1. 项目概述用微型计算机测量物理世界的衰减最近在带学生做物理实验时我们遇到了一个经典问题如何精确、直观地测量单摆的衰减过程传统的光电门计时器虽然精确但数据记录和可视化过程对中学生来说略显抽象和繁琐。于是我们想到了手边那些小巧的BBC micro:bit开发板以及能轻松扩展其功能的XinaBox模块套件。这个组合让我们把一次普通的物理实验变成了一次融合了传感器技术、数据采集和编程的跨学科项目。这个项目的核心就是利用micro:bit内置的加速度计来捕捉单摆摆动时微小的加速度变化再通过XinaBox的无线通信或数据记录模块将这一系列随时间变化的“摆动强度”数据实时传输到电脑或记录下来。最终我们不仅能绘制出优美的衰减曲线还能通过曲线拟合计算出阻尼系数直观地“看见”能量是如何被空气阻力和摩擦力一点点消耗掉的。它非常适合中学物理教师、STEM教育爱好者以及任何想用低成本、易上手的工具将抽象物理概念具象化的朋友。接下来我就把我们从构思到实现的完整过程包括踩过的坑和收获的技巧毫无保留地分享出来。2. 核心硬件选型与系统搭建思路工欲善其事必先利其器。这个项目的硬件核心是BBC micro:bit和XinaBox生态系统选择它们而非Arduino或树莓派是经过一番考量的。2.1 为什么是BBC micro:bit XinaBox首先BBC micro:bit本身就是一个极佳的教育平台。它板载了三轴加速度计和磁力计这正是我们检测摆动的物理基础。其编程环境无论是基于块的MakeCode还是MicroPython对初学者极其友好降低了项目的入门门槛。更重要的是它体积小巧、功耗低非常适合附着在摆锤上而不至于过多影响其运动。然而micro:bit的“短板”也很明显其存储空间有限无法长时间记录大量数据它没有内置的无线网络或SD卡存储功能数据导出不便。这时XinaBox的模块化设计就派上了用场。XinaBox通过其独特的“xBus”接口允许像搭积木一样将不同功能的模块如Wi-Fi、LoRa、GPS、数据记录器与micro:bit连接。对于本项目我们主要用到两个核心模块CR02这是一个micro:bit的载体板提供了xBus接口和更稳定的供电。IP01 或 MD01这是关键的数据链路模块。IP01是Wi-Fi 蓝牙模块可以实现数据实时无线传输到电脑或手机MD01则是一个微型数据记录器自带存储适合在没有稳定Wi-Fi的环境如实验室角落独立运行事后读取数据。这种组合的优势在于灵活性与可靠性。我们可以根据实验环境选择无线传输还是离线记录。整个系统搭建无需焊接通过xBus连接器“咔嗒”一声就组合完毕非常便于课堂分组实验和快速迭代。2.2 系统架构与数据流设计我们的测量系统架构很简单但每个环节的设计都关乎最终数据的质量。传感端micro:bit作为传感器节点固定在单摆的摆锤上。其固件程序负责以固定频率如50Hz读取加速度计数据。数据处理端micro:bit对读取的原始加速度数据进行初步处理。通常我们关注垂直于摆动平面的那个轴例如Y轴的加速度变化。为了减少噪声可以在程序中实现一个简单的移动平均滤波。数据传输/记录端若使用IP01Wi-Fi模式micro:bit将处理后的数据通过串口发送给IP01IP01通过Wi-Fi以UDP或TCP协议发送至同一局域网内的电脑。电脑上运行一个用Python配合socket库编写的数据接收服务器实时解析并保存数据。若使用MD01数据记录模式micro:bit将数据同样通过串口送出MD01模块将其以CSV格式直接写入自身的微型存储中。实验结束后通过USB将MD01连接至电脑直接读取数据文件。数据分析端在电脑上使用PythonPandas, NumPy, Matplotlib或Excel对采集到的时序数据进行后期分析绘制位移由加速度二次积分得到或振幅包络线随时间衰减的曲线并进行指数拟合。注意将micro:bit固定在摆锤上时务必确保其牢固且加速度计的敏感轴方向与摆动平面垂直。一个轻微的松动或角度偏差都会在数据中引入巨大的噪声。我们最初用双面胶固定结果数据跳变严重后来改用轻质扎带紧固效果立竿见影。3. 微控制器编程与数据采集实战硬件连接好后最核心的一步就是为micro:bit编写“大脑”程序。我们选择使用MakeCode for micro:bit的图形化编程环境起步因为它更直观但也会提及MicroPython的关键代码逻辑供有进阶需求的读者参考。3.1 MakeCode 程序逻辑剖析在MakeCode中我们的程序主要分为初始化、主循环和数据处理三块。初始化阶段设置无线组如果使用micro:bit自身的无线电功能进行短距离传输但距离和可靠性不如XinaBox IP01。初始化串口通信用于与XinaBox模块IP01或MD01对话。设置波特率为115200这是与XinaBox模块通信的常用速率。校准加速度计。这是一个关键步骤我们需要在单摆静止悬挂时执行一次加速度计校准以消除零偏误差。在MakeCode中可以通过“更多”-“输入”中找到“校准加速度计”积木块。主循环逻辑我们的目标是以恒定频率采样。MakeCode默认的程序会尽可能快地执行循环这会导致采样间隔不均匀。一个重要的技巧是使用“暂停”积木块来控制循环周期。在“永远循环”开始处记录当前系统运行时间毫秒。读取加速度计在Y轴假设此轴对应摆动方向上的强度值。这个值是一个介于-1024到1024之间的数字大致对应±2g的加速度范围。为了后续分析振幅我们更关心加速度的绝对值或峰值。一个简单的做法是计算三个轴合成加速度的模但针对单摆平面运动直接取敏感轴的绝对值即可。将这个处理后的加速度值通过“串口写入数值”积木块发送出去。发送时最好格式化一下例如”A:” 加速度值方便接收端解析。计算本次循环耗时然后用“目标周期如20毫秒对应50Hz - 已耗时”作为暂停时间。这能保证采样间隔大致均匀。