用掌控板与传感器高精度测量音速：创客硬件的科学实验实践

1. 项目缘起：当科学实验遇上创客工具

作为一名在创客教育和物理教学一线混迹了十来年的“老炮儿”，我见过太多学生对着课本上“空气中的音速约为340m/s”这个数字一脸茫然。这个数字是怎么来的？它真的是一成不变的吗？温度、湿度对它有什么影响？传统的实验方法，比如用发令枪和秒表在操场上测量，不仅受场地限制大，误差也常常让人哭笑不得。直到我开始把目光投向手边那些“不务正业”的创客硬件——掌控板、超声波传感器、温湿度传感器，事情才变得有趣起来。

这个项目的核心，就是一次典型的“跨界”实践：用创客领域里那些开源、易得、可编程的硬件和软件，去解决一个经典的物理测量难题。我们不再依赖昂贵、笨重的专业仪器，而是用一块几十块钱的掌控板，配合几个常见的传感器，自己动手搭建一套高精度、可交互的音速测量系统。这不仅仅是做一个测量工具，更是理解传感器工作原理、数据采集逻辑、以及物理量之间相互关系的绝佳过程。

你会发现，当“创客技术”与“科学实验”结合，冰冷的公式和定理瞬间变得鲜活起来。我们不仅能测出音速，还能实时看到温度对音速的影响，甚至可以把数据上传到云端进行分析。这种从“知道”到“亲手验证”的转变，对于培养科学思维和工程实践能力，价值远超一次简单的测量。接下来，我就带你一步步拆解，如何用最“创客”的方式，玩转“空气中的音速”这个经典课题。

2. 核心硬件选型：为什么是它们？

工欲善其事，必先利其器。要搭建这套系统，我们需要几样核心的硬件。我的选择基于几个原则：成本可控、易于编程、精度满足要求、社区资源丰富。经过多次迭代，目前最稳定、性价比最高的方案如下。

2.1 主控大脑：为何青睐掌控板

在众多开源硬件中，我最终选择了掌控板作为主控核心。你可能也听说过Arduino、Micro:bit，它们都很优秀，但针对我们这个项目，掌控板有几点独特的优势。

首先，它集成了丰富的输入输出设备。一块板子上自带麦克风、光线传感器、加速度计、陀螺仪、蜂鸣器、全彩LED点阵屏和触摸按键。这意味着在测量音速时，我们可以直接用板载的麦克风作为声音接收端（当然，精度要求高时需外接），而点阵屏可以实时显示距离、温度、计算出的音速等数据，无需额外连接显示屏，极大简化了硬件连接。

其次，它的编程环境对初学者极其友好。支持mPython、**Mind+**等图形化编程软件，也支持Python代码编程。图形化界面可以让没有编程基础的学生快速上手，理解程序逻辑；而切换到代码模式，又能进行更复杂的算法实现和数据处理，兼顾了教学和深度开发的需求。

最后，它的性能足够。基于ESP32芯片，双核处理器，主频高达240MHz，处理传感器数据、进行浮点运算（比如计算音速公式）绰绰有余。同时支持Wi-Fi和蓝牙，为后续的数据无线传输和物联网应用留下了扩展空间。相比之下，一些更简单的板子在处理复杂计算和实时显示时可能会力不从心。

注意：市面上有不同版本的掌控板，建议选择2.0或更新版本，其性能和稳定性更好。如果手头只有Arduino，当然也可以实现，但需要额外连接显示屏、声音传感器等模块，系统会变得稍显复杂。

2.2 感知器官：超声波与温湿度传感器的搭档

音速测量，本质上是测量声音在固定距离内传播的时间。因此，我们需要一个能精准测距的“尺子”，和一个能记录环境状态的“记录员”。

超声波传感器（如HC-SR04）是我们的“测距尺”。它价格低廉（十元左右）、原理直观、测量范围（2cm-400cm）和精度（约3mm）完全满足室内实验需求。其工作原理是“回声定位”：主控板触发传感器发射一束超声波，超声波遇到障碍物反射回来，传感器接收到回波。主控板记录从发射到接收的时间差t。已知超声波在空气中的速度v（这正是我们要测的，但这里我们先假设一个初始值，比如340m/s，用于第一次测距），那么距离s = v * t / 2。这里就引出了我们的核心矛盾：要想知道音速v，需要知道精确距离s和时间t；但用超声波测距s，又需要预先知道音速v。这看似一个“先有鸡还是先有蛋”的死循环，正是我们实验设计的巧妙之处，后文会详细拆解如何破解。

