FFT-Analyse mit OpenTest

In der Audio- und Schwingungsprüfung ist die FFT-Analyse (Fast Fourier Transform) eines der Werkzeuge, die fast jede Ingenieurin und jeder Ingenieur früher oder später verwendet:

• Frequenzgang von Lautsprechern
• Verzerrungen von Kopfhörern
• NVH-Diagnose
• Fehlersuche bei Strukturresonanzen
• Produktionsgeräusche und Jagd nach "mysteriösen Tönen"

Viele praktische Fragen zielen eigentlich auf nur wenige Punkte ab:

• Wo ist die Energie in der Frequenz konzentriert?
• Wird sie von einem einzelnen Ton oder von mehreren Harmonischen dominiert?
• Wie hoch ist der Rauschpegel (Noise Floor)?
• Gibt es Resonanzspitzen?

Die FFT ist der universellste Einstiegspunkt, um diese Fragen zu beantworten.

Dieser Artikel hilft Ihnen, aus Ingenieursperspektive drei Dinge zu klären:

• Was FFT-Analyse ist
• Wie FFT konzeptionell funktioniert
• Wie Sie FFT in der Praxis korrekt und effizient einsetzen

Was ist FFT?

Im Zeitbereich ist ein Signal einfach ein zeitlich veränderlicher Verlauf - alle Komponenten sind in einer Kurve "aufeinandergestapelt". Man kann es sehen, aber es ist schwer zu erkennen, welche Frequenzen enthalten sind.

Die FFT (Fast Fourier Transform) zerlegt ein zeitsignal-basiertes Signal in eine Summe von Sinusschwingungen mit unterschiedlichen Frequenzen. Im Frequenzbereich wird das Signal durch Frequenz + Amplitude + Phase dargestellt. Vereinfacht ausgedrückt:

• Zeitbereich: wie sich das Signal im Laufe der Zeit verändert
• Frequenzbereich: welche Frequenzanteile es enthält, welche am stärksten sind und wie sie zueinander in Beziehung stehen

Historisch war Fouriers zentrale Idee (frühes 19. Jahrhundert), dass sich eine komplexe periodische Funktion als Summe von Sinus- und Kosinusfunktionen ausdrücken lässt. Daraus entwickelte sich die kontinuierliche Fourier-Transformation, die Signale auf eine kontinuierliche Frequenzachse abbildet.

Im Computerzeitalter hat sich das geändert: Ingenieurinnen und Ingenieure arbeiten mit abgetasteten Daten und verfügen typischerweise nur über ein endliches Datenfenster mit N Samples. Das führt zur DFT (Diskrete Fourier-Transformation), die N Zeitsamples auf N diskrete Frequenz-Bins abbildet.

Die FFT (Fast Fourier Transform) ist keine andere Transformation. Sie ist eine Familie von Algorithmen, die exakt dieselbe DFT wesentlich effizienter berechnet:

• Direkte DFT: Komplexität ~ O(N²)
• FFT: Komplexität ~ O(N log N)

Die Ausgabe X[k] ist identisch mit dem DFT-Ergebnis - die FFT erreicht es nur deutlich schneller, indem sie Symmetrien und Divide-and-Conquer ausnutzt.

Worin FFT gut ist - und worin nicht

FFT eignet sich sehr gut für:

• Auffinden deterministischer Schmalbandkomponenten
  • Grundtöne, Harmonische, Schaltfrequenzen, Pfeiftöne, drehzahlbezogene Linien
• Betrachtung breitbandiger Verteilungen
  • Rauschpegel (Noise Floor), 1/f-Verläufe, Inband-Leistung, SNR
• Charakterisierung des Systemverhaltens
  • Übertragungsfunktionen, Resonanzen/Anti-Resonanzen, Kohärenz, Laufzeitabschätzung
• Grundlage der Zeit-Frequenz-Analyse
  • STFT, Spektrogramme usw.

Worin FFT nicht gut ist (oder alleine nicht ausreicht):

• Stark nichtstationäre Signale und "instantane Frequenz"
  • Für Chirps und sich schnell ändernde Inhalte benötigen Sie STFT, Wavelets oder andere Zeit-Frequenz-Methoden - nicht eine einzelne FFT über ein langes Datenfenster.
• Trennung zweier extrem nah beieinanderliegender Töne unterhalb Ihrer Frequenzauflösung
  • Wenn der Abstand kleiner ist als Ihre Bin-Auflösung (festgelegt durch N), kann kein Algorithmus sie "magisch" auflösen.
• Aus kurzen Daten "lange Messungen" machen
  • Zero Padding interpoliert das Spektrum nur visuell; es fügt keine neuen Informationen hinzu.