// 此为MakeCode积木块对应的逻辑描述非直接代码 basic.forever(function () { let startTime control.millis() // 读取Y轴加速度 let accelY input.acceleration(Dimension.Y) // 取绝对值作为摆动强度的度量简单处理 let strength Math.abs(accelY) // 通过串口发送数据格式如 A:123 serial.writeString(A: strength \n) let elapsed control.millis() - startTime let pauseTime 20 - elapsed // 目标采样周期20ms if (pauseTime 0) { basic.pause(pauseTime) } })3.2 MicroPython 实现与进阶处理对于需要更复杂处理如实时滤波、数据打包的情况MicroPython是更好的选择。以下是核心代码片段from microbit import * import math # 初始化 uart.init(baudrate115200) # 初始化串口连接XinaBox模块 # 校准加速度计手动将micro:bit水平静止放置后运行 # 实际项目中可提示用户通过按钮触发校准 display.show(C) while not button_a.is_pressed(): sleep(10) display.clear() # 此处可记录静止时的加速度值作为零偏本例为简化未实现 SAMPLE_INTERVAL_MS 20 # 采样间隔20毫秒 FILTER_WINDOW 5 # 移动平均滤波窗口大小 accel_history [] # 历史数据队列用于滤波 while True: start_ticks running_time() # 1. 读取原始数据 x accelerometer.get_x() y accelerometer.get_y() # 假设Y轴为敏感轴 z accelerometer.get_z() # 2. 可选计算合成加速度大小减少单轴偶发噪声影响 # magnitude math.sqrt(x*x y*y z*z) # 本项目关注平面摆动直接使用Y轴值 raw_accel y # 3. 简单的移动平均滤波 accel_history.append(raw_accel) if len(accel_history) FILTER_WINDOW: accel_history.pop(0) filtered_accel sum(accel_history) / len(accel_history) # 4. 发送数据 # 格式时间戳(ms),滤波后加速度值 data_string {},{}.format(running_time(), filtered_accel) uart.write(data_string \n) # 5. 精确延时维持固定采样率 elapsed running_time() - start_ticks sleep_time SAMPLE_INTERVAL_MS - elapsed if sleep_time 0: sleep(sleep_time)实操心得在MicroPython中running_time()返回的是毫秒时间戳但系统时间会在约54天后溢出归零。对于一次几分钟的实验这完全没问题。如果进行超长时间记录需要自己维护一个更长的时间戳。另外移动平均滤波会引入相位延迟但对于观察振幅衰减的趋势影响不大。如果要做精确的相位分析则需要使用更复杂的滤波器如IIR但这对于micro:bit的算力是个挑战。4. 上位机数据接收与可视化处理数据从传感端发出后需要在电脑上进行接收、解析和可视化。这里以使用XinaBox IP01模块进行Wi-Fi传输并在电脑上用Python接收为例。4.1 搭建Python数据接收服务器首先确保你的电脑和IP01模块连接在同一个Wi-Fi网络。在IP01的配置模式下通常通过网页将其设置为TCP客户端模式并指向你电脑的IP地址和某个端口例如192.168.1.100:8888。然后在电脑上运行以下Python脚本import socket import time import csv from datetime import datetime # 配置 HOST 0.0.0.0 # 监听所有网络接口 PORT 8888 DATA_FILE pendulum_data.csv def start_server(): with socket.socket(socket.AF_INET, socket.SOCK_STREAM) as s: s.bind((HOST, PORT)) s.listen() print(f服务器启动监听端口 {PORT}...) conn, addr s.accept() with conn: print(f连接来自 {addr}) with open(DATA_FILE, w, newline) as f: csv_writer csv.writer(f) # 写入表头 csv_writer.writerow([timestamp_ms, acceleration]) while True: data conn.recv(1024).decode(utf-8, errorsignore) if not data: break # 数据可能一次性收到多行 lines data.strip().split(\n) for line in lines: if line: try: # 解析格式 时间戳,加速度值 ts, acc line.split(,) csv_writer.writerow([int(ts), float(acc)]) print(f收到: {ts}, {acc}) except ValueError: print(f解析失败的行: {line}) # 可选实时刷新文件防止数据丢失 f.flush() print(数据接收完成已保存至, DATA_FILE) if __name__ __main__: start_server()这个脚本会创建一个TCP服务器接收数据并实时写入CSV文件。