温湿度传感器（如DHT11或精度更高的DHT22、SHT30）是我们的“环境记录员”。因为空气中的音速v与温度T（摄氏度）的关系符合公式：v = 331.4 + 0.6 * T(m/s)。湿度对音速也有影响，但相比温度小一个数量级，在中学阶段的精确度要求下可以暂不考虑。因此，实时监测环境温度，对于修正理论值、分析实验误差至关重要。DHT11成本极低，但响应慢、精度一般（±2°C）；如果追求更高精度，建议使用DHT22（±0.5°C）或I2C接口的SHT30。对于这个实验，DHT11提供的温度趋势是足够的，但如果你发现计算值与理论值偏差有规律，升级传感器是首要排查点。

2.3 可选扩展：让数据“活”起来

基础功能用上述硬件已能实现。但创客的精神在于探索和扩展，我们可以加入更多元素让实验更丰满。

OLED显示屏：虽然掌控板自带点阵屏，但显示信息有限且字体小。外接一个I2C接口的0.96寸OLED屏，可以同时显示更多数据，如实时波形、多次测量平均值、历史数据曲线等，视觉效果和用户体验提升巨大。

物联网模块：利用掌控板的Wi-Fi功能，我们可以将每次测量的时间、距离、温度、计算出的音速等数据，通过MQTT协议发送到阿里云物联网平台或ThingsBoard等开源平台。这样，你可以在手机或电脑的网页上实时监控实验过程，甚至进行远程控制。这对于课堂演示或长期环境监测项目来说，是画龙点睛的一笔。

按钮与指示灯：外接几个 tactile 按钮，可以定义不同的功能模式，如“单次测量”、“连续测量”、“校准模式”。用几个LED灯指示系统状态（如电源、测量中、错误），能让你的装置看起来更专业，交互逻辑也更清晰。

3. 实验原理与破解“测距-音速”死循环

这是整个项目的理论核心，也是区别于简单套用公式的关键。我们必须彻底理解其中的逻辑，才能设计出正确的实验步骤和程序。

3.1 音速与温度的关系公式

首先，我们必须明确一个前提：在干燥空气中，音速v(m/s) 与摄氏温度T(°C) 的近似关系为：v ≈ 331.4 + 0.6 * T这个公式是理论基石。331.4m/s是声音在0°C干燥空气中的速度，温度每升高1°C，速度增加约0.6m/s。我们的实验目标，就是通过测量来验证这个关系，并得到环境温度下的具体音速值。

3.2 核心矛盾与解决方案

现在回到那个死循环：我们用超声波传感器测距s，公式是s = v_ultrasonic * t / 2。这里的v_ultrasonic是超声波在空气中的速度。一个关键的、常常被忽略的物理事实是：在相同的空气介质中，可听声波（我们想测的音速）与超声波的速度是相等的。因为它们都是机械纵波，传播速度只取决于介质的弹性模量和密度，与频率无关。所以，v_ultrasonic = v_sound。我们就把这个统一的速度记为v。

于是，矛盾显现：

1. 想求v，需要已知精确的s和测得的t。
2. 但我们的s又是通过s = v * t / 2这个依赖v的公式算出来的。

这似乎无解。但破解方法有两种：

方法一：固定距离法（推荐）这是最直接、误差最容易分析的方法。我们不使用超声波传感器来测距，而是用一个已知的、精确的固定距离。比如，在实验室里，用卷尺精确量出一段距离s_known，例如 2.000 米。在距离的两端分别放置一个声音发射装置（如蜂鸣器或小音箱）和一个声音接收装置（如麦克风）。用掌控板控制发射器发出一个短促的声音信号（例如一个脉冲），同时开始计时；当接收端的麦克风检测到这个声音信号时，停止计时，得到时间t_measured。那么，音速v = s_known / t_measured。

在这个方法中，距离s_known是独立、精确测量的（用尺子），不依赖于声音速度。我们直接得到了时间t和距离s，从而计算出v。超声波传感器在这个方案里可以不用，或者仅作为辅助测量工具（例如用来验证你摆放的接收器和发射器是否在一条直线上）。这个方法概念清晰，是物理实验的“正统”做法。

