Signalverarbeitung — Fourier-Transformation, Filter & Abtastung

Signalverarbeitung bedeutet, ein Signal zu analysieren oder zu verändern, damit du nützliche Informationen daraus gewinnen kannst. Ein Signal kann eine veränderliche Spannung, eine Tonaufnahme, eine Schwingung oder von einem Detektor gemessenes Licht sein. In der Praxis sind die wichtigsten Fragen: Welche Frequenzen sind enthalten, welche Anteile sollen erhalten bleiben, und wie schnell muss abgetastet werden, damit das Signal digital gespeichert werden kann, ohne Fehler zu erzeugen?

Drei Ideen leisten dabei den Großteil der Arbeit. Die Fourier-Transformation zeigt den Frequenzinhalt. Filter lassen bestimmte Teile des Signals durch und unterdrücken andere. Die Abtastung macht aus einem kontinuierlichen Signal digitale Daten, aber nur dann, wenn die Abtastrate für die benötigten Frequenzen hoch genug ist.

Zeitbereich und Frequenzbereich

Im Zeitbereich betrachtest du, wie sich das Signal von Moment zu Moment verändert. Diese Sicht ist nützlich, wenn das Timing wichtig ist, etwa wenn ein Puls ankommt oder ein Sensor einen kurzen Ausschlag zeigt.

Im Frequenzbereich betrachtest du dasselbe Signal als Mischung von Frequenzkomponenten. Diese Sicht ist nützlich, wenn du langsame Drift von schnellen Schwingungen trennen, einen dominanten Ton erkennen oder verstehen willst, was ein Filter bewirken wird.

Beide Sichtweisen beschreiben dasselbe Signal. Sie beantworten nur unterschiedliche Fragen.

Was dir die Fourier-Transformation sagt

Die Fourier-Transformation schreibt ein Signal in Form sinusförmiger Komponenten um. Einfach gesagt fragt sie, wie viel von jeder Frequenz vorhanden ist.

Für ein kontinuierliches Signal $x(t)$ schreibt man die Transformation als

$$X(f) = \int_{-\infty}^{\infty} x(t)e^{-i 2\pi f t}\,dt$$

Du musst dieses Integral nicht von Hand ausrechnen, um die Idee gut zu nutzen. Die wichtigste Intuition ist, dass sich eine komplizierte Wellenform oft als Kombination einfacherer Schwingungen verstehen lässt.

Wenn ein Mikrofonsignal ein Brummen bei $200\ \mathrm{Hz}$ und einen Ton bei $2000\ \mathrm{Hz}$ enthält, kann die Darstellung im Zeitbereich unübersichtlich aussehen, aber die Sicht im Frequenzbereich kann Peaks in der Nähe dieser Frequenzen zeigen. Das ist oft der schnellste Weg zu erkennen, was tatsächlich passiert.

Wie Filter ein Signal verändern

Ein Filter verändert, wie stark verschiedene Frequenzen ein System durchlaufen.

• Ein Tiefpassfilter lässt niedrigere Frequenzen durch und schwächt höhere ab.
• Ein Hochpassfilter lässt höhere Frequenzen durch und schwächt niedrigere ab.
• Ein Bandpassfilter lässt einen ausgewählten Bereich durch und schwächt Frequenzen außerhalb davon ab.

Diese Beschreibung hängt von der Frequenz ab. Das bedeutet nicht, dass der Filter automatisch weiß, was „Rauschen“ ist. Ein Filter hilft nur dann, wenn der Anteil, den du entfernen willst, im Frequenzbereich oder in einer anderen Eigenschaft, für die der Filter ausgelegt ist, vom nützlichen Anteil getrennt ist.

Deshalb tauchen Filter bei der Audiobereinigung, der Glättung von Sensordaten, in Kommunikationssystemen und in Messgeräten auf.

Warum die Abtastrate wichtig ist

Abtastung ist der Vorgang, ein zeitkontinuierliches Signal zu diskreten Zeitpunkten aufzuzeichnen. Wenn die höchste Frequenz, die du erhalten willst, $f_{\max}$ ist, dann muss die Abtastrate die Bedingung

$$f_s > 2f_{\max}$$

erfüllen, um im idealen Abtastmodell Aliasing zu vermeiden. Dieser Grenzwert, $2f_{\max}$, heißt Nyquist-Rate.

Aliasing bedeutet, dass höherfrequente Anteile nach der Abtastung wie eine niedrigere Frequenz erscheinen können. Wenn das einmal passiert, können die abgetasteten Daten auf das falsche Signal hindeuten.

In realen Systemen tasten Ingenieurinnen und Ingenieure meist über dem bloßen Minimum ab und verwenden oft vor der Digitalisierung einen Anti-Aliasing-Filter. Diese zusätzliche Reserve ist wichtig, weil reale Signale nicht perfekt bandbegrenzt sind.

