This work focuses on applying and evaluating various noise reduction methods to

extract desired sounds from a noisy industrial environment. Noise reduction is a

technique used to minimize or eliminate unwanted noise in a signal, improving its

quality and making it more useful for analysis and interpretation. In today’s

industrial environments, noise reduction is crucial to ensure high accuracy in sound

measurements. The introduction provides a background on why this work is

necessary and presents the goals and research questions related to effective noise

reduction.

The work explains the key concepts of noise reduction, with a specific focus on

methods such as FIR (finite impulse response) band-pass filters, adaptive filters,

spectral subtraction, and Wiener filters. These techniques are evaluated based on

their ability to improve signal quality by reducing ambient noise. A literature review

was conducted to examine previous research and identify the most effective

techniques for this study.

The results showed that the combination of noise reduction methods and FIR band-

pass filters was particularly effective in handling both stationary and non-stationary

noise. (Stationary noise is constant and predictable over time, while non-stationary

noise varies and is more difficult to filter out.) Adaptive filters and spectral

subtraction performed best in reducing non-stationary noise, while the Wiener filter

was most effective in environments with stable, stationary noise. However, the

Kalman filter performed worse under the tested conditions. The study confirmed

that the correct sequencing and combination of different noise reduction methods

are essential to optimize signal quality and effectively reduce noise.

The study concludes that the strategic use of noise reduction methods, in

combination with FIR band-pass filters, is crucial for achieving optimal signal

preservation and noise reduction. This contributes to improved performance in

noisy industrial environments and supports higher accuracy in sound analysis.

Detta arbete handlar om att tillämpa och utvärdera olika metoder för

brusreducering i syfte att extrahera önskade ljud från en bullrig fabriksmiljö.

Brusreducering är en teknik som används för att minska eller eliminera oönskade

ljud (brus) i en signal, vilket förbättrar signalens kvalitet och gör den mer användbar

för analys och tolkning. I dagens industriella miljöer är brusreducering avgörande för

att säkerställa hög noggrannhet i ljudmätningar. Introduktionen ger en bakgrund till

varför arbetet är nödvändigt, samt beskriver mål och frågeställningar relaterade till

effektiv brusreducering.

Arbetet beskriver de viktigaste koncepten kring brusreducering, med särskild fokus

på metoder som FIR (finite impulse response) -bandpassfilter, adaptiva filter,

spektral subtraktion och Wiener-filter. Dessa tekniker utvärderas för deras förmåga

att förbättra signalens kvalitet genom att reducera omgivande brus. En

litteraturstudie genomfördes för att undersöka tidigare forskning, samt de mest

användbara teknikerna för detta arbete.

Resultaten visade att kombinationen av brusreduceringsmetoder och FIR-

bandpassfilter var särskilt effektiv för att hantera både stationärt och icke-stationärt

brus. (Stationärt brus är konstant och förutsägbart över tid, medan icke-stationärt

brus varierar och är svårare att filtrera bort.) Adaptiva filter och spektral subtraktion

presterade bäst när det gällde att reducera icke-stationärt brus, medan Wiener-

filtret visade hög effektivitet i miljöer med stabilt, stationärt brus. Kalmanfiltret

presterade dock sämre under de testade förhållandena. Studien bekräftade att

korrekt sekvensering och kombination av olika brusreduceringsmetoder är

avgörande för att optimera signalens kvalitet och effektivt reducera brus.

Arbetet drar slutsatsen att strategisk användning av brusreduceringsmetoder, i

kombination med FIR-bandpassfilter, är viktigt för att uppnå optimal signalbevaring

och brusreduktion. Detta bidrar till förbättrad prestanda i bullriga industriella

miljöer och stödjer högre noggrannhet i ljudanalys.