方法二：双传感器校准法（更具创客挑战性）如果我们就是想用超声波传感器，那怎么办？我们可以设计一个校准步骤来打破循环。

1. 校准阶段：在一个温度稳定的环境中，用另一种不依赖音速的方法精确测量一段距离s_calibrate。例如，用激光测距仪（现在手机APP也有此功能，精度尚可）或者直接使用卷尺，测量从超声波传感器到反射板的精确距离。
2. 测量阶段：让超声波传感器测量这段已知距离s_calibrate，它会返回一个时间值t_calibrate。根据公式s_calibrate = v_current * t_calibrate / 2，我们可以反推出当前环境下的实际声速v_current = 2 * s_calibrate / t_calibrate。
3. 应用阶段：现在，我们得到了一个校准过的、适用于当前环境的声速值v_current。保持环境温度不变（或实时用温湿度传感器监测），将超声波传感器移到任意位置测量未知距离s_unknown，它返回时间t_unknown，我们就可以用校准后的速度计算：s_unknown = v_current * t_unknown / 2。

这个方法巧妙地将“测速”和“测距”分成了两步。第一步在已知距离上校准出当前音速，第二步用这个音速去测未知距离。它更贴近超声波传感器在机器人、避障等场景中的实际工作逻辑。对于本项目，我强烈推荐使用固定距离法作为主实验方案，因为它原理简单，排除了传感器自身误差对速度计算的影响。双传感器法则可以作为进阶拓展，让学生理解传感器校准的重要性。

4. 系统搭建与编程实战

理论清晰后，我们开始动手。这里以固定距离法为例，使用掌控板板载蜂鸣器作为声源，板载麦克风作为接收器，外接OLED屏显示，并使用DHT11监测温度。

4.1 硬件连接清单与步骤

首先，请准备以下材料：

• 掌控板（2.0） x1
• DHT11温湿度传感器模块 x1
• 0.96寸 I2C OLED显示屏 x1
• 面包板 x1
• 杜邦线（母对母）若干
• 卷尺（建议钢卷尺，精度更高） x1
• 反射板（一块硬纸板或木板即可） x1
• 支架（用于固定掌控板和反射板，可用书本、盒子代替）

连接步骤如下：

1. OLED显示屏：掌控板的I2C引脚是固定的（通常标注为SDA/SCL）。将OLED的SDA接掌控板P21，SCL接P22，VCC接3.3V，GND接GND。
2. DHT11传感器：DHT11有三根或四根线。对于三线模块（VCC, GND, DATA），将DATA线接掌控板任意一个GPIO口，例如P15。VCC接3.3V，GND接GND。注意，DHT11的DATA引脚可能需要一个上拉电阻（通常模块已内置）。
3. 电源：通过USB线为掌控板供电。

硬件连接示意图（文字描述）：

掌控板： USB口 -- 连接电脑或充电宝供电 P21 (SDA) -- OLED屏 SDA P22 (SCL) -- OLED屏 SCL 3.3V -- OLED屏 VCC, DHT11 VCC GND -- OLED屏 GND, DHT11 GND P15 -- DHT11 DATA

板载的蜂鸣器和麦克风无需额外连接。

4.2 编程思路与核心代码解析（基于mPython/X）

我们使用mPython（基于Blockly图形化或Python）进行编程。核心逻辑分为以下几个部分：

1. 初始化与常量定义首先，导入必要的库，初始化OLED屏幕和DHT11传感器，并定义我们精确测量好的固定距离KNOWN_DISTANCE（单位：米）。例如，我用卷尺量得反射板与麦克风之间距离为1.500米。

from mpython import * import time import dht # 硬件初始化 oled = OLED() sensor_dht = dht.DHT11(machine.Pin(15)) # 实验参数 KNOWN_DISTANCE = 1.500 # 单位：米，这是用卷尺精确测量的固定距离

2. 声音发射与高精度计时这是最关键的环节。我们需要发射一个易于识别的声学脉冲，并精确捕捉其到达时间。直接使用蜂鸣器播放一个声音，然后监听麦克风，这种方法容易受到环境噪音干扰，且检测阈值难以设定。