Vor der Verwendung der FFT: zentrale Konzepte, die stimmen müssen

Um die FFT sinnvoll zu nutzen, müssen Sie sich einiger Grundlagen sicher sein:

1. Abtastrate
2. DFT und ihre Interpretation
3. Was Sie tatsächlich darstellen (Betrag, Amplitude, Leistung, PSD)
4. Fensterung und spektrale Leckage
5. Mittelung

Abtastrate: Wie weit in der Frequenz Sie sehen können

Vor der FFT haben Sie bereits eine entscheidende Entscheidung getroffen: die Abtastung. Ein kontinuierliches Zeitsignal x(t) wird in eine diskrete Folge x[n]=x(n/fs) umgewandelt. Die Abtastrate f_s bestimmt die höchste Frequenz, die Sie ohne Aliasing beobachten können: die Nyquist-Frequenz, fs/2.

Wenn das analoge Signal Energie oberhalb fs/2 enthält, verschwindet sie nicht - sie wird als Aliasing in das Band unterhalb der Nyquist-Frequenz zurückgefaltet. Ist Aliasing einmal aufgetreten, kann die FFT es nicht "rückgängig machen"; die Information ist irreversibel vermischt.

In der Praxis müssen Sie vor dem ADC (oder vor jeder Neusampling-Stufe) einen Anti-Aliasing-Filter einsetzen, um Anteile oberhalb der Nyquist-Frequenz zu unterdrücken.

Beispiel: Ein 900-Hz-Sinus, abgetastet mit fs=1 kHz, erscheint im diskreten Spektrum bei 100 Hz - ein klassisches Aliasing-Artefakt.

DFT-Berechnung und Interpretation

Für gegebene N Samples x[0]..x[N−1] ist die DFT definiert als:

Die inverse Transformation (IDFT) rekonstruiert das Zeitsignal:

Anschaulich ausgedrückt gibt X[k] an, wie stark das Signal mit einer komplexen Exponentialfunktion bei der jeweiligen Bin-Frequenz korreliert.

• Der Betrag |X[k]| zeigt an, "wie viel" von dieser Frequenzkomponente vorhanden ist.
• Die Phase kodiert die zeitliche Ausrichtung relativ zu anderen Komponenten.

Was wird dargestellt? Betrag, Amplitude, Leistung, PSD

Aus einem Satz von FFT-Ergebnissen X[k] können Sie viele verschiedene "Spektren" erzeugen, die ähnlich aussehen, aber unterschiedliche physikalische Größen repräsentieren. Hier entstehen oft Missverständnisse zwischen verschiedenen Werkzeugen und Plattformen.

Typische Varianten sind:

• Betragsspektrum |X[k]|
  • Einheiten hängen von der Normierung ab (z. B. "V·Samples").
  • Nützlich, um Peaks, Harmonische und die allgemeine Spektralform zu lokalisieren
• Amplitudenspektrum
  • Korrekt skalierter Betrag in physikalischen Einheiten (z. B. V)
  • Geeignet, um Sinus-Amplituden abzulesen und kalibrierte Messungen durchzuführen
• Leistungsspektrum |X[k]|²
  • Auch hier ist die Skalierung abhängig; wird häufig für Leistungs-/Energievergleiche verwendet, wenn die Konventionen festgelegt sind.
• Leistungsdichtespektrum (PSD) Sxx(f)
  • Einheiten wie V²/Hz oder Pa²/Hz
  • Wird für Rauschanalysen, Bandleistung und Vergleiche über unterschiedliche FFT-Längen hinweg genutzt

Wenn Sie Rauschpegel vergleichen wollen - über unterschiedliche FFT-Größen, Fenster oder Werkzeuge hinweg - verwenden Sie PSD (oder Amplitudendichtespektrum). Rohe |X|- oder |X|²-Werte sind selten direkt vergleichbar.

Ein konkretes Beispiel: Zwei Töne in Zeit- und Frequenzbereich

Stellen Sie sich ein Signal vor, das aus zwei Sinusfunktionen mit unterschiedlichen Frequenzen besteht.

