\u2019est <strong>pas une transform\u00e9e diff\u00e9rente<\/strong>. C\u2019est une <strong>famille d\u2019algorithmes<\/strong> qui calcule exactement la m\u00eame DFT de mani\u00e8re beaucoup plus efficace :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>DFT directe : complexit\u00e9 ~ O(N\u00b2)<\/li>\n\n\n\n<li>FFT : complexit\u00e9 ~ O(N log N)<\/li>\n<\/ul>\n\n\n\n<p>La sortie X[k] est <strong>identique<\/strong> au r\u00e9sultat de la DFT \u2013 la FFT y parvient simplement beaucoup plus rapidement en exploitant la sym\u00e9trie et le principe \u00ab diviser pour r\u00e9gner \u00bb.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Ce \u00e0 quoi la FFT est adapt\u00e9e \u2013 et ce \u00e0 quoi elle ne l\u2019est pas<\/strong><\/h2>\n\n\n\n<p><strong>La FFT est tr\u00e8s performante pour :<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Trouver des composantes d\u00e9terministes \u00e0 bande \u00e9troite<\/strong>\n<ul class=\"wp-block-list\">\n<li>Tonalit\u00e9s fondamentales, harmoniques, fr\u00e9quences de commutation, sifflements, raies li\u00e9es \u00e0 la vitesse<\/li>\n<\/ul>\n<\/li>\n\n\n\n<li><strong>Observer des distributions large bande<\/strong>\n<ul class=\"wp-block-list\">\n<li>Bruit de fond, pentes 1\/f, puissance en bande, SNR<\/li>\n<\/ul>\n<\/li>\n\n\n\n<li><strong>Caract\u00e9riser le comportement d\u2019un syst\u00e8me<\/strong>\n<ul class=\"wp-block-list\">\n<li>Fonctions de transfert, r\u00e9sonances \/ anti-r\u00e9sonances, coh\u00e9rence, estimation de d\u00e9lai<\/li>\n<\/ul>\n<\/li>\n\n\n\n<li><strong>Servir de base \u00e0 l\u2019analyse temps\u2013fr\u00e9quence<\/strong>\n<ul class=\"wp-block-list\">\n<li>STFT, spectrogrammes, etc.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n\n\n\n<p><strong>La FFT n\u2019est pas adapt\u00e9e (ou pas suffisante \u00e0 elle seule) pour :<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Des signaux fortement non stationnaires et la \u00ab fr\u00e9quence instantan\u00e9e \u00bb<\/strong>\n<ul class=\"wp-block-list\">\n<li>Pour les chirps et les contenus \u00e9voluant rapidement, il faut utiliser des STFT, ondelettes ou autres m\u00e9thodes temps\u2013fr\u00e9quence, et non une seule FFT sur un long enregistrement<\/li>\n<\/ul>\n<\/li>\n\n\n\n<li><strong>S\u00e9parer deux tonalit\u00e9s extr\u00eamement proches en dessous de votre r\u00e9solution fr\u00e9quentielle<\/strong>\n<ul class=\"wp-block-list\">\n<li>Si l\u2019\u00e9cart est plus petit que la r\u00e9solution de vos raies (d\u00e9finie par N), aucun algorithme ne les r\u00e9soudra \u00ab magiquement \u00bb<\/li>\n<\/ul>\n<\/li>\n\n\n\n<li><strong>Transformer de courtes donn\u00e9es en \u00ab longues mesures \u00bb<\/strong>\n<ul class=\"wp-block-list\">\n<li>Le bourrage de z\u00e9ros n\u2019interpole que visuellement le spectre ; il n\u2019<strong>ajoute pas<\/strong> de nouvelle information<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Avant d\u2019utiliser la FFT : concepts cl\u00e9s \u00e0 bien ma\u00eetriser<\/strong><\/h2>\n\n\n\n<p>Pour bien utiliser la FFT, vous devez \u00eatre \u00e0 l\u2019aise avec quelques fondamentaux :<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li>Fr\u00e9quence d\u2019\u00e9chantillonnage<\/li>\n\n\n\n<li>La DFT et son interpr\u00e9tation<\/li>\n\n\n\n<li>Ce que vous tracez r\u00e9ellement (module, amplitude, puissance, PSD)<\/li>\n\n\n\n<li>Fen\u00eatrage et fuite spectrale<\/li>\n\n\n\n<li>Moyennage<\/li>\n<\/ol>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Fr\u00e9quence d\u2019\u00e9chantillonnage : jusqu\u2019\u00e0 quelle fr\u00e9quence vous pouvez \u00ab voir \u00bb<\/strong><\/h3>\n\n\n\n<p>Avant la FFT, vous avez d\u00e9j\u00e0 pris une d\u00e9cision cruciale : l\u2019\u00e9chantillonnage. Un signal en temps continu x(t) est transform\u00e9 en une suite discr\u00e8te x[n]=x(n\/fs). La fr\u00e9quence d\u2019\u00e9chantillonnage fsf_sfs\u200b d\u00e9termine la <strong>fr\u00e9quence la plus \u00e9lev\u00e9e que vous pouvez observer sans repliement spectral (aliasing)<\/strong> : la <strong>fr\u00e9quence de Nyquist<\/strong>, fs\/2.<\/p>\n\n\n\n<p>Si le signal analogique contient de l\u2019\u00e9nergie au-dessus de fs\/2, elle ne dispara\u00eet pas \u2013 elle se replie dans la bande sous Nyquist sous forme d\u2019<strong>aliasing<\/strong>. Une fois que l\u2019aliasing s\u2019est produit, la FFT ne peut pas \u00ab l\u2019annuler \u00bb ; l\u2019information est irr\u00e9versiblement m\u00e9lang\u00e9e.<\/p>\n\n\n\n<p>En pratique, vous devez utiliser un <strong>filtre anti-repliement<\/strong> avant l\u2019ADC (ou avant tout r\u00e9\u00e9chantillonnage) pour supprimer les composantes au-dessus de Nyquist.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" src=\"https:\/\/design.crysound.com\/wp-content\/uploads\/2026\/01\/image-1024x455.webp\" alt=\"\" class=\"wp-image-264683\"\/><\/figure>\n\n\n\n<p><em>Exemple :<\/em> une sinuso\u00efde de 900 Hz \u00e9chantillonn\u00e9e \u00e0 fs=1&nbsp;kHz appara\u00eetra \u00e0 100 Hz dans le spectre discret \u2013 un artefact classique d\u2019aliasing.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Calcul et interpr\u00e9tation de la DFT<\/strong><\/h3>\n\n\n\n<p>\u00c9tant donn\u00e9 N \u00e9chantillons x[0]..x[N\u22121], la DFT est d\u00e9finie comme suit :<\/p>\n\n\n\n<figure class=\"wp-block-image size-large is-resized\"><img decoding=\"async\" src=\"https:\/\/design.crysound.com\/wp-content\/uploads\/2026\/01\/QianJianTec1767161799209-1024x77.webp\" alt=\"\" class=\"wp-image-264689\" style=\"width:470px;height:auto\"\/><\/figure>\n\n\n\n<p>La transform\u00e9e inverse (IDFT) reconstruit le signal temporel : <\/p>\n\n\n\n<figure class=\"wp-block-image size-large is-resized\"><img decoding=\"async\" src=\"https:\/\/design.crysound.com\/wp-content\/uploads\/2026\/01\/QianJianTec1767164703907-1024x86.webp\" alt=\"\" class=\"wp-image-264690\" style=\"width:430px;height:auto\"\/><\/figure>\n\n\n\n<p>Intuitivement, X[k] vous indique <strong>\u00e0 quel point le signal est fortement corr\u00e9l\u00e9<\/strong> avec une exponentielle complexe \u00e0 la fr\u00e9quence de cette raie.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Le <strong>module<\/strong> X[k] indique \u00ab combien \u00bb de ce composant fr\u00e9quentiel est pr\u00e9sent<\/li>\n\n\n\n<li>La <strong>phase<\/strong> encode l\u2019alignement temporel par rapport aux autres composantes<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Que tracez-vous ? Module, amplitude, puissance, PSD<\/strong><\/h3>\n\n\n\n<p>\u00c0 partir d\u2019un seul jeu de r\u00e9sultats FFT X[k], vous pouvez cr\u00e9er de nombreux \u00ab spectres \u00bb diff\u00e9rents qui se ressemblent mais repr\u00e9sentent <strong>des grandeurs physiques diff\u00e9rentes<\/strong>. C\u2019est l\u00e0 que na\u00eet souvent la confusion entre outils et plates-formes.