即使程序意外终止之前接收的数据也已保存。4.2 数据后处理与衰减曲线绘制采集到的数据是加速度随时间变化的序列。为了得到单摆的衰减曲线我们需要从中提取“振幅”信息。对于小角度单摆其加速度与角位移成正比。因此我们可以将加速度时间序列视为位移信号的二阶导数相差一个负比例系数。直接对加速度积分两次可以得到位移但积分会累积误差。一个更稳健的方法是寻找加速度序列的峰值包络线。以下是使用Python进行数据分析的关键步骤import pandas as pd import numpy as np import matplotlib.pyplot as plt from scipy.signal import find_peaks from scipy.optimize import curve_fit # 1. 加载数据 df pd.read_csv(pendulum_data.csv) df[time_s] df[timestamp_ms] / 1000.0 # 转换为秒 # 2. 去趋势消除可能的零偏 accel_signal df[acceleration].values # 高通滤波或减去均值这里用简单减去均值 accel_detrended accel_signal - np.mean(accel_signal) # 3. 寻找峰值对应每个摆动周期的最大加速度/振幅 peaks, properties find_peaks(np.abs(accel_detrended), distance30, # 峰值间最小间隔点数根据采样率调整 prominence50) # 峰值突出最小高度用于过滤噪声 peak_times df[time_s].iloc[peaks].values peak_amplitudes np.abs(accel_detrended[peaks]) # 用加速度绝对值近似振幅 # 4. 定义指数衰减模型A(t) A0 * exp(-β * t) def exponential_decay(t, A0, beta): return A0 * np.exp(-beta * t) # 5. 拟合峰值数据 # 以第一个峰值的时间为时间起点 t_fit peak_times - peak_times[0] popt, pcov curve_fit(exponential_decay, t_fit, peak_amplitudes, p0[peak_amplitudes[0], 0.01]) # 初始猜测 A0_fit, beta_fit popt print(f拟合参数初始振幅 A0 {A0_fit:.2f}, 阻尼系数 β {beta_fit:.4f} /s) # 6. 计算半衰期等参数 half_life np.log(2) / beta_fit print(f振幅半衰期 T_half {half_life:.2f} 秒) # 7. 绘制结果 plt.figure(figsize(12, 8)) # 子图1原始加速度信号 plt.subplot(2, 2, 1) plt.plot(df[time_s], accel_detrended, b-, alpha0.7, labelAcceleration (detrended)) plt.plot(peak_times, accel_detrended[peaks], ro, labelPeaks) plt.xlabel(Time (s)) plt.ylabel(Acceleration) plt.title(Raw Acceleration Signal with Peaks) plt.legend() plt.grid(True) # 子图2峰值衰减与指数拟合 plt.subplot(2, 2, 2) plt.plot(peak_times, peak_amplitudes, bo, labelMeasured Peaks) plt.plot(peak_times, exponential_decay(t_fit, *popt), r-, labelfFit: A0*exp(-βt)\nβ{beta_fit:.4f}/s) plt.xlabel(Time (s)) plt.ylabel(Amplitude (a.u.)) plt.title(Amplitude Decay Exponential Fit) plt.legend() plt.grid(True) # 子图3拟合残差 residuals peak_amplitudes - exponential_decay(t_fit, *popt) plt.subplot(2, 2, 3) plt.plot(peak_times, residuals, g^) plt.axhline(y0, colork, linestyle--, alpha0.5) plt.xlabel(Time (s)) plt.ylabel(Residual) plt.title(Fit Residuals) plt.grid(True) # 子图4在原始信号上绘制衰减包络线 plt.subplot(2, 2, 4) plt.plot(df[time_s], accel_detrended, b-, alpha0.5, labelSignal) plt.plot(peak_times, peak_amplitudes, ro, labelPeaks) # 绘制拟合的包络线正负两支 t_envelope df[time_s].values - df[time_s].iloc[0] envelope exponential_decay(t_envelope, A0_fit, beta_fit) plt.plot(df[time_s], envelope, r--, labelEnvelope) plt.plot(df[time_s], -envelope, r--, label-Envelope) plt.xlabel(Time (s)) plt.ylabel(Acceleration) plt.title(Signal with Decay Envelopes) plt.legend() plt.grid(True) plt.tight_layout() plt.show()这段代码完成了从原始数据到物理参数提取的全过程。