Order-Based Modal Analysis estimates resonances at frequencies that are integer multiples of a rotating machine’s speed. These resonances are represented as a cloud of frequency-versus-speed intersections revealing the natural modes of the mechanical structure. This paper shows that grouping these intersections can be cast as inference in a coupled affine Gaussian mixture model where each mode is represented by a straight line shared across all harmonic orders, while a uniform component captures outliers. A dedicated expectation maximisation (EM) algorithm is investigated for this model, estimating mixture weights in closed form and the other model parameters through a one-dimensional search. Cramer–Rao lower bounds are derived for the joint estimation of slopes, intercepts and mixing proportions in the proposed statistical model allowing performance of the estimators of the unknown parameters to be studied. Monte-Carlo simulations illustrate how the variances of EM estimates approach those bounds. Applied to data from an industrial turbomachine, the method extracts modal lines whose characteristics agree with historical benchmarks, despite strong deterministic harmonics and regime-dependent drifts.

L’identification modale des machines tournantes constitue un enjeu majeur pour la conception industrielle, notamment dans le domaine aéronautique. Dans ce contexte, la présence d’harmoniques et la dépendance des modes au régime compliquent l’analyse des signaux. Cet article propose un modèle probabiliste original pour détecter les modes propres à partir d’une carte de détection construite sur un diagramme de Campbell. Deux variantes de l’algorithme EM sont développées : une version classique et une version à classification sous contrainte (CEM) garantissant l’unicité des affectations le long des harmoniques. Les performances sont évaluées à l’aide de données simulées et comparées à la méthode RANSAC. Les résultats montrent que l’approche proposée améliore la précision d’identification et la robustesse aux outliers.