<\/p>\n\n\n\n<p>Les variantes courantes incluent :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Spectre de module<\/strong> |X[k]|\n<ul class=\"wp-block-list\">\n<li>Les unit\u00e9s d\u00e9pendent de la normalisation (par ex. \u00ab V\u00b7\u00e9chantillons \u00bb)<\/li>\n\n\n\n<li>Utile pour localiser les pics, les harmoniques et la forme spectrale g\u00e9n\u00e9rale<\/li>\n<\/ul>\n<\/li>\n\n\n\n<li><strong>Spectre d\u2019amplitude<\/strong>\n<ul class=\"wp-block-list\">\n<li>Module correctement mis \u00e0 l\u2019\u00e9chelle, en unit\u00e9s physiques (par ex. V)<\/li>\n\n\n\n<li>Appropri\u00e9 pour lire les amplitudes de sinuso\u00efdes et effectuer des mesures \u00e9talonn\u00e9es<\/li>\n<\/ul>\n<\/li>\n\n\n\n<li><strong>Spectre de puissance<\/strong> |X[k]|\u00b2\n<ul class=\"wp-block-list\">\n<li>L\u00e0 encore, l\u2019\u00e9chelle d\u00e9pend de la convention ; souvent utilis\u00e9 pour comparer des puissances\/\u00e9nergies lorsque les conventions sont fix\u00e9es<\/li>\n<\/ul>\n<\/li>\n\n\n\n<li><strong>Densit\u00e9 spectrale de puissance (PSD)<\/strong> Sxx(f)\n<ul class=\"wp-block-list\">\n<li>Unit\u00e9s de type V\u00b2\/Hz ou Pa\u00b2\/Hz<\/li>\n\n\n\n<li>Utilis\u00e9e pour l\u2019analyse de bruit, la puissance en bande et les comparaisons entre diff\u00e9rentes longueurs de FFT<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n\n\n\n<p>Si vous voulez <strong>comparer des niveaux de bruit<\/strong> entre diff\u00e9rentes tailles de FFT, fen\u00eatres ou outils, utilisez la <strong>PSD<\/strong> (ou la densit\u00e9 spectrale d\u2019amplitude). Les valeurs brutes |X| ou &nbsp;|X|\u00b2 sont rarement directement comparables.<\/p>\n\n\n\n<p><strong>Un exemple concret : deux tonalit\u00e9s dans le temps et en fr\u00e9quence<\/strong><\/p>\n\n\n\n<p>Imaginez un signal compos\u00e9 de deux sinuso\u00efdes \u00e0 des fr\u00e9quences diff\u00e9rentes.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Dans le <strong>domaine temporel<\/strong>, leur somme peut ressembler \u00e0 une forme d\u2019onde \u00ab chancelante \u00bb (wobbly).<\/li>\n\n\n\n<li>Dans le <strong>domaine fr\u00e9quentiel<\/strong> (FFT\/PSD), vous verrez <strong>deux pics \u00e9troits distincts<\/strong> aux fr\u00e9quences correspondantes.<\/li>\n<\/ul>\n\n\n\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" src=\"https:\/\/design.crysound.com\/wp-content\/uploads\/2026\/01\/\u5fae\u4fe1\u56fe\u7247_2025-12-31_161309_507-1024x627.webp\" alt=\"\" class=\"wp-image-264692\"\/><\/figure>\n\n\n\n<p>Dans l\u2019analyse FFT d\u2019OpenTest, vous pouvez visualiser simultan\u00e9ment le spectre et la PSD\/ASD c\u00f4te \u00e0 c\u00f4te, ce qui facilite :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Identifier les composantes tonales<\/li>\n\n\n\n<li>Inspecter la r\u00e9partition du bruit<\/li>\n\n\n\n<li>Comparer diff\u00e9rentes conditions de fonctionnement sur la m\u00eame grille de fr\u00e9quences<\/li>\n<\/ul>\n\n\n\n<p><strong>Essayez par vous-m\u00eame :<\/strong> <a href=\"http:\/\/www.opentest.com\" target=\"_blank\" rel=\"noopener\" title=\"\">t\u00e9l\u00e9chargez l\u2019\u00e9dition OpenTest gratuite<\/a> et ex\u00e9cutez une FFT sur un simple signal \u00e0 deux tonalit\u00e9s pour voir clairement les deux pics s\u00e9par\u00e9s.