find_peaks函数是关键它自动找到了每个摆动周期的峰值点。指数拟合则给出了量化的阻尼系数β。β值越大表示衰减得越快。5. 实验操作要点与误差分析有了软硬件工具实验操作本身同样重要。不恰当的操作会引入远大于系统误差的偏差。5.1 实验搭建与执行清单单摆制备使用尽可能轻且硬的摆线如细尼龙线减少空气阻力和伸缩性。摆锤选择质量大、体积小的物体如金属螺母以减少空气阻力影响并满足“质点”近似。仔细测量摆线长度L从悬点到摆锤质心的距离。传感器安装将micro:bit和XinaBox模块用轻质扎带或泡沫胶牢固地固定在摆锤上。确保micro:bit的板面与摆动平面平行或垂直并确认你使用的加速度计轴如Y轴与摆动方向一致。整个传感器组件的质量应远小于摆锤质量最好不超过10%。初始条件将单摆拉离平衡位置一个角度例如15度以内确保小角度近似成立并保持静止。此时在程序中执行加速度计校准如果支持或记录下静止时的加速度读数作为零点偏移。数据采集启动数据记录程序上位机Python服务器或MD01开始记录。然后释放摆锤让其自由摆动。同时在上位机端标记释放时刻可以在程序中按一个键记录时间戳。采集时长让单摆持续摆动直到振幅衰减到初始值的1/5或更小以获得足够多的衰减周期用于拟合。通常需要几十个周期。5.2 主要误差来源与抑制措施空气阻力与摆线阻力这是阻尼的主要来源也是我们测量的对象。但额外的、非预期的阻力如摆线打结处过粗、摆锤形状不规则引起湍流会干扰测量。措施使用光滑细线摆锤呈流线型。传感器质量与安装附加的传感器质量会改变系统的有效摆长和惯性。安装不牢或角度倾斜会引入额外的加速度分量。措施尽量减轻传感器重量并确保紧固和方向准确。可以通过对比安装传感器前后的摆动周期来评估其影响。加速度计噪声与零偏micro:bit的加速度计噪声较大零偏会漂移。措施实验前校准软件上使用滤波如移动平均、低通滤波并通过分析峰值包络而非瞬时值来抵抗噪声。采样率与非均匀采样采样率过低会丢失细节采样间隔不均匀会影响后续信号处理如FFT。措施使用running_time()和sleep()进行精确延时确保采样间隔稳定。采样率至少是摆动频率的10倍通常单摆周期1-2秒50Hz采样率足够。摆角过大当摆角超过约15度时单摆的运动方程不再能简化为简谐振动周期会随振幅变化影响衰减模型的准确性。措施控制初始摆角在较小范围10°。避坑技巧在正式实验前先进行几次“预采集”。不分析数据只看实时波形。观察波形是否光滑、周期性是否好、峰值是否明显。如果波形毛刺多检查固定是否牢固如果基线漂移严重重新校准加速度计如果周期性差检查是否有其他物体干扰摆动。这个“试跑”步骤能提前发现大部分问题。6. 项目拓展与教学应用思考完成基础测量后这个项目还有很大的拓展空间并能很好地融入STEM教学。6.1 可行的拓展方向研究不同因素的影响这是最直接的拓展。学生可以改变一个变量对比阻尼系数β的变化。摆锤形状/面积使用相同质量但不同形状球体、圆盘、平板的摆锤研究空气阻力的影响。介质将单摆置于水中需防水处理传感器阻尼会急剧增大。摆线材料对比尼龙线、棉线、金属链的阻尼研究内部摩擦。磁场阻尼在摆锤下方放置一块磁铁利用涡流效应产生电磁阻尼。能量衰减可视化单摆的动能和势能之和正比于振幅的平方A²。可以实时计算并绘制总能量E ∝ A²随时间衰减的曲线它应该也服从指数衰减规律且衰减常数是振幅衰减常数的两倍因为E ∝ A²A ∝ e^{-βt} 所以E ∝ e^{-2βt}。多节点对比实验如果有多套micro:bitXinaBox设备可以让学生分组同时测量不同条件下的单摆收集数据后集中对比分析培养协作能力。与理论模型对比对于空气阻力常见的模型有与速度成正比的线性阻尼F_d -bv和与速度平方成正比的二次阻尼F_d -cv|v|。线性阻尼导致振幅指数衰减而二次阻尼导致振幅线性衰减。可以通过高精度的实验数据尝试区分实际更符合哪种模型。6.2 在教学中的应用价值这个项目完美地体现了探究式学习和跨学科融合。物理层面学生直观地验证了阻尼振动的规律从抽象的公式AA0e^{-βt}变成了眼前真实的曲线。他们理解了能量耗散的概念并学会了用拟合工具提取物理参数。技术与工程层面学生实践了传感器应用、数据采集、无线通信、编程和数据分析的完整流程。他们需要解决工程问题如如何固定传感器、如何减少噪声、如何保证可靠通信。数学层面指数函数、曲线拟合、峰值检测等数学工具被用于解决真实的科学问题赋予了数学以实际意义。在教学实施中建议采用“脚手架”策略教师先搭建好基础的数据采集框架让学生专注于实验设计、变量控制和数据分析。对于高水平学生则可以挑战他们自己编写滤波算法或尝试区分不同的阻尼模型。最后我想分享一个我们遇到的具体问题在一次实验中衰减曲线在后期出现了“平台”即振幅不再下降。排查了很久才发现是摆线在悬挂点产生了轻微的缠绕导致有效摆长变短改变了系统频率而我们的峰值检测算法在振幅很小时误将噪声判为了峰值。解决办法是优化算法只识别那些“显著”的峰值通过设置prominence参数并在物理上确保悬挂点转动顺畅。这个小插曲告诉我们在物理实验中软件算法和硬件装置永远需要被同等重视、联合调试。 基于Micro:bit与XinaBox的单摆阻尼测量系统设计与实现