一个更稳健的方法是发射一个特定频率的短促纯音（例如2000Hz，持续50毫秒）。在接收端，我们对麦克风采集到的信号进行简单的过零检测或幅度阈值检测，但只针对这个特定频率附近的信号进行判断，可以有效抑制背景噪音。

然而，在掌控板上实现实时音频处理（如FFT）对初学者来说较复杂。一个折中且有效的实践方案是：利用脉冲的“前沿”。我们控制蜂鸣器发出一个非常短促的“咔哒”声（例如，用pin.write_digital(1)然后立即pin.write_digital(0)），这个声音的起始时刻非常明确。在接收端，我们持续读取麦克风的原始ADC值，当ADC值超过一个静音时的阈值（这个阈值需要通过实验校准），就认为脉冲到达。

def send_sound_pulse(): """发送一个短促的声音脉冲""" buzzer = machine.Pin(13, machine.Pin.OUT) # 假设蜂鸣器接在GPIO13 buzzer.value(1) time.sleep_us(500) # 发出一个500微秒的脉冲，声音很短暂 buzzer.value(0) def measure_time_of_flight(): """测量声音传播时间，返回秒""" # 1. 首先读取一段环境噪音，确定静音阈值 noise_samples = [] for _ in range(100): noise_samples.append(microphone.read()) noise_threshold = max(noise_samples) + 50 # 阈值设为噪音最大值+50，需根据实际情况调整 # 2. 发送声音脉冲，同时开始计时 send_sound_pulse() start_time = time.ticks_us() # 获取微秒级起始时间 # 3. 等待接收脉冲 timeout = 100000 # 超时时间，100毫秒，对应约34米距离 while time.ticks_diff(time.ticks_us(), start_time) < timeout: if microphone.read() > noise_threshold: arrival_time = time.ticks_us() time_of_flight = time.ticks_diff(arrival_time, start_time) # 微秒 return time_of_flight / 1_000_000.0 # 转换为秒 # 4. 如果超时未检测到，返回None return None

这段代码提供了核心思路。在实际应用中，microphone.read()需要替换为掌控板实际的麦克风读取函数（在mPython中可能是sound.read()或audio.read()）。阈值noise_threshold需要在实际环境中实验确定，可以通过一个单独的校准函数来完成。

3. 温度读取与音速计算在每次测量前后，读取DHT11的温度值，用于计算理论音速和对比。

def read_temperature(): """读取DHT11温度，返回摄氏度""" try: sensor_dht.measure() return sensor_dht.temperature() except Exception as e: print("读取温度失败:", e) return None def calculate_speed_of_sound(temperature_c): """根据温度计算理论音速""" if temperature_c is None: return None return 331.4 + 0.6 * temperature_c

4. 主循环与数据显示将上述功能整合，进行多次测量取平均以减少随机误差，并在OLED上显示结果。

def main(): oled.fill(0) # 清屏 oled.DispChar("音速测量实验", 0, 0) oled.show() time.sleep(2) measurement_count = 10 time_sum = 0 valid_measurements = 0 for i in range(measurement_count): oled.fill(0) oled.DispChar(f"测量中 {i+1}/{measurement_count}", 0, 0) oled.show() t = measure_time_of_flight() if t is not None: time_sum += t valid_measurements += 1 oled.DispChar(f"TOF: {t*1000:.2f} ms", 0, 16) else: oled.DispChar("检测超时", 0, 16) oled.show() time.sleep(0.5) # 每次测量间隔0.5秒 if valid_measurements > 0: avg_time = time_sum / valid_measurements measured_speed = KNOWN_DISTANCE / avg_time temperature = read_temperature() theoretical_speed = calculate_speed_of_sound(temperature) oled.fill(0) oled.DispChar("=== 结果 ===", 0, 0) oled.DispChar(f"距离: {KNOWN_DISTANCE}m", 0, 12) oled.DispChar(f"平均时差: {avg_time*1000:.2f}ms", 0, 24) oled.DispChar(f"实测音速: {measured_speed:.1f} m/s", 0, 36) if temperature is not None and theoretical_speed is not None: oled.DispChar(f"温度: {temperature:.1f}C", 0, 48) oled.DispChar(f"理论音速: {theoretical_speed:.1f} m/s", 0, 60) error_percent = abs(measured_speed - theoretical_speed) / theoretical_speed * 100 oled.DispChar(f"误差: {error_percent:.1f}%", 64, 48) oled.show() else: oled.fill(0) oled.DispChar("无有效数据", 0, 0) oled.show() time.sleep(5) # 运行主程序 if __name__ == "__main__": main()

