Publikationer

Utvidgning av modellen för partiell ekvivalent ljudtrycksnivå för att hantera restljud och utesluta oönskade händelser som identifierats med hjälp av artificiell intelligens

Långsiktiga bullerövervakningsmätningar påverkas ofta av oönskade händelser, restljud och andra irrelevanta ljudkällor, vilket kan minska noggrannheten i de rapporterade bullernivåerna. Denna artikel presenterar en utvidgning av modellen för partiellt ekvivalent ljudtrycksnivå som kombinerar korrigeringar för restljud och irrelevanta ljud med automatisk detektering av oönskade händelser med hjälp av artificiell intelligens.

Den föreslagna metoden utvärderas genom en fallstudie och jämförs med de förfaranden som beskrivs i ISO 1996-2. Resultaten visar att den utvidgade modellen kan ge mer representativa uppskattningar av ekvivalenta ljudtrycksnivåer samtidigt som effektiviteten i databehandlingen förbättras. Artikeln diskuterar även metodens antaganden, begränsningar och framtida utveckling.

Obs: Artikeln är skriven på engelska.

Författare: Daniela Toledo Helboe, Karl Henrik Ejdfors och Trond Iver Pedersen, Norsonic AS

Utvärdering av indikatorn för partiellt ekvivalent ljudtrycksnivå i olika miljöer med omgivningsbuller

Det kan vara svårt att göra noggranna uppskattningar av ekvivalenta ljudtrycksnivåer när mätningarna påverkas av irrelevanta ljud. Denna studie utvärderar indikatorn ”partiell ekvivalent ljudtrycksnivå” i ett miljöbuller-scenario som inte tidigare har undersökts.

Resultat från obemannade bullermätstationer presenteras för relevanta ljudkällor och jämförs utifrån fem olika metoder för hantering av irrelevanta ljud. Studien belyser hur den valda metoden för hantering av irrelevanta ljud kan påverka de slutliga resultaten och ger ytterligare insikt i tillämpligheten av indikatorn partiell ekvivalent ljudtrycksnivå vid övervakning av omgivningsbuller.

Mark: Artikeln är skriven på spanska.

Författare: Jorge Paez Rodriguez, Daniela Toledo Helboe och Trond Iver Pedersen, Norsonic AS

En jämförande studie av identifiering av bullerhändelser med hjälp av AI vid obemannad övervakning

Denna artikel undersöker användningen av enheter med flera mikrofoner och artificiell intelligens (AI) för att identifiera bullerhändelser vid obemannad bullerövervakning. Huvudfokus ligger på att utvärdera tillförlitligheten hos en maskininlärningsmodell som initialt tränats på en datamängd som representerar ett specifikt ljudlandskap. Vi utvärderar modellens prestanda när den tillämpas på olika datamängder som samlats in från liknande men ändå distinkta ljudlandskap, vilka omfattar olika miljöförhållanden och bullerprofiler. Genom jämförande analys fastställer vi modellens anpassningsförmåga och potentiella begränsningar. Resultaten av denna studie ger insikter i hur väl AI-baserade modeller för identifiering av bullerhändelser kan fungera i olika situationer. Detta lägger grunden för att förbättra deras tillämplighet i olika verkliga miljöer och förbättra funktionen hos obevakade bullerövervakningssystem.

Obs: Artikeln är skriven på engelska.

Författare: Karl Henrik Ejdfors och Naru Sato, Norsonic AS, Lars Andreas Sæle, Norconsult Norge AS

Analys och fallstudie av användningen av en riktningsbestämningsanordning baserad på ankomsttidsskillnad för mätning av arbetsmiljöbuller

För att skydda arbetstagarnas hörsel på bullriga arbetsplatser mäts bullernivåerna regelbundet, och bullerkällorna lokaliseras utifrån resultaten från ljudinspelningar eller videokameror. Om bullernivån överstiger en gränsvärden vidtas åtgärder för bullerdämpning, eller så rekommenderas arbetstagarna att använda hörselskydd. Att mäta ljudnivån kan göras enkelt genom att placera en ljudnivåmätare på golvet, men att hitta bullerkällorna är en tidskrävande uppgift. Det är nödvändigt att lyssna på inspelningarna en efter en eller granska videomaterialet för att hitta bullerkällorna. Vi anser att en enkel metod för att uppskatta bullerkällor är mycket användbar, eftersom vissa bullriga arbetsplatser inte tillåter inspelningar eller videokameror av integritets- och sekretesskäl.