1. 项目概述用微型计算机测量物理世界的衰减最近在带学生做物理实验时我们遇到了一个经典问题如何精确、直观地测量单摆的衰减过程传统的光电门计时器虽然精确但数据记录和可视化过程对中学生来说略显抽象和繁琐。于是我们想到了手边那些小巧的BBC micro:bit开发板以及能轻松扩展其功能的XinaBox模块套件。这个组合让我们把一次普通的物理实验变成了一次融合了传感器技术、数据采集和编程的跨学科项目。这个项目的核心就是利用micro:bit内置的加速度计来捕捉单摆摆动时微小的加速度变化再通过XinaBox的无线通信或数据记录模块将这一系列随时间变化的“摆动强度”数据实时传输到电脑或记录下来。最终我们不仅能绘制出优美的衰减曲线还能通过曲线拟合计算出阻尼系数直观地“看见”能量是如何被空气阻力和摩擦力一点点消耗掉的。它非常适合中学物理教师、STEM教育爱好者以及任何想用低成本、易上手的工具将抽象物理概念具象化的朋友。接下来我就把我们从构思到实现的完整过程包括踩过的坑和收获的技巧毫无保留地分享出来。2. 核心硬件选型与系统搭建思路工欲善其事必先利其器。这个项目的硬件核心是BBC micro:bit和XinaBox生态系统选择它们而非Arduino或树莓派是经过一番考量的。2.1 为什么是BBC micro:bit XinaBox首先BBC micro:bit本身就是一个极佳的教育平台。它板载了三轴加速度计和磁力计这正是我们检测摆动的物理基础。其编程环境无论是基于块的MakeCode还是MicroPython对初学者极其友好降低了项目的入门门槛。更重要的是它体积小巧、功耗低非常适合附着在摆锤上而不至于过多影响其运动。然而micro:bit的“短板”也很明显其存储空间有限无法长时间记录大量数据它没有内置的无线网络或SD卡存储功能数据导出不便。这时XinaBox的模块化设计就派上了用场。XinaBox通过其独特的“xBus”接口允许像搭积木一样将不同功能的模块如Wi-Fi、LoRa、GPS、数据记录器与micro:bit连接。对于本项目我们主要用到两个核心模块CR02这是一个micro:bit的载体板提供了xBus接口和更稳定的供电。IP01 或 MD01这是关键的数据链路模块。IP01是Wi-Fi 蓝牙模块可以实现数据实时无线传输到电脑或手机MD01则是一个微型数据记录器自带存储适合在没有稳定Wi-Fi的环境如实验室角落独立运行事后读取数据。这种组合的优势在于灵活性与可靠性。我们可以根据实验环境选择无线传输还是离线记录。整个系统搭建无需焊接通过xBus连接器“咔嗒”一声就组合完毕非常便于课堂分组实验和快速迭代。2.2 系统架构与数据流设计我们的测量系统架构很简单但每个环节的设计都关乎最终数据的质量。传感端micro:bit作为传感器节点固定在单摆的摆锤上。其固件程序负责以固定频率如50Hz读取加速度计数据。数据处理端micro:bit对读取的原始加速度数据进行初步处理。通常我们关注垂直于摆动平面的那个轴例如Y轴的加速度变化。为了减少噪声可以在程序中实现一个简单的移动平均滤波。数据传输/记录端若使用IP01Wi-Fi模式micro:bit将处理后的数据通过串口发送给IP01IP01通过Wi-Fi以UDP或TCP协议发送至同一局域网内的电脑。电脑上运行一个用Python配合socket库编写的数据接收服务器实时解析并保存数据。若使用MD01数据记录模式micro:bit将数据同样通过串口送出MD01模块将其以CSV格式直接写入自身的微型存储中。实验结束后通过USB将MD01连接至电脑直接读取数据文件。数据分析端在电脑上使用PythonPandas, NumPy, Matplotlib或Excel对采集到的时序数据进行后期分析绘制位移由加速度二次积分得到或振幅包络线随时间衰减的曲线并进行指数拟合。注意将micro:bit固定在摆锤上时务必确保其牢固且加速度计的敏感轴方向与摆动平面垂直。一个轻微的松动或角度偏差都会在数据中引入巨大的噪声。我们最初用双面胶固定结果数据跳变严重后来改用轻质扎带紧固效果立竿见影。3. 微控制器编程与数据采集实战硬件连接好后最核心的一步就是为micro:bit编写“大脑”程序。我们选择使用MakeCode for micro:bit的图形化编程环境起步因为它更直观但也会提及MicroPython的关键代码逻辑供有进阶需求的读者参考。3.1 MakeCode 程序逻辑剖析在MakeCode中我们的程序主要分为初始化、主循环和数据处理三块。初始化阶段设置无线组如果使用micro:bit自身的无线电功能进行短距离传输但距离和可靠性不如XinaBox IP01。初始化串口通信用于与XinaBox模块IP01或MD01对话。设置波特率为115200这是与XinaBox模块通信的常用速率。校准加速度计。这是一个关键步骤我们需要在单摆静止悬挂时执行一次加速度计校准以消除零偏误差。在MakeCode中可以通过“更多”-“输入”中找到“校准加速度计”积木块。主循环逻辑我们的目标是以恒定频率采样。MakeCode默认的程序会尽可能快地执行循环这会导致采样间隔不均匀。一个重要的技巧是使用“暂停”积木块来控制循环周期。在“永远循环”开始处记录当前系统运行时间毫秒。读取加速度计在Y轴假设此轴对应摆动方向上的强度值。这个值是一个介于-1024到1024之间的数字大致对应±2g的加速度范围。为了后续分析振幅我们更关心加速度的绝对值或峰值。一个简单的做法是计算三个轴合成加速度的模但针对单摆平面运动直接取敏感轴的绝对值即可。将这个处理后的加速度值通过“串口写入数值”积木块发送出去。发送时最好格式化一下例如”A:” 加速度值方便接收端解析。计算本次循环耗时然后用“目标周期如20毫秒对应50Hz - 已耗时”作为暂停时间。这能保证采样间隔大致均匀。