— Bez narzędzi data science na pewno rozwój motocykla trwałby zdecydowanie dłużej, bo wtedy polegalibyśmy tylko na informacjach zwrotnych od kierowcy. A ich nie dałoby się jednoznacznie zweryfikować, zwizualizować, poddać analizie i ocenić w szerszym kontekście. Bez zaawansowanej analityki realizacja nowoczesnego projektu nie byłaby możliwa w takim kształcie — doktorant z Politechniki Warszawskiej, Jan Biniewicz, przybliża rozwój projektu WUT SiMR Racing Technology.

Jan Biniewicz przygotowuje doktorat w Instytucie Pojazdów i Maszyn Roboczych Politechniki Warszawskiej. Od 6 lat współtworzy projekt budowy motocykla wyścigowego z udziałem studentów swojej uczelni. W 2019 roku maszyna zdobyła 2. i 3. miejsce w wyścigu Alpe Adria Vintage. Rok później w Pucharze Polski w klasie Sport250 zajęła 2. miejsce, a w tym roku 3. podczas Mistrzostw Śląska rozgrywanych na Torze Poznań.

Zbudowaliście oczujnikowany motocykl wyścigowy, podpięty do platformy analitycznej. To przedsięwzięcie ma związek ze studiami na Wydziale Samochodów i Maszyn Roboczych?

Motocykl rozwijamy od 2017 roku w ramach koła naukowego. Oczywiście zakres projektu mieści się w kompetencjach, które zdobywają studenci naszego wydziału, ale na początku udział w tej inicjatywie nie był powiązany z możliwością zaliczania konkretnych przedmiotów. To była bardziej realizacja naszych zainteresowań i wykorzystanie tego, co umiemy, do skonstruowania motocykla na zawody studenckie. Wcześniej uczestniczyliśmy w podobnych projektach i zajmowaliśmy się na przykład tworzeniem bolidu wyścigowego, ale bardziej interesowały nas motocykle.

Dlaczego?

To była i jest nasza pasja. Wielu z nas jeździło motocyklami, śledziliśmy transmisje różnych serii wyścigowych i w końcu podjęliśmy decyzję, że chcemy zbudować własną maszynę i wystartować w akademickich zawodach MotoStudent.

Czyli projekt pozwala pogłębić w praktyce teoretyczną wiedzę zdobytą podczas studiów?

Dokładnie tak. Na naszym wydziale są poruszane tematy związane z mechaniką, projektowaniem maszyn i pojazdów, z dynamiką tych pojazdów oraz wytrzymałością materiałów. Wszystkie wspomniane zagadnienia są kluczowe w projektowaniu pojazdów, a uczestnictwo w kole naukowym to z kolei sposób na wykorzystanie teoretycznej wiedzy w praktyce. Na studiach mamy ćwiczenia praktyczne i projekty. Nie dochodzą one jednak do fazy wykonawczej i testów, czyli etapów, które jednoznacznie weryfikują przeprowadzone wcześniej prace. Zatem zaletą naszej inicjatywy dotyczącej budowy motocykla wyścigowego jest możliwość sprawdzenia swoich umiejętności w prawdziwym projekcie produkcyjnym.

Jak duży jest zespół zaangażowany w prace nad rozwojem maszyny?

Zaczynaliśmy jako grupa ze studiów magisterskich, zespół liczył siedem osób. Później przyszły czasy pandemii, które wiązały się z problemami z pozyskiwaniem nowych uczestników projektu. Grupa pozostawała liczebnie bez zmian. Teraz trochę zmieniliśmy kryteria, ponieważ studenci dość wcześnie zaczynają pracę zawodową i trudno jest angażować do podobnych przedsięwzięć osoby ze studiów magisterskich, czyli takie, które już mają ugruntowaną wiedzę. Dlatego rekrutujemy osoby ze studiów inżynierskich, a nawet studentów pierwszego roku. Niesie to pewne wyzwania związane z brakiem wiedzy teoretycznej, ale jest to też szansa na szybszy rozwój kompetencji. Obecnie zespół liczy 11 osób i jest podzielony na działy konstrukcji podwozia, elektroniki, aerodynamiki, silnika oraz obsługi medialnej i administracyjnej.