• Im Zeitbereich kann ihre Summe wie ein "wackeliger" Verlauf aussehen.
• Im Frequenzbereich (FFT/PSD) sehen Sie zwei deutlich ausgeprägte schmale Peaks bei den entsprechenden Frequenzen.

In der FFT-Analyse von OpenTest können Sie sowohl das Spektrum als auch PSD/ASD nebeneinander visualisieren. Das macht es einfach:

• Tonale Komponenten zu identifizieren
• Die Rauschverteilung zu untersuchen
• Unterschiedliche Betriebsbedingungen auf derselben Frequenzachse zu vergleichen

Probieren Sie es selbst aus: Laden Sie die kostenlose OpenTest-Edition herunter und führen Sie eine FFT an einem einfachen Zwei-Ton-Signal durch, um beide Peaks klar getrennt zu sehen.

Fensterfunktionen und spektrale Leckage: Spektren aufräumen

Theoretisch setzt die FFT voraus, dass der betrachtete Datenblock eine ganzzahlige Anzahl von Perioden enthält und dann periodisch wiederholt wird. In der Realität stimmt die Länge des Datenfensters fast nie exakt mit einer ganzzahligen Anzahl von Perioden überein. Wenn Sie diesen Block wiederholen, entstehen an den Grenzen Unstetigkeiten, wodurch Energie in benachbarte Bins streut - das ist spektrale Leckage.

Um Leckage zu reduzieren, wird typischerweise vor der FFT eine Fensterfunktion auf den Datenblock im Zeitbereich angewendet. Ein Fenster beeinflusst gleichzeitig:

1. Hauptkeulenbreite
   • Breitere Hauptkeule = Peaks werden breiter → nahe beieinanderliegende Töne lassen sich schwerer trennen.
2. Nebenkeulenhöhe
   • Niedrigere Nebenkeulen = kleine Peaks neben einem großen sind leichter sichtbar (besserer Dynamikbereich).
3. Amplituden-/Energie-Skalierung
   • Fenster verändern die Beziehung zwischen der wahren Amplitude eines reinen Tons und dem beobachteten Peak sowie dem Niveau des Rauschbodens.

Einige praktische Richtlinien:

• Rechteckfenster
  • Verwenden Sie es nur, wenn Sie kohärente Abtastung sicherstellen können (eine ganzzahlige Anzahl von Perioden im Datenfenster) und die kleinstmögliche Hauptkeule benötigen.
• Hanning-(Hann-)Fenster
  • Eine sehr robuste Standardwahl für allgemeine Akustik- und Schwingungsanwendungen
  • Weit verbreitet in Verbindung mit Welch-/PSD-Methoden
• Hamming
  • Ähnlich wie Hann, mit leicht anderem Nebenkeulenverhalten, häufig in der Nachrichtentechnik eingesetzt
• Blackman-/Blackman-Harris-Fenster
  • Niedrigere Nebenkeulen, nützlich, wenn Sie kleine Peaks direkt neben großen sehen müssen - auf Kosten einer breiteren Hauptkeule.

In OpenTest können Sie im FFT-Analysemodul zwischen verschiedenen Fensterfunktionen umschalten und den Einfluss auf Peakbreite, Nebenkeulen und Rauschpegel sofort sehen.

Mittelung: Spektren stabiler machen

Bei verrauschten oder nichtstationären Signalen kann eine einzelne FFT sehr "stachelig" oder instabil aussehen. Durch Mittelung mehrerer Spektren erhalten Sie ein glatteres und besser reproduzierbares Ergebnis. Typische Mittelungsverfahren sind:

• Lineare Mittelung
  • Ein einfaches arithmetisches Mittel mehrerer FFT-Ergebnisse
• Exponentielle Mittelung
  • Neuere Daten werden stärker gewichtet; gut für Live-Monitoring, bei dem das Spektrum reagieren soll, ohne wild zu springen.
• Energie- (Leistungs-)Mittelung
  • Basiert auf Leistung; stellt sicher, dass leistungsbezogene Größen konsistent bleiben.

Eine gute Mittelungskonfiguration findet ein Gleichgewicht zwischen dem Unterdrücken zufälliger Schwankungen und dem Erhalten tatsächlicher Änderungen im Signal.

Wo setzen wir FFT in der Praxis ein?