// 此为MakeCode积木块对应的逻辑描述非直接代码 basic.forever(function () { let startTime control.millis() // 读取Y轴加速度 let accelY input.acceleration(Dimension.Y) // 取绝对值作为摆动强度的度量简单处理 let strength Math.abs(accelY) // 通过串口发送数据格式如 A:123 serial.writeString(A: strength \n) let elapsed control.millis() - startTime let pauseTime 20 - elapsed // 目标采样周期20ms if (pauseTime 0) { basic.pause(pauseTime) } })3.2 MicroPython 实现与进阶处理对于需要更复杂处理如实时滤波、数据打包的情况MicroPython是更好的选择。以下是核心代码片段from microbit import * import math # 初始化 uart.init(baudrate115200) # 初始化串口连接XinaBox模块 # 校准加速度计手动将micro:bit水平静止放置后运行 # 实际项目中可提示用户通过按钮触发校准 display.show(C) while not button_a.is_pressed(): sleep(10) display.clear() # 此处可记录静止时的加速度值作为零偏本例为简化未实现 SAMPLE_INTERVAL_MS 20 # 采样间隔20毫秒 FILTER_WINDOW 5 # 移动平均滤波窗口大小 accel_history [] # 历史数据队列用于滤波 while True: start_ticks running_time() # 1. 读取原始数据 x accelerometer.get_x() y accelerometer.get_y() # 假设Y轴为敏感轴 z accelerometer.get_z() # 2. 可选计算合成加速度大小减少单轴偶发噪声影响 # magnitude math.sqrt(x*x y*y z*z) # 本项目关注平面摆动直接使用Y轴值 raw_accel y # 3. 简单的移动平均滤波 accel_history.append(raw_accel) if len(accel_history) FILTER_WINDOW: accel_history.pop(0) filtered_accel sum(accel_history) / len(accel_history) # 4. 发送数据 # 格式时间戳(ms),滤波后加速度值 data_string {},{}.format(running_time(), filtered_accel) uart.write(data_string \n) # 5. 精确延时维持固定采样率 elapsed running_time() - start_ticks sleep_time SAMPLE_INTERVAL_MS - elapsed if sleep_time 0: sleep(sleep_time)实操心得在MicroPython中running_time()返回的是毫秒时间戳但系统时间会在约54天后溢出归零。对于一次几分钟的实验这完全没问题。如果进行超长时间记录需要自己维护一个更长的时间戳。另外移动平均滤波会引入相位延迟但对于观察振幅衰减的趋势影响不大。如果要做精确的相位分析则需要使用更复杂的滤波器如IIR但这对于micro:bit的算力是个挑战。4. 上位机数据接收与可视化处理数据从传感端发出后需要在电脑上进行接收、解析和可视化。这里以使用XinaBox IP01模块进行Wi-Fi传输并在电脑上用Python接收为例。4.1 搭建Python数据接收服务器首先确保你的电脑和IP01模块连接在同一个Wi-Fi网络。在IP01的配置模式下通常通过网页将其设置为TCP客户端模式并指向你电脑的IP地址和某个端口例如192.168.1.100:8888。然后在电脑上运行以下Python脚本import socket import time import csv from datetime import datetime # 配置 HOST 0.0.0.0 # 监听所有网络接口 PORT 8888 DATA_FILE pendulum_data.csv def start_server(): with socket.socket(socket.AF_INET, socket.SOCK_STREAM) as s: s.bind((HOST, PORT)) s.listen() print(f服务器启动监听端口 {PORT}...) conn, addr s.accept() with conn: print(f连接来自 {addr}) with open(DATA_FILE, w, newline) as f: csv_writer csv.writer(f) # 写入表头 csv_writer.writerow([timestamp_ms, acceleration]) while True: data conn.recv(1024).decode(utf-8, errorsignore) if not data: break # 数据可能一次性收到多行 lines data.strip().split(\n) for line in lines: if line: try: # 解析格式 时间戳,加速度值 ts, acc line.split(,) csv_writer.writerow([int(ts), float(acc)]) print(f收到: {ts}, {acc}) except ValueError: print(f解析失败的行: {line}) # 可选实时刷新文件防止数据丢失 f.flush() print(数据接收完成已保存至, DATA_FILE) if __name__ __main__: start_server()这个脚本会创建一个TCP服务器接收数据并实时写入CSV文件。