S-Transform و HHT: مقایسه دو روش تحلیل زمان-فرکانس و محلی سازی

Nov 07, 2026

پیام بگذارید

وقتی بین S-transform و HHT انتخاب می کنید، سوال اصلی این نیست که کدام یک پیشرفته تر به نظر می رسد. مهم این است که جعبه‌ای که می‌سازید می‌تواند آن را در این زمینه تحمل کند یا خیر. هر دو روش می توانند اختلالات را در زمان و فرکانس تعیین کنند. اما آنها مفروضات متفاوتی در مورد سیگنال می‌کنند، مقادیر متفاوتی از سخت‌افزار را هزینه می‌کنند و به روش‌های مختلف خراب می‌شوند. این تفاوت تعیین می‌کند که آیا زمان شروع و توقف قابل استفاده داشته باشید یا انبوهی از نتایجی که هنوز به یک انسان برای مرتب کردن نیاز دارند.

How can the accuracy of fault location devices for low-current grounding faults exceed 99%?

تبدیل S از ترکیب تبدیل فوریه کوتاه مدت و تبدیل موجک به دست می آید. پنجره گاوسی آن با بالا رفتن فرکانس باریکتر و با کاهش فرکانس بازتر می شود. بنابراین وضوح فرکانس خوبی در فرکانس های پایین ارائه می دهد و به طور طبیعی وضوح زمانی را در فرکانس های بالا تنگ می کند. یک مزیت عملی: خروجی پایدار است. دوباره همان اختلال را وارد کنید، و ماتریس زمان-فرکانس اساساً یکسان به نظر می رسد. مهندسان مجبور نیستند هر بار نحوه رفتار الگوریتم را دوباره بیاموزند. برای بیرون کشیدن شروع و پایان یک رویداد تک فرکانس مانند کاهش یا تورم ولتاژ، مطالعات همچنان دقت و تحمل نویز خوبی را نشان می‌دهند. هزینه محاسباتی است. یک تبدیل S کامل، داده‌های فرکانس زمانی زیادی را از بین می‌برد. نسخه کامل را روی دستگاه تعبیه شده اجرا کنید و زمان پاسخ می تواند به سرعت طول بکشد. به همین دلیل است که محصولات واقعی اغلب از یک تبدیل سریع S یا یک نسخه "ناقص" استفاده می کنند که فقط نقاط فرکانس کلیدی را حفظ می کند. شما برخی از اطلاعات را با عملکرد بلادرنگ مبادله می کنید و آن معامله را کنترل می کنید.

HHT راه دیگری را طی می کند. ابتدا از تجزیه حالت تجربی برای شکستن سیگنال به توابع حالت ذاتی استفاده می کند، سپس یک تبدیل هیلبرت را روی هر یک اجرا می کند. یک تابع پایه را از پیش تعیین نمی کند. این سازگاری نقطه فروش اصلی آن است. هنگامی که سیگنال میدان دارای محتوای فرکانس مختلط یا بیش از یک نوع اختلال باشد، HHT نیازی ندارد که شما از قبل تصمیم بگیرید که پنجره چقدر پهن باشد یا کدام مبنای را انتخاب کنید. که می تواند برای اختلالات مختلط جذاب باشد. مشکل دقیقاً در آن بخش «تطبیقی» است. خروجی EMD به شدت به شکل سیگنال و سطح نویز بستگی دارد. اختلاط حالت و اثرات نقطه پایانی اشکال نادری نیستند. آنها گرایش های درونی روش هستند. هنگامی که حالت‌های IMF ترکیب می‌شوند، معنای فیزیکی دامنه و فرکانس آنی مبهم می‌شود و نتایج محلی‌سازی کمتر سازگار می‌شوند. رفع متداول شامل تجزیه به کمک نویز، تعویض EMD با VMD یا استفاده از چند IMF اول برای تماس محلی است. اما اینها وصله هایی در روش هستند، نه حذف محدودیت های آن.

سخت افزار و رفتار بلادرنگ این مبادله را ملموس تر می کند. S-transform سنگین است، اما ساختار موازی آن نسبتاً منظم است، بنابراین با شتاب نقطه ثابت در FPGA یا DSP مطابقت دارد و انواع سریع دارای مسیرهای سخت افزاری بالغ هستند. ممکن است HHT روی کاغذ سنگین‌تر به نظر نرسد، اما EMD یک فرآیند الک تکراری است. تعداد تکرارها و سطوح تجزیه با سیگنال حرکت می کند، بنابراین رفتار بلادرنگ با کران بالایی پایدار همراه نیست. برای یک مانیتور کیفیت برق که باید تاخیر پاسخ مشخصی را بدهد، مقابله با این عدم قطعیت دشوارتر از کند بودن ساده است.

Long-Distance Overhead Lines in Rural Distribution Networks: Challenges in Deploying Small-Current Grounding Fault Location Devices

بنابراین منطق انتخاب به این نتیجه می رسد. اگر اهداف اصلی شما افت ولتاژ، متورم شدن، و شکستگی است - رخدادهای تک فرکانس یا شبه فرکانس - و دقت در مکان یابی و تکرارپذیری بسیار مهم است، و تجهیزات قادر به انجام تبدیل سریع S یا استخراج فرکانس اصلی هستند، تبدیل S جایگزین قابل اعتمادتر است. اگر فردی با محتوای فرکانس ترکیبی و انواع اختلال مواجه شود که کاملاً از قبل درک نشده اند، می توان از انعطاف پذیری ارائه شده توسط HHT استفاده کرد. با این حال، باید پذیرفت که نویز و اختلاط حالت ممکن است محدودیت‌ها را مبهم کند و ارزش آن را دارد که محافظ‌های کیفیت تجزیه یا رویکرد همجوشی در جای خود قرار گیرد. هیچ روشی در هر نوع اختلال و هر محدودیت سخت افزاری برنده نمی شود. فراخوان مهندسی این است که ابتدا بفهمید واقعاً چه چیزی را می‌خواهید پیدا کنید، سپس الگوریتم را با آن شغل مطابقت دهید - نه برعکس.

ارسال درخواست