Audio und Akustik

Typische Anwendungen sind:

• Auffinden von Rückkopplungsfrequenzen, harmonischen Verzerrungen und Geräuschböden von Geräten
• Frequenzgang- bzw. Übertragungsfunktionmessung
• Raummoden- und Resonanzanalyse
• Spektrogramme von Sprache, Musik und Geräuschen von Geräten/Anlagen

In der Audio-/Akustikmesstechnik müssen Einheiten und Konventionen klar sein:

• dB SPL, A-Bewertung, 1/3-Oktavbänder usw.
• Die FFT ist der Motor; die Berichtskonvention (Referenz, Bewertung, Bandbreite) muss klar definiert sein.

Schwingungen und rotierende Maschinen

• Identifikation drehzahlabhängiger Peaks (1X, 2X, Verzahnungsfrequenzen)
• Strukturresonanzen und Modenverhalten unter unterschiedlichen Betriebsbedingungen
• Lagerdiagnose, Getriebegeräusche, Unwucht, Fehlausrichtung

Für Lager- und Getriebeanalysen wird häufig Hüllkurvenanalyse/Demodulation eingesetzt:

• Das Signal bandpassfiltern
• Demodulieren und anschließend die FFT der Hüllkurve berechnen, um Fehlerfrequenzen sichtbar zu machen

Wenn sich die Drehzahl ändert, "verschmiert" eine einfache FFT die Peaks. In diesem Fall sind Order-Tracking oder synchrone Resampling-Verfahren besser geeignet, wobei die Achse von "Frequenz" auf "Ordnung" wechselt.

Leistungselektronik und Netzqualität

• Netzfrequenz-Harmonische (50/60 Hz und Vielfache), THD, Ripple, Schaltspitzen
• EMV-Vorprüfungen (Pre-Compliance): Spektrallinien, Rauschpegel, Inband-Leistung

In Stromversorgungsnetzen ist nichtkohärente Abtastung ein häufiges Problem: Wenn die Record-Länge keine ganzzahlige Anzahl von Netzperioden umfasst, beeinträchtigt Leckage die Genauigkeit der Harmonischen. Lösungen umfassen synchrone Abtastung, Fenster mit ganzzahliger Periodenzahl oder spezialisierte Oberwellenanalysatoren.

RF und Kommunikation (Basisband-Sicht)

• Spektren modulierter Signale und Spektralmaskeinhaltung
• OFDM- und Mehrträger-Spektralanalyse, Nachbarkanalstörungen (Adjacent Channel Leakage)

Hier ist Konsistenz entscheidend:

• Gleiche Einheiten
• Gleiche Bandbreite (RBW)
• Gleiches Fenster, gleicher Detektor und gleicher Mittelungsstil

Die FFT selbst ist unkompliziert; um daraus vergleichbare Leistungsmessungen zu machen, sind jedoch streng definierte Einstellungen erforderlich.

Bildverarbeitung und 2D-Filterung

Die 2D-FFT überträgt dieselbe Idee auf Bilder:

• Kanten entsprechen hohen räumlichen Frequenzen, glatte Bereiche niedrigen Frequenzen.
• Tiefpass-/Hochpassfilterung, Entfernung periodischer Störungen, Beschleunigung von Faltungen im Frequenzbereich

Dieselbe Annahme periodischer Erweiterung gilt nun in 2D: Unstetigkeiten an den Bildrändern erzeugen starke Artefakte im Frequenzbereich. Padding, gespiegelte Ränder oder 2D-Fenster sind gängige Methoden, um dies abzumildern.

FFT zu einem alltäglichen Ingenieurwerkzeug machen

Aus mathematischer Sicht ist FFT nicht besonders "leichtgewichtig". In der technischen Anwendung ist das Ziel jedoch eigentlich simpel:

Klarer und viel schneller zu sehen, was im Signal verborgen ist.

Wenn Sie verstehen:

• Was die FFT wirklich berechnet
• Wie Abtastung, Fensterung, Skalierung und Mittelung das Ergebnis beeinflussen
• Wann Spektren vs. PSD zu verwenden sind und welche Einstellungen für Ihren Anwendungsfall relevant sind

...dann hört FFT auf, ein abstraktes mathematisches Thema zu sein, und wird zu einem praktischen Alltagswerkzeug für Akustik- und Schwingungsaufgaben - von F&E und Validierung bis hin zur Produktionstestung.

Jetzt herunterladen und loslegen -> oder füllen Sie das Formular unten ↓ aus, um eine Live-Demo zu vereinbaren.

Entdecken Sie weitere Funktionen und Anwendungsgeschichten auf www.opentest.com.