Przejdźmy do kwestii technicznych. Motocykl jest wyposażony w 30 czujników. Na których podzespołach są one zamontowane i za co dokładnie odpowiadają?

Część czujników jest związana z silnikiem. Za ich obsługę odpowiada sterownik, który na podstawie chwilowych wskazań sensorów podejmuje decyzje między innymi o dawce paliwa czy kącie wyprzedzenia zapłonu. Trafiają do niego informacje o prędkości obrotowej silnika, kącie otwarcia przepustnicy, ciśnieniu oleju oraz paliwa, temperaturze cieczy chłodzącej oraz zawartości tlenu w spalinach. Pomiary ze sterownika silnika trafiają kolejno do minikomputera Raspberry Pi 4, który pełni w naszym systemie akwizycji danych funkcję dataloggera. Mierzymy także przyspieszenie motocykla w trzech prostopadłych kierunkach, jego kąt przechyłu, ugięcie zawieszenia, kąt skrętu kierownicy, a nawet temperaturę opon. Poza tym za pomocą systemu nawigacji satelitarnej oraz czujników prędkości obrotowej kół kontrolujemy prędkość pojazdu. Uniwersalność minikomputera Raspberry Pi umożliwia swobodne komponowanie całego układu oraz integrację niemalże dowolnej liczby sensorów. Kompaktowe rozmiary urządzenia oraz jego niewielka masa bardzo dobrze wpisują się w koncepcję lekkiego motocykla wyścigowego.

Dalej dane zebrane z czujników układ Raspberry Pi przesyła do platformy analitycznej SAS.

Raspberry Pi zbiera informacje z czujników i przetwarza każdą pojedynczą informację „w locie”, wykorzystując oprogramowanie SAS. W ramach analizy danych w czasie rzeczywistym wyświetlamy kierowcy informacje o czasie ostatniego okrążenia oraz o bieżącej różnicy czasu względem referencyjnego okrążenia zapisanego w pamięci urządzenia. Uzyskaliśmy te funkcjonalności, adaptując do naszych potrzeb narzędzia geofencingu dostępne w ramach technologii SAS Event Stream Processing. Nasz dział elektroniki wspierany przez międzynarodowy zespół ekspertów zebranych przez SAS Poland pracuje obecnie nad przesyłaniem danych bezpośrednio do chmury oraz przygotowuje rozwiązania, które mają umożliwić obsłudze motocykla podgląd na żywo wszystkich wskaźników pracy pojazdu. Tak zaprojektowany system akwizycji danych będzie można nazwać prawdziwą telemetrią.

Co potem dzieje się z danymi?

Po zjeździe motocykla do boksu przygotowujemy dane do analizy za pomocą wspomnianego SAS Event Stream Processing oraz dodatkowych narzędzi napisanych w SAS Studio. Wyliczamy wtedy pochodne wybranych wielkości, wyznaczamy przyspieszenia pojazdu z danych GPS oraz stosujemy geofencing, który ułatwia późniejszą analizę porównawczą dwóch lub więcej okrążeń toru. Odpowiednio przygotowane dane przeglądamy za pomocą narzędzia SAS Visual Analytics, w którym przygotowaliśmy raporty pod kątem analizy jazdy kierowcy, pracy zawieszenia, przyczepności opon czy wskaźników pracy silnika. Przeglądamy dane zwizualizowane za pomocą tabelarycznych podsumowań oraz różnorodnych grafów, wykresów i histogramów. Następnie wyciągamy wnioski i podejmujemy decyzje o modyfikacji trajektorii przejazdu, zmianie geometrii podwozia czy nastawów tłumików w zawieszeniu. Analiza danych pozwala nam wyciągać cenne wnioski, na podstawie których rozstrzygamy nie tylko bieżące kwestie techniczne, ale możemy też planować kolejne kroki projektowe czy określać odleglejsze cele dla całego przedsięwzięcia.