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Fonctions de fen\u00eatre et fuite spectrale : nettoyer les spectres<\/strong><\/h3>\n\n\n\n<p>En th\u00e9orie, la FFT suppose que le bloc \u00e9chantillonn\u00e9 contient un <strong>nombre entier de p\u00e9riodes<\/strong> et qu\u2019il est ensuite r\u00e9p\u00e9t\u00e9 p\u00e9riodiquement. En r\u00e9alit\u00e9, l\u2019enregistrement ne correspond presque jamais parfaitement \u00e0 un nombre entier de cycles. Lorsque vous r\u00e9p\u00e9tez ce bloc, vous obtenez des discontinuit\u00e9s aux fronti\u00e8res, ce qui provoque une dispersion de l\u2019\u00e9nergie dans les raies voisines \u2014 c\u2019est la <strong>fuite spectrale<\/strong>.<\/p>\n\n\n\n<p>Pour r\u00e9duire la fuite, on applique g\u00e9n\u00e9ralement une <strong>fonction de fen\u00eatre<\/strong> \u00e0 l\u2019enregistrement temporel avant d\u2019effectuer la FFT. Une fen\u00eatre affecte simultan\u00e9ment :<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li><strong>La largeur de la lobe principale<\/strong>\n<ul class=\"wp-block-list\">\n<li>Lobe principale plus large = pics plus \u00e9tendus \u2192 il est plus difficile de s\u00e9parer des tonalit\u00e9s proches<\/li>\n<\/ul>\n<\/li>\n\n\n\n<li><strong>La hauteur des lobes secondaires<\/strong>\n<ul class=\"wp-block-list\">\n<li>Des lobes secondaires plus faibles = il est plus facile de voir des petits pics pr\u00e8s d\u2019un grand (meilleure dynamique)<\/li>\n<\/ul>\n<\/li>\n\n\n\n<li><strong>L\u2019\u00e9chelle d\u2019amplitude\/d\u2019\u00e9nergie<\/strong>\n<ul class=\"wp-block-list\">\n<li>Les fen\u00eatres modifient la relation entre l\u2019amplitude r\u00e9elle d\u2019une sinuso\u00efde pure et le pic observ\u00e9, ainsi que le niveau de bruit de fond<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n\n\n\n<p>Quelques recommandations pratiques :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Fen\u00eatre rectangulaire<\/strong>\n<ul class=\"wp-block-list\">\n<li>\u00c0 n\u2019utiliser que lorsque vous pouvez garantir un \u00e9chantillonnage coh\u00e9rent (un nombre entier de p\u00e9riodes dans l\u2019enregistrement) et que vous voulez la lobe principale la plus \u00e9troite possible<\/li>\n<\/ul>\n<\/li>\n\n\n\n<li><strong>Fen\u00eatre de Hanning (Hann)<\/strong>\n<ul class=\"wp-block-list\">\n<li>Un choix par d\u00e9faut tr\u00e8s robuste pour les travaux g\u00e9n\u00e9raux en acoustique et vibration<\/li>\n\n\n\n<li>Largement utilis\u00e9e avec les m\u00e9thodes de Welch\/PSD<\/li>\n<\/ul>\n<\/li>\n\n\n\n<li><strong>Hamming<\/strong>\n<ul class=\"wp-block-list\">\n<li>Similaire \u00e0 Hann, avec un comportement de lobes secondaires l\u00e9g\u00e8rement diff\u00e9rent, courant dans les communications<\/li>\n<\/ul>\n<\/li>\n\n\n\n<li><strong>Blackman \/ Blackman\u2013Harris<\/strong>\n<ul class=\"wp-block-list\">\n<li>Lobes secondaires plus faibles, utile lorsque vous devez voir de petits pics \u00e0 c\u00f4t\u00e9 de grands, au prix d\u2019une lobe principale plus large<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n\n\n\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" src=\"https:\/\/design.crysound.com\/wp-content\/uploads\/2026\/01\/\u5fae\u4fe1\u56fe\u7247_2025-12-31_171329_033-1024x625.webp\" alt=\"\" class=\"wp-image-264695\"\/><\/figure>\n\n\n\n<p>Dans OpenTest, vous pouvez basculer entre diff\u00e9rentes fonctions de fen\u00eatre dans le module d\u2019analyse FFT et voir imm\u00e9diatement l\u2019impact sur la largeur des pics, les lobes secondaires et le bruit de fond.