I denna artikel undersöks identifiering av bullerkällor med hjälp av en riktningsbestämningsenhet baserad på tidsskillnad vid ankomst i en inomhusmiljö. Resultaten analyseras med hänsyn till rummets egenskaper, såsom efterklangstid, dimensioner och lokalisering av enheten. Artikeln redogör även för praktiska användningsfall på verkliga arbetsplatser.

Obs: Artikeln är skriven på engelska.

Författare: Naru Sato, Karl Henrik Ejdfors och Erlend Fasting, Norsonic AS, Takeshi Nakaichi, RION Co., Ltd. samt Lars Andreas Sæle, Norconsult Norge

Partiell ekvivalent ljudtrycksnivå som metod för att hantera irrelevanta ljud vid mätningar av omgivningsbuller

Restljud och oönskade händelser är kända faktorer som påverkar noggrannheten vid mätningar av omgivningsbuller. ISO 1996-2 beskriver metoder för att hantera dessa irrelevanta ljud, till exempel genom att tillämpa korrigeringsfaktorer, men metoderna kräver en viss kunskap om de irrelevanta ljuden som inte alltid är praktiskt genomförbar eller möjlig att erhålla vid långtidsmätningar med obemannade mätstationer i komplexa urbana ljudlandskap.

Automatisk detektering av irrelevanta ljud ger visserligen den information som krävs, men möjliggör också nya tillvägagångssätt som inte beskrivs i ISO 1996-2. I denna artikel diskuterar vi ett mått som kallas partiell ekvivalent ljudtrycksnivå (Partial Leq), vilket beräknas efter att datapunkter med restljud och oönskade händelser har identifierats automatiskt och ersatts med projektspecifika värden. Vår hypotes är att bättre uppskattningar av ekvivalent ljudtrycksnivå (Leq) kan uppnås med detta mått jämfört med de allmänna metoderna i ISO 1996-2. Jämförelser av resultaten presenteras tillsammans med en diskussion om tillämpligheten av måttet Partial Leq och erfarenheter från dess användning.

Obs: Artikeln är skriven på engelska.

Författare: Daniela Toledo och Trond Iver Pedersen, Norsonic AS

Automatisk detektering av ljudkällans riktning och bortfiltrering av irrelevanta ljud i obemannade bullerövervakningssystem

En enhet med 8 MEMS-mikrofoner har konstruerats, vilken gör det möjligt att lokalisera dominerande ljudkällor i ett 3D-rum genom att tillämpa tekniker baserade på tidsskillnaden vid ankomst. Enheten, som även kallas Noise Compass, är avsedd att användas tillsammans med en utomhusmikrofon i en bullerövervakningsstation. Genom att definiera intresseområden i de vertikala och horisontella planen i ett övervaknings- och analyssystem kan irrelevanta ljud automatiskt detekteras och uteslutas från bullermätningarna. Denna artikel beskriver mekanismerna för riktningsdetektering och visar två exempel på systemets tillämpning: övervakning av flygplansbuller och en byggarbetsplats med en väg och järnväg i närheten. Slutligen diskuteras andra tillämpningar av systemet.

Obs: Artikeln är skriven på engelska.

Författare: Daniela Toledo och Erlend Fasting, Norsonic AS

AI-teknik för effektiv bullerövervakning och -analys i komplexa urbana ljudlandskap

NorCloud är en användarvänlig mjukvaruplattform för bullerövervakning och dataanalys. Plattformen är utformad för användning tillsammans med avancerade övervakningsterminaler som kan lokalisera dominerande ljudkällor och hjälper användarna att hantera projekt som omfattar flera mätplatser och mikrofoner.

Plattformen gör det enklare att identifiera, klassificera och extrahera ljudhändelser från stora datamängder. AI-baserad bearbetning kan automatiskt ta bort irrelevanta ljudkällor, vilket minskar den tid som krävs för datagranskning och förbättrar effektiviteten vid bedömningar av miljöbuller.

Artikeln diskuterar fördelarna och begränsningarna med automatiserade bullerövervakningssystem och utforskar både nuvarande tillämpningar och framtida utvecklingsmöjligheter.

Obs: Artikeln är skriven på engelska.

Författare: Karl Henrik Ejdfors, Norsonic AS