Efficient Noise Measurement with Energy Constrained IoT Nodes: A Case Study on Working Environment Quality

Abstract

Støy er uønsket lyd som kan være både irriterende og skadelig for mennesker. En økende mengde studier rapporterer om de mange negative fysiske og psykiske helseeffektene av støy. Disse funnene har ført til en økt interesse for støyovervåkning, for å måle og regulere støy i ulike kontekster. Støyen i hver kontekst vil være ulik, og dermed kreve forskjellige strategier for støymåling. Interessenter i en kontekst vil ta beslutninger relatert til støy, og de trenger pålitelig informasjon de kan basere beslutningene sine på. Informasjonen må være nøyaktig nok, samtidig som vi ønsker å redusere kostnaden knyttet til å skaffe denne informasjonen så mye som mulig. Skal vi måle støy må vi finne ut hvilke metrikker som representerer denne informasjonen, og hvor lite støydata vi kan samle inn og fortsatt få nøyaktige nok verdier av disse metrikkene.

I denne masteroppgaven ser vi på støy i arbeidsmiljøer, gjennom en studie på et utvalgt arbeidsområde. Målet er å finne en effektiv og nøyaktig måte å måle støy på i slike miljøer. Først definerer vi et sett med brukerkrav gjennom en litteraturstudie, som skal representere interessenters behov. Deretter oversetter vi brukerkravene til tekniske krav gjennom enda en litteraturstudie. Vi definerer et sett med eksisterende metrikker for å beskrive kvaliteten på arbeidsmiljøet, og vi definerer også en ny metrikk som er tilpasset et arbeidsmiljø. Disse tekniske kravene representerer informasjonen som interessentene skal ta beslutninger basert på. Til slutt undersøker vi hvor effektivt vi kan måle støy ved å bruke disse tekniske kravene. Vi sammenligner effekten flere simulerte samplingsfrekvenser har på nøyaktighet gjennom en enkel statistisk analyse.

De viktigste funnene viser at det er et betydelig potensial for å redusere samplingfrekvens i arbeidsmiljøer. Evnen til å redusere samplingsfrekvensen vil variere for ulike kontekster med ulike interessentbehov, og måling av støy må tilpasses hvert tilfelle. Likevel viser våre resultater at det generelt er mulig å oppnå en akseptabel nøyaktighet med en samplingsfrekvens mellom 1-7,5 minutter. Dette er en betydelig forbedring av kostnadene fra en full samplingfrekvens; henholdsvis 30-225 ganger mer effektiv. Disse funnene fremhever potensialet for adaptiv støyovervåking. Et interessant tema for videre arbeid er å definere egenskapene til et slikt adaptivt system, og undersøke hvordan effektivitet og nøyaktighet kan forbedres fra en statisk samplingstrategi i ulike kontekster.

Noise is undesirable sound that can be both annoying and harmful to humans. An increasing amount of studies report the many negative health effects of noise, both physical and mental. These findings have lead to an interest in noise monitoring, to measure and regulate noise in various contexts. The noise in each context will be different, and thus require different strategies for noise measurement. Stakeholders in a context want to make decisions about noise, and they need reliable information to base the decisions on. The information must be accurate enough for them to make the right decisions, but at the same time we want to save as much cost as possible to get this information. In terms of noise measurement, we need to find out which metrics that represent the information the stakeholders need, and how little we can sample noise to get accurate enough values of these metrics.

In this master thesis, we research noise in working environments through a case study. The main research goal is to find an efficient and accurate way to measure noise in working environments. First, we define a set of user requirements through a literature review, to represent the needs of stakeholders in a chosen working environment. Second, we translate these user requirements into technical requirements through a literature review. We define a suite of existing metrics to describe the quality of a working environment, and we also define a new metric which is tailored to working environments. These technical requirements represent the information on which the stakeholders will make decisions. Finally, we investigate how efficient we can measure noise using these technical requirements. We compare the effect of several simulated sampling rates on accuracy, through a simple statistical analysis in a single-case mechanism experiment.

The main findings show that there is a significant potential for down-sampling in working environments. The ability to reduce the sampling rate will vary for different contexts with different stakeholder needs, and the noise measurement must be tailored accordingly. Nevertheless, our results indicate that it is generally possible to obtain an acceptable accuracy with a sampling rate between 1-7.5 minutes. This is a substantial improvement on cost from a full sampling rate; respectively 30-225 times more efficient. These findings highlight the potential for adaptive noise monitoring. An interesting topic for further work is to define the properties of an adaptive system, and investigate how efficiency and accuracy could be improved from a static sampling strategy in various contexts.