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Moyennage : rendre les spectres plus stables<\/strong><\/h3>\n\n\n\n<p>Pour des signaux bruit\u00e9s ou non stationnaires, une seule FFT peut para\u00eetre tr\u00e8s \u00ab irr\u00e9guli\u00e8re \u00bb ou instable. En moyennant plusieurs spectres, vous obtenez un r\u00e9sultat plus lisse et plus reproductible. Les types de moyennage courants incluent :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Moyennage lin\u00e9aire<\/strong>\n<ul class=\"wp-block-list\">\n<li>Une simple moyenne arithm\u00e9tique de plusieurs r\u00e9sultats FFT<\/li>\n<\/ul>\n<\/li>\n\n\n\n<li><strong>Moyennage exponentiel<\/strong>\n<ul class=\"wp-block-list\">\n<li>Les donn\u00e9es r\u00e9centes ont plus de poids ; pratique pour la surveillance en temps r\u00e9el lorsque le spectre doit r\u00e9agir sans fluctuer de mani\u00e8re excessive<\/li>\n<\/ul>\n<\/li>\n\n\n\n<li><strong>Moyennage d\u2019\u00e9nergie (de puissance)<\/strong>\n<ul class=\"wp-block-list\">\n<li>Bas\u00e9 sur la puissance ; garantit la coh\u00e9rence des grandeurs li\u00e9es \u00e0 la puissance<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n\n\n\n<p>Une bonne configuration de moyennage trouve un \u00e9quilibre entre la <strong>suppression des fluctuations al\u00e9atoires<\/strong> et la <strong>pr\u00e9servation des variations r\u00e9elles<\/strong> du signal.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>O\u00f9 utilisons-nous la FFT en pratique ?<\/strong><\/h2>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Audio et acoustique<\/strong><\/h3>\n\n\n\n<p>Les applications typiques incluent :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Recherche des fr\u00e9quences de larsen, de la distorsion harmonique et des bruits de fond des dispositifs<\/li>\n\n\n\n<li>Mesure de la r\u00e9ponse en fr\u00e9quence (fonction de transfert)<\/li>\n\n\n\n<li>Analyse des modes de salle \/ r\u00e9sonances<\/li>\n\n\n\n<li>Spectrogrammes de la parole, de la musique et du bruit d\u2019\u00e9quipements<\/li>\n<\/ul>\n\n\n\n<p>En audio\/acoustique, vous devez \u00eatre clair sur les unit\u00e9s et les conventions :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>dB SPL, pond\u00e9ration A, bandes 1\/3 d\u2019octave, etc.<\/li>\n\n\n\n<li>La FFT est le moteur ; la <strong>convention de restitution<\/strong> (r\u00e9f\u00e9rence, pond\u00e9ration, largeur de bande) doit \u00eatre clairement d\u00e9finie.<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Vibration et machines tournantes<\/strong><\/h3>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Identification des pics li\u00e9s \u00e0 la vitesse (1X, 2X, fr\u00e9quences d\u2019engr\u00e8nement)<\/li>\n\n\n\n<li>R\u00e9sonances structurelles et comportement modale sous diff\u00e9rentes conditions de fonctionnement<\/li>\n\n\n\n<li>Diagnostics de roulements, sifflements d\u2019engrenages, balourd, d\u00e9salignement<\/li>\n<\/ul>\n\n\n\n<p>Pour l\u2019analyse de roulements et de bo\u00eetes de vitesses, la d\u00e9tection