Resumen. Este trabajo presenta un estudio de los niveles de ruido al que están expuestos el personal que realiza actividades en el área de entrenamiento técnico de la compañía Talleres PMIASA en la ciudad de Guayaquil. El propósito de esta investigación fue determinar la naturaleza y extensión del problema de ruido que se presenta en esta área para lo cual se estableció la línea y base con lo cual se identificó que, a pesar de ser un área de entrenamiento, existen problemas relacionados con ruidos que están fuera de la ley ecuatoriana (Instituto Ecuatoriano de Seguridad Social, 2010) y que involucra riesgos de pérdida de audición para las personas expuestas (El Instructor principalmente) y también niveles de ruido que afectan las actividades de concentración en zonas dedicadas a estudiar (las personas que se encuentra en los salones de clases). Las mediciones de ruido se lo hicieron por sonometría simulando las actividades bajo condiciones de trabajo habituales y los resultados mostraron altos niveles de ruido continuo (100 dBA) en las áreas donde el Instructor y los estudiantes realizan las actividades propias de los cursos que reciben. En la parte final de esta investigación se proponen alternativas de mitigación del ruido desde el punto de vista administrativo (distribuir las horas de prácticas diarias de tal forma que no superen 2 horas continuas, cursos de concientización al personal) y desde el punto de vista ingenieril (Uso de protectores auditivos, mejorar el aislamiento del cuarto de compresor, mejorar el aislamiento de la sala “Héctor Andrade”) entre otras alternativas de mitigación.

Palabras Clave: Ruido, Riesgo Laboral, Sonometría.

Abstract.This paper presents a study of the noise levels to which the personnel performing activities in the technical training area of the PMIASA Talleres company in the city of Guayaquil are exposed. The purpose of this research was to determine the nature and extent of the noise problem presented in this area for which baseline was established. It was identified that, despite being a training area, there are problems related to Noises that are outside Ecuadorian law (Instituto Ecuatoriano de Seguridad Social, 2010) and that involves risks of hearing loss for the exposed people (The Instructor mainly) and also noise levels that affect the activities of concentration in areas dedicated to study (the people in the classrooms). Noise measurements were made by sonometry simulating activities under usual working conditions and the results showed high levels of continuous noise (100 dBA) in areas where the Instructor and students perform the activities of the courses they receive. In the final part of this research, alternatives to noise mitigation are proposed from the administrative point of view (distribute daily practice hours so that they do not exceed 2 continuous hours, staff awareness courses)) and from the technical point of view (Use of hearing protectors, improve the isolation of the compressor room, improve the isolation of the room ”Héctor Andrade”) among other mitigation alternatives.

Keywords: Noise, Occupational hazard, Sonometry.

INTRODUCCIÓN

La Radio Cognitiva (CR) es una tecnología presentada como una solución a la ineficiencia en el uso del espectro electromagnético, que generalmente es causado por una alta demanda de tecnologías inalámbricas, especialmente WiFi y LTE (Shahrasbi, B. et al., 2017). Un sistema CR detecta huecos espectrales asignándolos a usuarios secundarios (SU) o sin licencia, sin causar interferencia a usuarios primarios (PU) o usuarios con licencia. (Muchandi y Khanai, 2016; Patil, V. y Patil, S., 2016). Un sistema CR consta de un ciclo cognitivo basado en cuatro etapas principales: detección de PU, decisión de uso del espectro, distribución del espectro entre PU y SU y movilidad espectral (Liu et al., 2013). La principal diferencia entre los PU y los SU es la autoridad para el uso del espectro por parte de los PU, mientras que los SU están a la espera de su ingreso a algún canal del espectro. Bajo estos parámetros, la detección correcta y efectiva de los PU se convierte en una prioridad. Por lo tanto, una serie de métodos se han propuesto en la literatura, incluidos, Métodos de Detección de Energía (ED) Verma y (Mahapatro, 2017), Detección de forma de onda (WD), detección de filtro adaptado (MFD), Detección por identificación de radio (RID), CDM (Liu et al., 2016), EVD (Jacob et al., 2015), SVD (Xu et al., 2014), entre otros.