4.3 图形化编程（Mind+）要点

对于初学者，使用Mind+的图形化编程同样可以完成。你需要拖拽的模块包括：

• “掌控板”类别下的播放音调模块（用于发声）、读取麦克风强度模块。
• “传感器”类别下的DHT11读取模块。
• “显示器”类别下的OLED显示模块。
• “控制”类别下的循环、如果那么、等待模块。
• “变量与数学”下的变量创建、数学运算模块。

图形化编程的逻辑与代码完全一致：先设定距离变量，在循环中触发发声并记录开始时间，然后持续判断麦克风值是否超过阈值，记录结束时间并计算。最后读取温度，计算并显示实测与理论音速。图形化的优势在于逻辑流程可视化，但处理复杂的阈值判断和计时精度可能不如代码灵活。

5. 实测中的挑战、误差分析与优化

纸上得来终觉浅，绝知此事要躬行。按照上述步骤搭建后，你很可能第一次得到的结果与理论值相差甚远。别灰心，这正是物理实验和创客项目的精髓所在——排查问题、分析误差、优化方案。以下是我在多次实践中总结的“坑”与“药”。

5.1 常见问题与排查清单

1. 完全检测不到声音脉冲

   • 症状：程序总是超时，measure_time_of_flight返回None。
   • 排查：
     • 阈值问题：静音阈值noise_threshold设得太高了。在安静环境下运行一个程序，连续打印microphone.read()的值，观察其范围。发声时再看值的变化。将阈值设置为静音时最大值的120%-150%。
     • 脉冲太弱：蜂鸣器发出的声音能量不够，或距离太远。尝试缩短距离（如0.5米），增大脉冲宽度（time.sleep_us(500)改为time.sleep_ms(5)），或者在蜂鸣器前加一个纸杯作为简易聚音罩。
     • 麦克风灵敏度：检查掌控板的麦克风是否被遮挡。有些固件版本可能需要初始化音频模块。
     • 代码时序：确保start_time是在声音实际发出的瞬间获取的。如果send_sound_pulse()函数里有延迟，start_time的获取要放在延迟之后、声音发出之前。

2. 测量结果波动巨大（重复性差）

   • 症状：连续测量10次，得到的飞行时间相差几十甚至几百微秒，导致计算的音速值上下跳动。
   • 排查：
     • 环境噪音：这是最主要的原因。关门关窗，远离电脑风扇、空调出风口等噪声源。选择深夜或安静时段实验。在代码中，可以尝试采集更长时间的背景噪音取平均作为基准。
     • 检测算法过于简单：简单的幅度阈值检测易受随机尖峰干扰。可以改为连续多个采样点超过阈值才判定为有效信号，例如“连续5个ADC值大于阈值”。
     • 电源噪声：使用电脑USB供电可能引入噪声。尝试用移动电源供电。
     • 多次平均：这是最有效的方法。将测量次数增加到50次甚至100次，剔除明显异常值（例如与中位数相差过大的值），然后取平均。

3. 测量值系统性偏大或偏小

   • 症状：测量结果很稳定，但计算出的音速总是比理论值慢20m/s或快15m/s。
   • 排查：
     • 距离测量误差：这是最可能的系统误差来源！卷尺是否拉直？起点和终点是否对准了发声器和接收器的声学中心？对于蜂鸣器和麦克风，其有效位置可能不在物理边缘。建议用至少2米以上的距离进行测量，因为绝对误差不变时，距离越大，相对误差越小。用激光测距仪复核。
     • 计时零点误差：电子系统从发出指令到蜂鸣器实际振动，从麦克风检测到信号到程序记录时间，都存在微小的延迟。这个延迟是固定的。可以通过校准来消除：在极短距离（如0.1米）下测量，此时理论飞行时间约300微秒。如果你的系统测出来是500微秒，那么说明有约200微秒的系统延迟。在后续计算中，将每次测量的t减去这个延迟值。
     • 温度传感器误差：用另一个精度更高的温度计（如水银温度计）放在传感器旁边对比。DHT11可能有±2°C的偏差，这会导致理论音速有±1.2m/s的误差。