d\u2019enveloppe\/d\u00e9modulation est souvent utilis\u00e9e :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Filtrer le signal par un passe-bande<\/li>\n\n\n\n<li>D\u00e9moduler puis effectuer une FFT sur l\u2019enveloppe pour r\u00e9v\u00e9ler les fr\u00e9quences de d\u00e9faut<\/li>\n<\/ul>\n\n\n\n<p>Si la vitesse de rotation varie, une simple FFT \u00ab \u00e9talera \u00bb les pics. Dans ce cas, un <strong>suivi d\u2019ordres<\/strong> ou un r\u00e9\u00e9chantillonnage synchrone est plus appropri\u00e9, transformant l\u2019axe de \u00ab fr\u00e9quence \u00bb en \u00ab ordre \u00bb.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>\u00c9lectronique de puissance et qualit\u00e9 de l\u2019\u00e9nergie<\/strong><\/h3>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Harmoniques de la fr\u00e9quence secteur (50\/60 Hz et multiples), THD, ondulation, pointes de commutation<\/li>\n\n\n\n<li>V\u00e9rifications EMI de pr\u00e9-conformit\u00e9 : raies spectrales, bruit de fond, puissance en bande<\/li>\n<\/ul>\n\n\n\n<p>Dans les syst\u00e8mes de puissance, l\u2019\u00e9chantillonnage non coh\u00e9rent est un probl\u00e8me courant : si la dur\u00e9e d\u2019enregistrement n\u2019est pas un nombre entier de cycles secteur, la fuite d\u00e9grade la pr\u00e9cision des harmoniques. Les solutions incluent l\u2019\u00e9chantillonnage synchrone, des fen\u00eatres sur un nombre entier de cycles ou des analyseurs d\u2019harmoniques sp\u00e9cialis\u00e9s.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>RF et communications (vue bande de base)<\/strong><\/h3>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Spectres de signaux modul\u00e9s et masques spectraux<\/li>\n\n\n\n<li>Analyse spectrale OFDM et multiporteuse, fuite vers les canaux adjacents<\/li>\n<\/ul>\n\n\n\n<p>Ici, la coh\u00e9rence est primordiale :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>M\u00eames unit\u00e9s<\/li>\n\n\n\n<li>M\u00eame largeur de bande de r\u00e9solution (RBW)<\/li>\n\n\n\n<li>M\u00eame fen\u00eatre, m\u00eame d\u00e9tecteur et m\u00eame style de moyennage<\/li>\n<\/ul>\n\n\n\n<p>La FFT en elle-m\u00eame est simple ; la transformer en <strong>mesures de puissance comparables<\/strong> n\u00e9cessite des r\u00e9glages pr\u00e9cis\u00e9ment d\u00e9finis.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Imagerie et filtrage 2D<\/strong><\/h3>\n\n\n\n<p>La FFT 2D \u00e9tend la m\u00eame id\u00e9e aux images :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Les contours correspondent aux hautes fr\u00e9quences spatiales ; les zones uniformes aux basses fr\u00e9quences<\/li>\n\n\n\n<li>Filtrage passe-bas \/ passe-haut, suppression du bruit p\u00e9riodique, acc\u00e9l\u00e9ration des convolutions dans le domaine fr\u00e9quentiel<\/li>\n<\/ul>\n\n\n\n<p>La m\u00eame hypoth\u00e8se d\u2019extension p\u00e9riodique s\u2019applique d\u00e9sormais en 2D : les discontinuit\u00e9s aux bords de l\u2019image produisent de forts artefacts dans le domaine fr\u00e9quentiel. Le bourrage, les bords r\u00e9fl\u00e9chis ou les fen\u00eatres 2D sont des moyens courants d\u2019att\u00e9nuer ce ph\u00e9nom\u00e8ne.