Niezawodność, punktualność i komfort – to trzy cechy, które dziś definiują jakość transportu szynowego w miastach. Utrzymanie floty tramwajowej to nie tylko przeglądy, smarowanie i wymiany. To coraz częściej zaawansowana analiza danych, która pozwala przewidywać nieprawidłowości w pracy podzespołów, zanim te doprowadzą do poważnych awarii. Absolwent Politechniki Poznańskiej, mgr inż. Michał Koźlicki, postanowił pójść krok dalej i… nauczyć tramwajowe silniki „mówić”.
Międzynarodowe uznanie dla polskiego rozwiązania…
…w prestiżowym konkursie organizowanym przez trzy kluczowe instytucje europejskiego sektora kolejowego: ERRAC PAG (European Rail Research Advisory Council Platform Advisory Group), EURNEX (European Rail Research Network of Excellence) oraz Europe’s Rail Joint Undertaking. Celem wydarzenia było wyróżnienie najbardziej obiecujących młodych badaczy, których prace realnie wspierają rozwój transportu szynowego. Spośród 55 zgłoszeń z całej Europy, nagrodzono zaledwie pięć prac – dwie magisterskie i trzy doktorskie. W tym gronie znalazł się projekt Michała Koźlickiego zatytułowany „Diagnozowanie drganiowe silnika trakcyjnego tramwaju z wykorzystaniem dekompozycji sygnałów oraz sieci neuronowych”
Drgania w rękach algorytmu
W nagrodzonej pracy magisterskiej opracowano nowatorską metodę detekcji anomalii silników trakcyjnych na wczesnym etapie ich powstawania, łączącą analizę sygnałów drganiowych z możliwościami sztucznej inteligencji. Badania przeprowadzono na 96 silnikach tramwajowych, a głównym założeniem było stworzenie rozwiązania, które umożliwi wykrywanie nieprawidłowości pracy, bez konieczności demontażu elementów napędu.
Pomiaru dokonywano podczas krótkich, rzeczywistych przejazdów testowych odwzorowując proces normalnej ekspoatacji. Kluczowym etapem było zastosowanie dekompozycji EMD (Empirical Mode Decomposition), która – działając jako filtr adaptacyjny – umożliwiła rozkład złożonych sygnałów drganiowych na prostsze, łatwiejsze do interpretacji komponenty. W kolejnych krokach wykorzystano autoenkoder – rodzaj sieci neuronowej wyspecjalizowanej w wykrywaniu anomalii – co pozwoliło zbudować model zdolny do niezależnej oceny stanu technicznego.
Opracowana metoda cechuje się wysoką czułością, nie wymaga znajomości konstrukcji badanego silnika i stanowi praktyczne narzędzie wspierające wdrażanie diagnostyki typu Condition-Based Maintenance (CBM) w taborze miejskim.
Od inspiracji, po sukcesy na międzynarodowym forum
Zainteresowanie tematyką diagnostyki pojazdów szynowych pojawiło się już podczas studiów I stopnia na kierunku Transport o specjalności Transport Szynowy. Kluczowym krokiem w rozwijaniu tej pasji było dołączenie do Koła Naukowego Inżynierów Transportu Publicznego, gdzie aktywna działalność w Sekcji Badawczej umożliwiła pogłębienie wiedzy oraz zdobycie cennych doświadczeń praktycznych.
W ramach prac sekcji zrealizowano m.in. projekt systemu diagnostycznego lokomotywy PUTrain, który spotkał się z dużym uznaniem na arenie ogólnopolskiej i międzynarodowej. Rozwiązanie to zdobyło 1. miejsce w kategorii Railway podczas Konkursu Konstrukcji Studenckich KOKOS 2024 oraz 3. miejsce w konkurencji innowacji w ramach z Railway Challenge w Wielkiej Brytanii (Stapleford), co przyczyniło się do zajęcia 3. miejsca w klasyfikacji generalnej zawodów.
Współpraca, która przynosi efekty
Wielką wartość w całym projekcie odegrała również wieloletnia współpraca z promotorem – dr. inż Tomaszem Nowakowskim. Był on nie tylko opiekunem pracy magisterskiej i wcześniejszej inżynierskiej, ale także mentorem w działaniach naukowych.
„Zaufanie, jakie zbudowaliśmy podczas wspólnych projektów, pozwalało swobodnie dzielić się pomysłami, testować nietypowe rozwiązania, a takżę przekraczać granice schematycznego podejścia. Wspólne zaangażowanie, przełożyło się bezpośrednio na ostateczną jakość zwycięskiego projektu” – przyznaje autor.
Na zdjęciu, które opublikujemy, widać ich razem – na tle uczelni, która stworzyła przestrzeń do tego, by inżynieria mogła łączyć pasję z technologią przyszłości.