5.2 误差来源定量分析

了解误差来源，才能有的放矢地改进。下表总结了主要误差源及其量级估计：

5.3 高阶优化思路

如果你不满足于基础测量，想进一步提升精度和可靠性，可以尝试以下方向：

1. 相关检测法：这是信号处理中检测淹没在噪声中信号的金标准。在发射端，发射一个已知的伪随机序列（如M序列）而不是单脉冲。在接收端，将收到的信号与本地存储的原始序列做互相关运算。互相关函数峰值的位置对应的时间差就是飞行时间。这种方法抗噪声能力极强，但需要一定的数字信号处理知识和运算能力。
2. 硬件中断计时：将麦克风信号连接到掌控板的外部中断引脚。当信号超过阈值时，触发硬件中断，在中断服务程序里立即记录时间。这比在循环中轮询 (whileloop) 检测的延迟更小、更确定。
3. 相位检测法：发射一个连续的正弦波，比较接收波与发射波的相位差。相位差与飞行时间成正比。这种方法精度可以非常高，但容易产生整周期模糊，且电路和算法更复杂。
4. 多位置测量与线性拟合：这是彻底消除系统延迟误差的漂亮方法。测量多个不同精确距离s_i下的飞行时间t_i。以s_i为纵轴，t_i为横轴绘制散点图并进行线性拟合。拟合直线的斜率就是音速v，而拟合直线在纵轴（距离轴）上的截距理论上应为0，如果非零，则反映了系统误差。这种方法不依赖于任何预先的校准，结果非常可靠。

6. 从实验到项目：拓展与应用

完成基础测量后，我们可以把这个实验升级为一个完整的科学探究或创客项目。

6.1 探究温度与音速的关系

这是最直接的拓展。将装置放入一个可控温的环境（如带有温度计的保温箱，或用吹风机、冰袋缓慢改变局部温度），在不同温度点（例如10°C, 15°C, 20°C, 25°C, 30°C）进行多次音速测量。将实测音速与对应温度下的理论值（v = 331.4 + 0.6T）绘制在同一张散点图上。你可以看到数据点是否沿着理论直线分布。计算两者的相关系数，并分析误差来源。这完全就是一个完整的物理研究性学习课题。

6.2 设计一个“声学测距仪”

利用校准后的系统（已知当前音速），将其改装成一个测距仪。固定声源和接收器，测量它们到对面墙壁的时间，即可算出距离。你可以为它加上一个外壳，做一个简单的用户界面（用掌控板的触摸按键选择模式，OLED显示距离），这就是一个实实在在的创客作品。思考一下，它和超声波测距仪相比，优缺点各是什么？（提示：声学测距易受环境噪音干扰，但成本可能更低，且测量频率范围不同）。

6.3 物联网数据可视化

启用掌控板的Wi-Fi功能，将每次测量的时间戳、温度、实测音速、理论音速、误差百分比等数据，通过MQTT协议发送到物联网平台（如阿里云IoT）。在平台端配置实时数据流仪表盘，你可以看到音速随时间（温度变化）的动态曲线。更进一步，可以设置报警，当实测值与理论值偏差超过一定范围时，发送邮件或APP通知。这便将一个简单的实验，连接到了广阔的物联网世界。

6.4 与其他传感器融合

创客的乐趣在于混搭。尝试结合其他传感器：

• 加上气压传感器（如BMP280），研究气压对音速的微小影响（在公式中，音速与气压的平方根成正比，但日常气压变化影响远小于温度）。
• 加上光线传感器，探究不同时间（早晚）环境噪音水平对测量成功率的影响。
• 甚至可以用两个装置，组成一个“声学定位”系统，虽然难度很大，但想法很酷。

回过头看，我们从“测量空气中的音速”这个简单的命题出发，动用了掌控板、传感器、编程、误差分析、数据处理、甚至物联网，完成了一次完整的“创客式”科学探究。它锻炼的绝不仅仅是动手能力，更是发现问题、拆解问题、设计解决方案、验证优化的系统工程思维。这，或许就是创客技术赋能科学实验最大的魅力所在——让验证真理的过程，本身就像真理一样迷人。