La cyclostationnarité, propriété propre aux processus dont les caractéristiques évoluentcycliquement au cours du temps, offre un cadre particulièrement adapté à l’analyse denombreux signaux acoustiques et vibratoires. Après avoir rappelé les spécificités del’approche cyclostationnaire dans le contexte mécanique, nous montrons à travers plusieursexemples les possibilités qu’elle autorise dans des domaines d’application liés audiagnostic des machines, à l’identification des systèmes mécaniques et à la séparation desources vibro-acoustiques.

Techniques for machine condition monitoring and diagnostics are gaining acceptance in various industrial sectors. They have proved to be effective in predictive or proactive maintenance and quality control. Along with the fast development of computer and sensing technologies, sensors are being increasingly used to monitor machine status. In recent years, the fusion of multisensor data has been applied to diagnose machine faults. In this study, multisensors are used to collect signals of rotating imbalance vibration of a test rig. The characteristic features of each vibration signal are extracted with an auto-regressive (AR) model. Data fusion is then implemented with a Cascade-Correlation (CC) neural network. The results clearly show that multisensor data-fusion-based diagnostics outperforms the single sensor diagnostics with statistical significance.