Jaka technologia odpowiada za łączność w czasie rzeczywistym? To jest po prostu łączność komórkowa?

Posiadamy moduł LTE 4G i za jego pomocą przesyłamy dane.

A 5G? Niższe opóźnienia nie byłyby tu walorem?

Obecnie za pomocą łączności komórkowej przesyłamy do chmury gotowe pakiety zarejestrowanych danych oraz odbieramy tzw. korekty RTK, które umożliwiają nam osiągnięcie centymetrowej dokładności satelitarnego pozycjonowania. 4G okazuje się być do tych zastosowań wystarczające. Wyższa prędkość transmisji danych w sieci 5G może okazać się nieoceniona przy planowanych nowych funkcjonalnościach systemu, o których wcześniej wspominałem. Rosnący zasięg 5G powoduje, że wykorzystanie tej technologii do naszych zastosowań staje się coraz bardziej realne.

Jak wyglądałoby konstruowanie motocykla wyścigowego bez wykorzystania analityki?

Na pewno rozwój motocykla trwałby zdecydowanie dłużej, bo wtedy polegalibyśmy tylko na informacjach zwrotnych od kierowcy, których nie dałoby się jednoznacznie zweryfikować, zwizualizować, poddać analizie i ocenić w szerszym kontekście. Zmiany w pojeździe wprowadza się pojedynczo, w szczególności na początkowym etapie rozwoju motocykla. Jednoczesna modyfikacja kilku ustawień pojazdu utrudnia identyfikację głównego czynnika prowadzącego do poprawy lub pogorszenia działania maszyny. Brak narzędzi data science wiązałby się z koniecznością weryfikacji znacznie większej liczby konfiguracji pojazdu, a każdy dodatkowy dzień spędzony na torze wyścigowym przekłada się na wzrost kosztów projektu. W przypadku zawodów sytuacja jest jeszcze bardziej skomplikowana, ponieważ napięte harmonogramy ograniczają czas przejazdów treningowych. Każda sekunda musi zostać spożytkowana w możliwie najlepszy sposób. Bez zaawansowanej analityki realizacja nowoczesnego projektu nie byłaby możliwa w takim kształcie. Bez dostępu do szerokiego zakresu danych z czujników oraz zaawansowanych narzędzi do ich analizy, nie moglibyśmy podjąć pewnych decyzji i sprawdzić ich na przykład symulacyjnie, aby wprowadzić istotne usprawnienia w pojeździe w tak krótkim czasie.

Czy można zaliczyć ten innowacyjny projekt do obszaru przemysłu 4.0?

Widać w ostatnim czasie znaczny wzrost zainteresowania koncepcją przemysłu 4.0 i rozwiązaniami, które się w niej mieszczą. Nasz projekt to dobra okazja dla studentów do poznawania najnowszych technologii i zdobywania przyszłościowych kompetencji. Dodam, że na Wydziale Samochodów i Maszyn Roboczych Politechniki Warszawskiej powstała specjalność na studiach magisterskich, która dotyczy właśnie czwartej rewolucji przemysłowej. Autorzy jej programu uwzględnili m.in. wykorzystanie analityki danych do projektowania oraz optymalizacji procesów i maszyn. Mamy również na Politechnice Warszawskiej studia podyplomowe z tego zakresu.

A co będzie dalej z motocyklowym projektem?

Planujemy zebrać jak najwięcej danych z obecnej maszyny, żeby móc je wykorzystać w przyszłości. Mam na myśli cel w postaci opracowania kolejnego motocykla na następne zawody MotoStudent. Chcielibyśmy także wziąć udział w wybranej rundzie klasy Moto4 w serii Trofei MES we Włoszech w 2024 roku. Coraz śmielej myślimy też o wykorzystaniu sztucznej inteligencji w procesie doskonalenia naszych projektów.