Durchgerechnetes Beispiel: hochfrequentes Rauschen aus einem Sensor entfernen

Angenommen, ein Temperatursensor sollte sich nur langsam ändern, aber die gemessene Spannung enthält zusätzlich eine schnelle elektrische Welligkeit. Ein einfaches Modell ist

$$x(t) = 2 + 0.3\sin(2\pi \cdot 1\, t) + 0.05\sin(2\pi \cdot 60\, t)$$

Hier ist der konstante Term $2$ das Grundniveau, der Term mit $1\ \mathrm{Hz}$ die langsame physikalische Änderung, die dich interessiert, und der Term mit $60\ \mathrm{Hz}$ eine unerwünschte Störung.

Aus Sicht der Fourier-Transformation hat das Signal Energie an drei wichtigen Frequenzstellen:

• $0\ \mathrm{Hz}$ durch den konstanten Offset
• $1\ \mathrm{Hz}$ durch die langsame Temperaturänderung
• $60\ \mathrm{Hz}$ durch die Störung

Wenn dein Ziel darin besteht, den langsamen Trend zu erhalten, kann ein Tiefpassfilter helfen, weil der nützliche Anteil bei niedriger Frequenz liegt und die Störung deutlich höher ist. Eine Grenzfrequenz deutlich über $1\ \mathrm{Hz}$, aber deutlich unter $60\ \mathrm{Hz}$ würde die Welligkeit verringern und die langsame Änderung weitgehend erhalten.

Betrachte nun die Abtastung. Wenn du mit $f_s = 20\ \mathrm{Hz}$ abtastest, dann liegt die Nyquist-Rate bei $10\ \mathrm{Hz}$. Die Komponente bei $60\ \mathrm{Hz}$ liegt darüber, also können die abgetasteten Daten sie nicht korrekt darstellen, sofern sie nicht vor der Abtastung entfernt wird. In einer idealen Aliasing-Rechnung fällt eine Sinusschwingung mit $60\ \mathrm{Hz}$, die mit $20\ \mathrm{Hz}$ abgetastet wird, auf Abtastpunkte, die sich exakt wiederholen, sodass sie in den Samples sogar verschwinden kann. Das bedeutet nicht, dass die ursprüngliche Störung harmlos war. Es bedeutet, dass der Abtastvorgang sie auf irreführende Weise verborgen hat.

Dieses Beispiel verbindet die drei Ideen:

• die Fourier-Transformation hilft dir, die unerwünschte Komponente zu erkennen
• der Filter entfernt sie, weil sie in einem getrennten Frequenzbereich liegt
• die Abtastregel zeigt dir, warum Vorfilterung vor der Digitalisierung wichtig ist

Häufige Fehler in der Signalverarbeitung

Die Fourier-Transformation als vollständiges Bild behandeln

Reale Messungen sind endlich, verrauscht und ändern sich oft mit der Zeit. Ein Frequenzdiagramm ist nützlich, aber es bleibt eine Interpretation gemessener Daten und kein perfekter Fingerabdruck der Wirklichkeit.

Filtern, ohne festzulegen, was erhalten bleiben muss

Ein Tiefpassfilter reduziert hochfrequentes Rauschen, aber auch jedes reale hochfrequente Signal. Ein Filter ist nur relativ zu einem klaren Ziel „gut“.

Die Nyquist-Rate als bequemes Auslegungsziel verwenden

$f_s > 2f_{\max}$ ist die ideale Mindestbedingung. In der Praxis lässt Arbeiten zu nah an dieser Grenze wenig Spielraum für nicht ideale Filter und reale Signalanteile.

Annehmen, dass Abtastung Information erzeugt

Abtastung zeichnet nur auf, was bereits vorhanden ist. Wenn die Rate zu niedrig ist, stellt die Digitalisierung die fehlenden Details später nicht wieder her.

Wo Signalverarbeitung eingesetzt wird

Signalverarbeitung kommt überall dort vor, wo Messungen oder Wellen Informationen tragen. In Physik und Technik gehören dazu Mikrofone, Seismometer, Radioempfänger, EKG- und EEG-Geräte, optische Detektoren und Regelungssysteme.

Sie ist besonders nützlich, wenn das Rohsignal nicht direkt lesbar ist. Statt auf eine komplizierte Wellenform zu starren, verwendest du Transformationen, Filter und Abtastregeln, um daraus etwas Interpretierbares zu machen.

Probiere ein ähnliches Problem zur Signalverarbeitung aus

Nimm ein Signal wie

$$x(t) = \sin(2\pi \cdot 5\, t) + 0.4\sin(2\pi \cdot 40\, t)$$

und stelle dann zwei praktische Fragen: Welche Frequenz würde ein Tiefpassfilter zu erhalten versuchen, und welche Abtastrate läge komfortabel über der Nyquist-Grenze für das gesamte Signal? Ein sinnvoller nächster Schritt ist, diese Idee mit Übertragungsfunktionen zu vergleichen und zu sehen, wie Systeme Signale im Frequenzbereich formen.