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Faire de la FFT un outil d\u2019ing\u00e9nierie au quotidien<\/strong><\/h2>\n\n\n\n<p>D\u2019un point de vue math\u00e9matique, la FFT n\u2019est pas particuli\u00e8rement \u00ab l\u00e9g\u00e8re \u00bb. Mais dans l\u2019utilisation en ing\u00e9nierie, l\u2019objectif est en r\u00e9alit\u00e9 simple :<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<p><strong>Voir plus clairement et beaucoup plus rapidement ce qui est cach\u00e9 \u00e0 l\u2019int\u00e9rieur du signal.<\/strong><\/p>\n<\/blockquote>\n\n\n\n<p>Lorsque vous comprenez :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Ce que la FFT calcule r\u00e9ellement<\/li>\n\n\n\n<li>Comment l\u2019\u00e9chantillonnage, le fen\u00eatrage, l\u2019\u00e9chelle et le moyennage affectent le r\u00e9sultat<\/li>\n\n\n\n<li>Quand utiliser des spectres plut\u00f4t que la PSD, et quels r\u00e9glages sont importants pour votre cas d\u2019usage<\/li>\n<\/ul>\n\n\n\n<p>\u2026 alors la FFT cesse d\u2019\u00eatre un sujet math\u00e9matique abstrait et devient un <strong>outil pratique du quotidien<\/strong> pour les travaux en acoustique et vibration \u2013 de la R&amp;D et la validation jusqu\u2019aux essais de production.<\/p>\n\n\n\n<p\/>\n\n\n\n<p><a href=\"www.opentest.com\" target=\"_blank\" rel=\"noreferrer noopener\">T\u00e9l\u00e9chargez et commencez d\u00e8s maintenant -&gt;<\/a> ou remplissez le formulaire ci-dessous \u2193 pour planifier une d\u00e9monstration en direct.<\/p>\n\n\n\n<p>D\u00e9couvrez plus de fonctionnalit\u00e9s et de cas d\u2019usage sur <a href=\"http:\/\/www.opentest.com\" target=\"_blank\" rel=\"noreferrer noopener\">www.opentest.com<\/a>.<\/p>\n\n\n\n<p\/>\n\n\n\n<p\/>\n","protected":false},"excerpt":{"rendered":"<p>Dans les essais audio et vibratoires, l\u2019analyse FFT (Fast Fourier Transform) est l\u2019un des outils qu\u2019\u00e0 peu pr\u00e8s tous les ing\u00e9nieurs finissent par utiliser t\u00f4t ou tard : Beaucoup de questions pratiques reviennent en fait \u00e0 demander les m\u00eames quelques \u00e9l\u00e9ments : La FFT est le point d\u2019entr\u00e9e le plus universel pour r\u00e9pondre \u00e0 ces [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":273550,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_eb_attr":"","content-type":"","footnotes":""},"categories":[508,442],"tags":[],"class_list":["post-274642","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-base-de-connaissances","category-blogues"],"blocksy_meta":[],"acf":[],"_links":{"self":[{"href":"https:\/\/design.crysound.com\/fr\/wp-json\/wp\/v2\/posts\/274642","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/design.crysound.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/design.crysound.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/design.crysound.com\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/design.crysound.com\/fr\/wp-json\/wp\/v2\/comments?post=274642"}],"version-history":[{"count":0,"href":"https:\/\/design.crysound.com\/fr\/wp-json\/wp\/v2\/posts\/274642\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/design.crysound.com\/fr\/wp-json\/wp\/v2\/media\/273550"}],"wp:attachment":[{"href":"https:\/\/design.crysound.com\/fr\/wp-json\/wp\/v2\/media?parent=274642"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/design.crysound.com\/fr\/wp-json\/wp\/v2\/categories?post=274642"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/design.crysound.com\/fr\/wp-json\/wp\/v2\/tags?post=274642"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}