En relación con los métodos de detección basados ​​en valores propios (Ali et al., 2014), el umbral de decisión que determina la presencia de la señal se deriva de la teoría de la matriz aleatoria (RMT). La detección SVD es más general ya que se puede aplicar a cualquier tipo de matriz (Palacios, Castro, Azurdia-Meza, y Estevez, 2017). En el caso de los métodos de detección cicloestacionarios (CDM), esta técnica es más resistente a la incertidumbre del ruido que la detección de energía. Cuando la señal transmitida por un PU es cicloestacionaria, puede ser detectada mediante la exploración periódica de la forma del parámetro cicloestacionario. La señal puede detectarse incluso cuando la SNR es pobre; una desventaja de esta detección se produce al ser más difícil de implementar que la detección de energía porque este método requiere información previa sobre la señal a transmitir (Yawada y Wei, 2016).

La principal contribución de este trabajo es comparar el rendimiento del método de detección SVD, el método de detección de valores propios EVD y la detección de cicloestacionaria aplicadas por separado a una red móvil de radio cognitiva, específicamente una red cognitiva mixta entre las tecnologías WiFi y LTE a través de los módulos implementados en Network Simulator 3 (NS- 3.23)(2015). Esto validará la eficiencia de los tres métodos en una red móvil funcional de última tecnología, en términos de probabilidad de detección (Pd) frente a señal-ruido (SNR) a través de simulaciones. Por último, se verificará el método con mayor eficiencia, utilizando el estimador de máxima verosimilitud (MLE) con su respectivo error y desviación.

METODOLOGÍA

Entorno

El estudio se realizó en el Departamento de Ingeniería Eléctrica de la Universidad de Chile, en la ciudad de Santiago, Chile. Contempló un análisis que llevó alrededor de un año y medio, y su proceso fue de investigación, desarrollo, simulación y análisis.

Para realizar los experimentos, se desarrolló un módulo en Network Simulator 3 (NS-3.23) que contiene las cuatro etapas básicas de un sistema CR, simulando una red mixta de radio cognitiva basada en las tecnologías LTE y WiFi. Cabe destacar que NS3 tiene módulos WiFi y LTE incluidos, pero estas tecnologías fueron adaptadas y modificadas para darle la capacidad cognitiva. En la detección del espectro, Se presenta la opción de utilizar el EVD (Omar et al., 2011), SVD (Palacios, 2017) o CDM (Thomas y Sudha, 2014), por separado, para poder analizarlo en el trabajo. La etapa de decisión del espectro se basa en la teoría de juegos, específicamente juego de coalición (Wang et al., 2013), y la etapa de compartición y movilidad se basa en parámetro de potencia RSSI, utilizado para realizar el “hand-off” entre WiFi y LTE (Gerasimenko, M., et al., 2013).

El experimento está basado en una topología de red mostrada en la Figura 1, cabe resaltar que esta topología presentada sólo se muestra como un ejemplo ya que la posición y el movimiento de los UE es dinámico y aleatorio durante todo el tiempo de simulación. El experimento consta de las siguientes características:

1. Modelos de propagación y movilidad utilizados y que son proporcionados por NS-3 y permiten el movimiento dinámico y aleatorio de los UE (Network Simulator, 2015).
2. Los nodos incluidos en la topología propuesta son PU WiFi y PU LTE sin capacidad cognitiva (UE primarios).
3. Se utilizan dos tipos de SU; Los que tienen capacidad cognitiva sólo para una tecnología específica (PU WiFi y PU LTE), y capacidad cognitiva para ambas tecnologías (SU dual).
4. La frecuencia central de LTE se ha fijado a 729MHz, mientras que la frecuencia central de WiFi se ha fijado a 2400MHz.
5. El ancho de banda utilizado para ambas tecnologías es igual a 20MHz. Tanto los valores de frecuencia como el de ancho de banda fueron elegidos para hacer la simulación del modelo más real porque estos son valores típicos de despliegue comercial.
6. El número de PU WiFi, PU LTE, PU WiFi y PU LTE se ha establecido en 5, respectivamente, mientras que el número de SU duales se ha establecido en 10.
7. El intervalo de cobertura del punto AP se ha establecido en 200m, mientras que el rango de cobertura del eNB se ha establecido igual a 350m. Esto se hizo para generar interferencia entre las tecnologías evaluadas en la simulación.
8. La variable a tomar en consideración será SNR.
9. Todos los parámetros utilizados en la simulación se muestran en la Tabla 1, y pueden ser variados en trabajos futuros.

