Når du vælger mellem S-transform og HHT, er det rigtige spørgsmål ikke, hvilken der lyder mere avanceret. Det er, om boksen du bygger kan klare det i marken. Begge metoder kan lokalisere forstyrrelser i tid og hyppighed. Men de gør forskellige antagelser om signalet, koster forskellige mængder hardware og fejler på forskellige måder. Den forskel afgør, om du får brugbare start- og stoptider eller en bunke resultater, som stadig mangler et menneske at ordne.

S-transformen kommer fra at kombinere korttids Fourier-transformationen og wavelet-transformationen. Dens Gauss-vindue bliver smallere, når frekvensen stiger, og bredere, når frekvensen falder. Så det giver god frekvensopløsning ved lave frekvenser og strammer naturligvis tidsopløsningen ved høje frekvenser. Et praktisk plus: outputtet er stabilt. Før den samme forstyrrelse ind igen, og tids-frekvens-matrixen ser stort set den samme ud. Ingeniører behøver ikke at lære igen, hvordan algoritmen opfører sig hver gang. For at trække starten og slutningen ud af en enkelt-frekvens hændelse som et spændingsfald eller svulmning, viser undersøgelser fortsat god nøjagtighed og støjtolerance. Omkostningerne er beregning. En fuld S-transform kaster en masse redundante tids-frekvensdata af sig. Kør den fulde version på en integreret enhed, og responstiden kan strække sig hurtigt. Derfor bruger rigtige produkter ofte en hurtig S-transform eller en "ufuldstændig" version, der kun beholder vigtige frekvenspunkter. Du bytter nogle oplysninger for realtidsydelse, og du holder denne handel kontrolleret.
HHT tager en anden vej. Den bruger først empirisk tilstandsnedbrydning til at opdele signalet i iboende tilstandsfunktioner, og kører derefter en Hilbert-transformation på hver enkelt. Det forudindstiller ikke en basisfunktion. Den tilpasningsevne er dets vigtigste salgsargument. Når feltsignalet har blandet frekvensindhold eller mere end én forstyrrelsestype, behøver HHT ikke, at du på forhånd bestemmer, hvor bredt vinduet skal være, eller hvilket grundlag du skal vælge. Det kan være attraktivt for blandede forstyrrelser. Problemet ligger præcis i den "adaptive" del. EMD's output afhænger i høj grad af signalets form og støjniveau. Tilstandsblanding og slutpunktseffekter er ikke sjældne fejl; de er indbyggede tendenser i metoden. Når først IMF'erne blander modes, bliver den fysiske betydning af den øjeblikkelige amplitude og frekvens uklar, og lokaliseringsresultaterne bliver mindre konsistente. Almindelige rettelser inkluderer støjassisteret dekomponering, udskiftning af EMD til VMD eller kun at bruge de første par IMF'er til et lokalt opkald. Men det er patches på metoden, ikke en fjernelse af dens grænser.
Hardware og realtidsadfærd gør afvejningen mere konkret. S-transformen er tung, men dens parallelle struktur er ret regelmæssig, så den passer til fastpunktsacceleration på en FPGA eller DSP, og hurtige varianter har modne hardwarestier. HHT ser måske ikke tungere ud på papiret, men EMD er en iterativ sigteproces. Antallet af iterationer og nedbrydningsniveauer bevæger sig med signalet, så realtidsadfærd kommer ikke med en stabil øvre grænse. For en strømkvalitetsmonitor, der skal love en vis responsforsinkelse, er denne usikkerhed sværere at håndtere end blot at være langsom.

Så udvælgelseslogikken kommer ned til dette. Hvis dine hovedformål er spændingsfald, svulme og brud-enkelt- eller kvasi-enkeltfrekvens-forekomster-og præcision i lokalisering og repeterbarhed er altafgørende, og udstyret er i stand til at udføre en hurtig S-transform eller hovedfrekvensudtrækning, er S-transformen det mere pålidelige alternativ. Hvis man står over for kombineret frekvensindhold og forstyrrelsestyper, som ikke er helt forstået på forhånd, kan den fleksibilitet, som HHT tilbyder, bruges. Man må dog acceptere, at støj og tilstandsblanding kan tilsløre grænserne, og det ville være værd at indføre sikkerhedsforanstaltninger for nedbrydningskvalitet eller fusionsmetode. Ingen metode vinder på tværs af enhver forstyrrelsestype og enhver hardwaregrænse. Ingeniøropfordringen er først at finde ud af, hvad du rent faktisk prøver at finde, og derefter matche algoritmen til det job - ikke omvendt.