Echtzeit-Motorrad-Telemetrie mit Arduino, GPS, Sensoren & Azure Cloud

Hardware

Arduino UNO R3	1
u‑blox NEO‑7M GPS	1
LM35DT Temperatursensor (Außen)	1
TMP006 Infrarot-Temperatursensor (Reifentemperatur, kontaktlos)	1
HC‑05 Bluetooth (Arduino ↔ Windows Phone)	1
HC‑SR04 Ultraschall (2×, Federweg vorne/hinten)	2
ADXL345 3‑Achsen-Beschleunigungssensor (Lean/Wheelie-Winkel, G‑Kräfte)	1
ProtoShield / Breadboard / Jumper / 9 V Block + Clip	1 Set
Ducati Monster 695 (Testfahrzeug)	1
Lumia 650 (Windows 10 Mobile) für UWP-App	1

Software & Cloud

• Arduino IDE
• Visual Studio 2015 + UWP SDK (WinAppDeployCmd)
• Microsoft Azure: IoT Hub, Stream Analytics, SQL Database, Web App (ASP.NET + Entity Framework), Machine Learning Studio
• GIMP, Fritzing, Blend

Systemarchitektur (7 Phasen)

1. Erfassung: Arduino liest alle Sensoren ~2 Hz.
2. Bluetooth: Daten per HC‑05 an Windows Phone (UWP-App).
3. Cloud-Upload: App sendet per 3G/4G an Azure IoT Hub.
4. Stream Analytics: Job schreibt Telemetrie in Azure SQL.
5. Web App: Echtzeit-Dashboard (Charts, Authentifizierung) liest SQL via Entity Framework.
6. Machine Learning: Historische Daten → Trainings‑/Vorhersagemodell (Fahrstil-Klassifikation).
7. Feedback (Zukunft): Predictive Service → Event Hub → Cloud Service → IoT Hub → Phone (Warnung bei riskantem Fahrstil).

Sensor-Details & Code-Snippets

Bluetooth (SoftwareSerial)

#include <SoftwareSerial.h>
SoftwareSerial BTSerial(10, 11); // RX, TX
void setup() { BTSerial.begin(9600); }
void loop() { BTSerial.print("Hello Hackster"); }

GPS (TinyGPS++ + SoftwareSerial)

#include <TinyGPS++.h>
SoftwareSerial ss(12, 13);
TinyGPSPlus gps;
void loop() {
  while (ss.available()) if (gps.encode(ss.read())) {
    if (gps.location.isValid()) { lat = gps.location.lat(); lon = gps.location.lng(); }
  }
}

ADXL345 (I²C, Offset-Kalibrierung, Lean/Wheelie)

#include <ADXL345.h> #include <Wire.h>
ADXL345 acc;
double Xg,Yg,Zg, refXg,refYg,refZg; int i=0;
void loop() {
  acc.read(&Xg,&Yg,&Zg);
  if (i==0) { refXg=Xg; refYg=Yg; refZg=Zg; i=1; }
  Xg-=refXg; Yg-=refYg; Zg-=refZg-1; // +1g auf Z
  roll  = -(atan2(-Yg, Zg) * 180/PI);      // Lean Angle
  pitch =  (atan2(Xg, sqrt(Yg*Yg+Zg*Zg)) * 180/PI); // Wheelie Angle
}

TMP006 (I²C, Reifentemperatur)

Montageabstand ≤ Reifenbreite/4 (bei 160 mm → ≤40 mm). Library: Adafruit_TMP006.

LM35 (Analog, Außenluft)

float celsius = (analogRead(A1)/1023.0*5000)/10; // 10 mV/°C

HC‑SR04 (NewPing Library, Federweg)

#include <NewPing.h>
NewPing sonar(2,3,200); // Trig, Echo, MaxDist cm
int dist = sonar.convert_cm(sonar.ping());

UWP-App (Windows 10 Mobile)

• Empfängt Bluetooth-String: $START|Lat|N|Lon|E|Mon|Day|Year|Time|Speed|Alt|Sats|HDOP|Roll|Pitch|Xg|Yg|Zg|Audio|Dist|TempExt|TempTyre|FrontShock|RearShock|$END|
• Parst per Pipe-Trenner, zeigt Gauges (Speed, Lean, Wheelie), GPS, Temperaturen, Federwege.
• Sendet JSON an Azure IoT Hub (Device ID + SAS Key).

Deployment via WinAppDeployCmd.exe (ARM-Paket, Developer Mode, USB).

Azure-Konfiguration

1. IoT Hub: Erstellen, Connection String (iothubowner) notieren.
2. Stream Analytics Job: Input = IoT Hub, Output = SQL Azure Tabelle, Query: SELECT * INTO SqlAzureMyTelemetry FROM MyTelemetryInputHub.
3. Web App + SQL: Free Tier (F1), Custom Domain kaufbar.
4. Device ID: Via Console App (Microsoft.Azure.Devices NuGet) registrieren → Primary Key generieren.

Web-Dashboard

Responsive ASP.NET (Entity Framework). Demo-Zugang: User demo / Pass demo. Zeigt Charts für Speed, Lean, Pitch, G‑Forces, Temperaturen, Federwege, GPS-Karte.

Machine Learning (Azure ML Studio)

• Datenimport aus SQL (CAST zu float, Filter: Speed>3, Federwege>0, |Roll|<60).
• Split → Train Model (Two‑Class Decision Forest – beste Metriken: Accuracy/Precision/Recall/F1 ≈ 1).
• Predictive Experiment → Multiclass Decision Forest → Web Service Deploy.
• Klassifizierung: „SAFE DRIVING“, „HIGH STRESS HIGH SPEED“ etc.
• Erkenntnisse: Fahrer neigt zu Rechtskurven, Lean unabhängig von Reifentemp/Speed, Wheelie bei Reifentemp >35 °C.

Montage am Motorrad (Ducati Monster)

• Zentraleinheit (Arduino, GPS, ADXL, LM35) hinter Sitz.
• TMP006 an Halter hinter Hinterrad (Abstand ~40 mm).
• HC‑SR04 vorne unter Scheinwerfer (Abstand Scheinwerfer–Vorderradkotflügel).
• HC‑SR04 hinten unter Sitz (Abstand Sitz–Hinterrad).
• Stromversorgung: 9 V Block / Powerbank.

Zukunftsausbau

• Pufferlogik bei fehlendem Mobilfunk (lokal speichern, nachholen).
• Xamarin-App für Android/iOS.
• Präzisere Sensoren, kleinere Zentrale (MKR1000/ESP32).
• Social WebApp: Gefahrenkurven teilen, Community-Sicherheit.
• Stream Analytics als ML-Datenquelle (Echtzeit-Training).

Code-Repositories

• UWP App (C#): github.com/lentzlive/MotorbikeArduino
• Arduino Sketch: github.com/lentzlive/BikeTelemetryArduino

Schaltplan

Fritzing-Datei: MotorbikeProject.fzz