Topología de la red propuesta para simulación

Figura 1. Comparación de métodos de detección de espectro aplicados a redes móviles de radio cognitiva

Fuente: autor

 Comparación de métodos de detección de espectro aplicados a redes móviles de radio cognitiva

Tabla 1.  Tabla de parámetros de simulación del sistema

Fuente: autor

Población

Para conocer el número de simulaciones que se deben realizar que vendrían a ser la población, tomando en cuenta factores como número de muestras en cada simulación, recursos computacionales y confiabilidad de los datos generados por las simulaciones, se generaron simulaciones con las siguientes características:

1. Las variables de consideración en las simulaciones son la Probabilidad de detección (Pd) en función del SNR, escogidas para poder ser comparadas entre los tres métodos de detección que están en función de estos parámetros.
2. La variación del SNR está dada en pasos de 5 dB, entre -25 dB y 25 dB para una mejor visualización de la escala logarítmica.
3. El número de simulaciones se lo definió usando el método de Monte Carlo, con 21 iteraciones para cada valor de SNR, esto es para tener estimaciones confiables de las distribuciones de los estadísticos de interés de los datos generados (Ramírez, et al., 2013; Alfonso y Carla, 2013)
4. Se usaron los parámetros de la Tabla 1, teniendo como resultados de la simulación, el archivo de datos generados para cada uno de los tres métodos analizados por separado.
5. El parámetro Probabilidad de detección (Pd) de cada simulación se obtuvo dividiendo todas las muestras de cada simulación donde la detección fue 1 (detecto), para el número total de muestras.
6. A su vez el parámetro Probabilidad de detección (Pd) para cada valor de SNR especificado se obtuvo dividiendo la suma de todas las Probabilidades de detección (Pd) de cada simulación para el número de simulaciones realizadas (21).

Intervenciones y Descripción de técnicas evaluadas

Para poder realizar la comparación de eficiencia de los métodos en términos de Probabilidad de detección, basada en los datos obtenidos en la simulación, se tuvo que realizar el proceso de diseño y población para cada método, con la configuración de parámetros semejante en cada simulación en NS-3 para obtener resultados comparables.

El método de detección por descomposición en valores singulares (SVD) aplicado e implementado en el desarrollo, se encuentra descrito en Palacios et al.(2017), cuyo algoritmo se resume en la Figura 2.

Comparación de métodos de detección de espectro aplicados a redes móviles de radio cognitiva

Figura 2.  Algoritmo del método de detección SVD

Fuente: autor

El método de detección por descomposición en valores propios (EVD) aplicado e implementado en el desarrollo, se encuentra descrito en (Omar, Hassan y Nor, 2011), cuyo algoritmo se resume en la Figura 3.

Comparación de métodos de detección de espectro aplicados a redes móviles de radio cognitiva

Figura 3.  Algoritmo del método de detección EVD

Fuente: autor

El método de detección cicloestacionario (CDM) aplicado e implementado en el desarrollo, se encuentra descrito en Yawada y Wei (2016); Thomas y Sudha (2014), cuyo algoritmo se resume en la Figura 4.

Comparación de métodos de detección de espectro aplicados a redes móviles de radio cognitiva

Figura 4.  Algoritmo del método de detección CDM

Fuente: autor

Análisis Estadístico

Para comparar el rendimiento de los métodos, y utilizando los datos y modelos obtenidos, es necesario utilizar un método estadístico fiable que permita la validación de estos resultados. El estimador estadístico MLE derivado en Held y Sabanés Bové (2014) es utilizado y su metodología aplicada en un desarrollo en el software R (Team, 2014). El MLE estima los parámetros de un determinado modelo, en este caso los modelos de los métodos de detección obtenidos experimentalmente, permitiendo una comparación estadística.

Cabe señalar que el error estándar (SE) y la desviación estándar (SD) de los parámetros MLE se incluye en el trabajo, porque un modelo de datos es incompleto si el error asociado con los datos no está indicado y el rango de validez de los modelos presentados no podría ser estimado.

RESULTADOS

La probabilidad de detección (Pd) vs SNR se presenta como una función de distribución acumulativa (CDF) para SVD, EVD y CDM, como se muestra en la Figura 5.

Comparación de métodos de detección de espectro aplicados a redes móviles de radio cognitiva

Figura 5.  Funciones de distribución acumulada para SVD, EVD Y CDM

Fuente: autor

Usando el estimador estadístico MLE, los resultados obtenidos se muestran en la Tabla 2. Se observa que el método SVD (Palacios, Castro, Azurdia-Meza, y Estevez, 2017) supera a método EVD y el método cicloestacionario propuestos en Omar, Hassan, y Nor (2011), y Thomas y Sudha (2014), respectivamente.