即使程序意外终止之前接收的数据也已保存。4.2 数据后处理与衰减曲线绘制采集到的数据是加速度随时间变化的序列。为了得到单摆的衰减曲线我们需要从中提取“振幅”信息。对于小角度单摆其加速度与角位移成正比。因此我们可以将加速度时间序列视为位移信号的二阶导数相差一个负比例系数。直接对加速度积分两次可以得到位移但积分会累积误差。一个更稳健的方法是寻找加速度序列的峰值包络线。以下是使用Python进行数据分析的关键步骤import pandas as pd import numpy as np import matplotlib.pyplot as plt from scipy.signal import find_peaks from scipy.optimize import curve_fit # 1. 加载数据 df pd.read_csv(pendulum_data.csv) df[time_s] df[timestamp_ms] / 1000.0 # 转换为秒 # 2. 去趋势消除可能的零偏 accel_signal df[acceleration].values # 高通滤波或减去均值这里用简单减去均值 accel_detrended accel_signal - np.mean(accel_signal) # 3. 寻找峰值对应每个摆动周期的最大加速度/振幅 peaks, properties find_peaks(np.abs(accel_detrended), distance30, # 峰值间最小间隔点数根据采样率调整 prominence50) # 峰值突出最小高度用于过滤噪声 peak_times df[time_s].iloc[peaks].values peak_amplitudes np.abs(accel_detrended[peaks]) # 用加速度绝对值近似振幅 # 4. 定义指数衰减模型A(t) A0 * exp(-β * t) def exponential_decay(t, A0, beta): return A0 * np.exp(-beta * t) # 5. 拟合峰值数据 # 以第一个峰值的时间为时间起点 t_fit peak_times - peak_times[0] popt, pcov curve_fit(exponential_decay, t_fit, peak_amplitudes, p0[peak_amplitudes[0], 0.01]) # 初始猜测 A0_fit, beta_fit popt print(f拟合参数初始振幅 A0 {A0_fit:.2f}, 阻尼系数 β {beta_fit:.4f} /s) # 6. 计算半衰期等参数 half_life np.log(2) / beta_fit print(f振幅半衰期 T_half {half_life:.2f} 秒) # 7. 绘制结果 plt.figure(figsize(12, 8)) # 子图1原始加速度信号 plt.subplot(2, 2, 1) plt.plot(df[time_s], accel_detrended, b-, alpha0.7, labelAcceleration (detrended)) plt.plot(peak_times, accel_detrended[peaks], ro, labelPeaks) plt.xlabel(Time (s)) plt.ylabel(Acceleration) plt.title(Raw Acceleration Signal with Peaks) plt.legend() plt.grid(True) # 子图2峰值衰减与指数拟合 plt.subplot(2, 2, 2) plt.plot(peak_times, peak_amplitudes, bo, labelMeasured Peaks) plt.plot(peak_times, exponential_decay(t_fit, *popt), r-, labelfFit: A0*exp(-βt)\nβ{beta_fit:.4f}/s) plt.xlabel(Time (s)) plt.ylabel(Amplitude (a.u.)) plt.title(Amplitude Decay Exponential Fit) plt.legend() plt.grid(True) # 子图3拟合残差 residuals peak_amplitudes - exponential_decay(t_fit, *popt) plt.subplot(2, 2, 3) plt.plot(peak_times, residuals, g^) plt.axhline(y0, colork, linestyle--, alpha0.5) plt.xlabel(Time (s)) plt.ylabel(Residual) plt.title(Fit Residuals) plt.grid(True) # 子图4在原始信号上绘制衰减包络线 plt.subplot(2, 2, 4) plt.plot(df[time_s], accel_detrended, b-, alpha0.5, labelSignal) plt.plot(peak_times, peak_amplitudes, ro, labelPeaks) # 绘制拟合的包络线正负两支 t_envelope df[time_s].values - df[time_s].iloc[0] envelope exponential_decay(t_envelope, A0_fit, beta_fit) plt.plot(df[time_s], envelope, r--, labelEnvelope) plt.plot(df[time_s], -envelope, r--, label-Envelope) plt.xlabel(Time (s)) plt.ylabel(Acceleration) plt.title(Signal with Decay Envelopes) plt.legend() plt.grid(True) plt.tight_layout() plt.show()这段代码完成了从原始数据到物理参数提取的全过程。