Wenn Sie irgendwann eine akustische Prüfung sehen, sehen Sie früher oder später ein Spektrum: eine Kurve, die zeigt, mit welcher Stärke welche Frequenz im Signal vertreten ist. Hinter dieser Kurve steckt eine der folgenreichsten mathematischen Entdeckungen des 20. Jahrhunderts: die Fast Fourier Transform.
Vom Zeit- in den Frequenzbereich
Ein Mikrofon liefert eine Spannungsfolge über die Zeit – ein Zeitsignal x(t). Diese Darstellung ist intuitiv, aber für die Bewertung wenig nützlich: Welcher Anteil im Geräusch stammt vom Zahneingriff? Welcher von den Lagern? Welcher vom Motorventilator?
Die Fourier-Transformation beantwortet diese Frage. Sie zerlegt jedes periodische oder transiente Signal in eine Summe von Sinusschwingungen unterschiedlicher Frequenz. Im Frequenzbereich wird sichtbar, was im Zeitbereich verborgen bleibt.
Die Diskrete Fourier Transformation (DFT)
In der Praxis arbeiten wir mit Abtastwerten – nicht mit kontinuierlichen Signalen. Die diskrete Variante lautet:
In Worten: Für jede Frequenzlinie k bilden wir die Summe aller Abtastwerte x(n), multipliziert mit einer komplexen Schwingung der Frequenz k. Das Ergebnis X(k) ist eine komplexe Zahl – ihr Betrag liefert die Amplitude, ihr Argument die Phase.
Warum DFT zu langsam ist
Die direkte Berechnung erfordert pro Frequenzlinie N Multiplikationen und Additionen, also insgesamt O(N²) Operationen. Bei einem typischen NVH-Frame mit N = 16 384 Abtastwerten wären das ~268 Millionen komplexe Multiplikationen pro Spektrum. Inline-Prüfung ist so unmöglich.
Der FFT-Trick: Divide and Conquer
Cooley und Tukey haben 1965 gezeigt, dass die DFT rekursiv in zwei kleinere DFTs (für die geraden und ungeraden Indizes) zerlegt werden kann. Dadurch sinkt der Rechenaufwand auf O(N · log N) – bei N = 16 384 nur noch ~230 Tausend Operationen. Eine Beschleunigung um den Faktor 1 000.
mit W = e−j 2π / N (Twiddle-Faktor)
Der Datenfluss dieser rekursiven Zerlegung wird im sogenannten Butterfly-Diagramm visualisiert – jedes Schmetterlingspaar kombiniert zwei Eingangswerte zu zwei Ausgangswerten und benötigt genau eine komplexe Multiplikation.
Spektralauflösung und Frame-Länge
Die Frequenzauflösung der FFT hängt direkt von Abtastrate und Frame-Länge ab:
Beispiel: Bei einer Abtastrate fs = 51 200 Hz und N = 16 384 Abtastwerten beträgt die Auflösung Δf = 3,125 Hz. Wer feiner auflösen will, muss länger messen – das Produkt aus Auflösung und Beobachtungszeit ist physikalisch begrenzt (Heisenberg-ähnliche Unschärferelation).
Beispiel: E-Motor-Spektrum
Ein E-Antrieb läuft bei 3 000 1/min (= 50 Hz Drehfrequenz). Im FFT-Spektrum erscheinen typischerweise:
- 50 Hz – Drehgrundfrequenz (1. Ordnung)
- 100, 150, 200 Hz – höhere Ordnungen, von Unwucht und mechanischen Asymmetrien
- 600 Hz – 12. Ordnung, z. B. Schaltfrequenz der Leistungselektronik
- 3 000 Hz – Eingriffsfrequenz Stator/Rotor
- Breitband 8–12 kHz – Lagergeräusche, Strömungsanteile
Genau dieses Spektrum wertet SonicTC.NVH bauteilindividuell aus. Abweichungen von der Referenz – etwa eine zu hohe 12. Ordnung – kennzeichnen ein NOK-Teil.
Was Sie sich merken sollten
FFT ist kein Schwarzes Loch, sondern ein cleverer Rechenweg, um die DFT um Größenordnungen zu beschleunigen. Sie ist die Voraussetzung für jede Inline-Prüfung mit akustischen Verfahren – und sie hat dieselbe Aussagekraft wie die DFT, nur viel schneller. In den nächsten Artikeln zeigen wir, warum man Signale nicht einfach „abschneiden" darf (Fensterfunktionen) und wann eine Ordnungsanalyse besser ist als ein klassisches FFT-Spektrum.