Tabla 1.  Comparación de métodos de detección de espectro aplicados a redes móviles de radio cognitiva

Fuente: autor

DISCUSIÓN

De acuerdo a los resultados numéricos y gráficos obtenidos, las funciones de distribución acumulada de cada método de detección y sus respectivas comparaciones entre sí, indican que estos métodos presentados en la literatura teóricamente, se pueden aplicar perfectamente a una red móvil estructurada y funcional, algo que no se había comprobado hasta ahora, debido a que todas las pruebas realizadas por la literatura investigada, son pruebas simples y teóricas, usando señales RC (Raised Cosine) y enlaces punto a punto. Además, el desempeño de los tres métodos analizados en este trabajo se puede mejorar disminuyendo la probabilidad de alarma (Pfa) y aumentando el número de muestras en el CR, que podría considerarse como una futura comprobación para un trabajo futuro. Cabe recalcar que el simulador tiene las cuatro etapas del proceso cognitivo ciclo, por lo que se pueden llevar a cabo estudios en las etapas de decisión, compartición y movilidad.

CONCLUSIONES

En este trabajo probamos el desempeño de tres métodos de detección de PU aplicados a la radio cognitiva e implementados en redes inalámbricas WiFi y LTE. Estos métodos se evaluaron y analizaron en términos de la probabilidad de detección de Pd vs SNR, y fueron comparados entre sí. El estimados estadístico MLE, su desviación estándar y  error estándar fueron usados para verificar la eficiencia de los métodos evaluados. Mediante este análisis, concluimos que el método de detección SVD es más eficiente que EVD y MDL en términos de Pd.

REFERENCIAS

Alfonso, U. M. y Carla, M. V., (2013). Modelado y simulación de eventos discretos. UNED.

Ali, S. S., Liu, C. y Jin, M., (2014) “Minimum eigenvalue detection for spectrum sensing in cognitive radio,” International Journal of Electrical and Computer Engineering, 4 (4), 623–630.

Jacob, S. M. y N. S., (2015). “Spectrum sensing technique in cognitive radio based on sample covariance matrix,” In: 2015 International Conference on Control, Instrumentation, Communication and Computational Technologies (ICCICCT) (pp. 139–144). Kumaracoil, India: IEEE.

Omar, M., H., Hassan, S., and Nor, S. A. (2011) “Eigenvalue-based signal detectors performance comparison,” In: The 17th Asia Pacific Conference on Communications, edit. IEEE, Sabah Malaysia, 10. 1–6.

Muchandi, N. y R. Khanai, (2016) “Cognitive radio spectrum sensing: A survey,” In: 2016 International Conference on Electrical, Electronics, and Optimization Techniques (ICEEOT) (pp. 3233–3237).  Chennai, India : IEEE.

Liu, X., Zhang, Y., Li, Y., Zhang, Z., y K. Long, (2013). “A survey of cognitive radio technologies and their optimization approaches,” In: 2013 8 International Conference on Communications and Networking in China (CHINACOM) (pp. 973–978). Guilin, China: IEEE.

Palacios, P., Castro, A., Azurdia-Meza, C. y Estevez, C., (2017). “Svd detection analysis in cognitive mobile radio networks,” In: 2017 Ninth International Conference on Ubiquitous and Future Networks (ICUFN) (pp. 222-224). Milan, Italy: IEEE.

Patil, V. M. y Patil, S. R., (2016) “A survey on spectrum sensing algorithms for cognitive radio,” In:  2016 International Conference on Advances in Human Machine Interaction (HMI) (pp. 1–5).  Doddaballapur, India: IEEE.

Shahrasbi, B., Rahnavard, N., y Vosoughi, A., (2017) “Cluster-cmss: A clusterbased coordinated spectrum sensing in geographically dispersed mobile cognitive radio networks,” IEEE Transactions on Vehicular Technology,  66 (7), 6378–6387.

 Song, L., Han, Z. y Saad, W., (2013). “Overlapping coalitional games for collaborative sensing in cognitive radio networks,” In: 2013 IEEE Wireless Communications and Networking Conference (WCNC), (pp. 4118–4123). Shanghai, China: IEEE.

Sphinx, (2015). ns-3 Model Library, Release ns-3.23, Linux Ubuntu 14.04, C++.  Recuperado de  https://www.nsnam.org/docs/release/3.23/models/ns- 3-model-library.pdf

Thomas, A. A. y Sudha, T. (2014).  “Primary user signal detection in cognitive radio networks using cyclostationary feature analysis,” In: IEEE National Conference on Communication, Signal Processing and Networking (NCCSN). Palakkad, India: IEEE. 1–5. ISBN 978-1-4799-6646-2.