find_peaks函数是关键它自动找到了每个摆动周期的峰值点。指数拟合则给出了量化的阻尼系数β。β值越大表示衰减得越快。5. 实验操作要点与误差分析有了软硬件工具实验操作本身同样重要。不恰当的操作会引入远大于系统误差的偏差。5.1 实验搭建与执行清单单摆制备使用尽可能轻且硬的摆线如细尼龙线减少空气阻力和伸缩性。摆锤选择质量大、体积小的物体如金属螺母以减少空气阻力影响并满足“质点”近似。仔细测量摆线长度L从悬点到摆锤质心的距离。传感器安装将micro:bit和XinaBox模块用轻质扎带或泡沫胶牢固地固定在摆锤上。确保micro:bit的板面与摆动平面平行或垂直并确认你使用的加速度计轴如Y轴与摆动方向一致。整个传感器组件的质量应远小于摆锤质量最好不超过10%。初始条件将单摆拉离平衡位置一个角度例如15度以内确保小角度近似成立并保持静止。此时在程序中执行加速度计校准如果支持或记录下静止时的加速度读数作为零点偏移。数据采集启动数据记录程序上位机Python服务器或MD01开始记录。然后释放摆锤让其自由摆动。同时在上位机端标记释放时刻可以在程序中按一个键记录时间戳。采集时长让单摆持续摆动直到振幅衰减到初始值的1/5或更小以获得足够多的衰减周期用于拟合。通常需要几十个周期。5.2 主要误差来源与抑制措施空气阻力与摆线阻力这是阻尼的主要来源也是我们测量的对象。但额外的、非预期的阻力如摆线打结处过粗、摆锤形状不规则引起湍流会干扰测量。措施使用光滑细线摆锤呈流线型。传感器质量与安装附加的传感器质量会改变系统的有效摆长和惯性。安装不牢或角度倾斜会引入额外的加速度分量。措施尽量减轻传感器重量并确保紧固和方向准确。可以通过对比安装传感器前后的摆动周期来评估其影响。加速度计噪声与零偏micro:bit的加速度计噪声较大零偏会漂移。措施实验前校准软件上使用滤波如移动平均、低通滤波并通过分析峰值包络而非瞬时值来抵抗噪声。采样率与非均匀采样采样率过低会丢失细节采样间隔不均匀会影响后续信号处理如FFT。措施使用running_time()和sleep()进行精确延时确保采样间隔稳定。采样率至少是摆动频率的10倍通常单摆周期1-2秒50Hz采样率足够。摆角过大当摆角超过约15度时单摆的运动方程不再能简化为简谐振动周期会随振幅变化影响衰减模型的准确性。措施控制初始摆角在较小范围10°。避坑技巧在正式实验前先进行几次“预采集”。不分析数据只看实时波形。观察波形是否光滑、周期性是否好、峰值是否明显。如果波形毛刺多检查固定是否牢固如果基线漂移严重重新校准加速度计如果周期性差检查是否有其他物体干扰摆动。这个“试跑”步骤能提前发现大部分问题。6. 项目拓展与教学应用思考完成基础测量后这个项目还有很大的拓展空间并能很好地融入STEM教学。6.1 可行的拓展方向研究不同因素的影响这是最直接的拓展。学生可以改变一个变量对比阻尼系数β的变化。摆锤形状/面积使用相同质量但不同形状球体、圆盘、平板的摆锤研究空气阻力的影响。介质将单摆置于水中需防水处理传感器阻尼会急剧增大。摆线材料对比尼龙线、棉线、金属链的阻尼研究内部摩擦。磁场阻尼在摆锤下方放置一块磁铁利用涡流效应产生电磁阻尼。能量衰减可视化单摆的动能和势能之和正比于振幅的平方A²。可以实时计算并绘制总能量E ∝ A²随时间衰减的曲线它应该也服从指数衰减规律且衰减常数是振幅衰减常数的两倍因为E ∝ A²A ∝ e^{-βt} 所以E ∝ e^{-2βt}。多节点对比实验如果有多套micro:bitXinaBox设备可以让学生分组同时测量不同条件下的单摆收集数据后集中对比分析培养协作能力。与理论模型对比对于空气阻力常见的模型有与速度成正比的线性阻尼F_d -bv和与速度平方成正比的二次阻尼F_d -cv|v|。线性阻尼导致振幅指数衰减而二次阻尼导致振幅线性衰减。可以通过高精度的实验数据尝试区分实际更符合哪种模型。6.2 在教学中的应用价值这个项目完美地体现了探究式学习和跨学科融合。物理层面学生直观地验证了阻尼振动的规律从抽象的公式AA0e^{-βt}变成了眼前真实的曲线。他们理解了能量耗散的概念并学会了用拟合工具提取物理参数。技术与工程层面学生实践了传感器应用、数据采集、无线通信、编程和数据分析的完整流程。他们需要解决工程问题如如何固定传感器、如何减少噪声、如何保证可靠通信。数学层面指数函数、曲线拟合、峰值检测等数学工具被用于解决真实的科学问题赋予了数学以实际意义。在教学实施中建议采用“脚手架”策略教师先搭建好基础的数据采集框架让学生专注于实验设计、变量控制和数据分析。对于高水平学生则可以挑战他们自己编写滤波算法或尝试区分不同的阻尼模型。最后我想分享一个我们遇到的具体问题在一次实验中衰减曲线在后期出现了“平台”即振幅不再下降。排查了很久才发现是摆线在悬挂点产生了轻微的缠绕导致有效摆长变短改变了系统频率而我们的峰值检测算法在振幅很小时误将噪声判为了峰值。解决办法是优化算法只识别那些“显著”的峰值通过设置prominence参数并在物理上确保悬挂点转动顺畅。这个小插曲告诉我们在物理实验中软件算法和硬件装置永远需要被同等重视、联合调试。