一种集边缘计算与AI预测一体化的玻尔共振实验装置

本发明属于大学物理实验仪器改进与智能测量，具体涉及一种集边缘计算与ai预测一体化的玻尔共振实验装置。

背景技术：

1、玻尔共振实验是大学物理实验课程中用于研究受迫振动与共振现象的重要实验装置，其通过可调驱动频率的周期性外力矩作用于摆轮系统，观察系统振幅与相位随频率变化的规律，从而验证经典受迫振动理论。现有实验系统普遍存在以下问题：

2、首先，传统玻尔共振实验依赖人工或半自动方式读取稳态数据，即实验者需要在每一个驱动频率点下等待系统达到稳态状态（通常需要3–5分钟），再通过指针刻度或频闪方式读取振幅及相位差。这种方法导致实验过程耗时较长，难以在有限教学时间内完成完整频率扫描。

3、其次，现有装置仅关注系统的稳态响应，而忽略了受迫振动从启动到稳态过程中所经历的瞬态过程。该瞬态过程实际上包含丰富的物理信息，例如阻尼衰减特性、拍频现象以及能量交换动态过程，但在传统实验方法中这些信息均未被采集或利用。

4、再次，传统测量方式依赖人工读数或低精度传感器，存在较大的主观误差，尤其是在相位差测量过程中，误差可达±2°甚至更高，严重影响实验结果的重复性与可靠性。

5、此外，现有数字化改进方案虽然引入了光电编码器或数据采集卡，但大多仅实现了“数据电子化显示”，并未改变实验本质，即仍然基于稳态测量模式，缺乏对瞬态数据的深度挖掘能力，更未引入人工智能方法对物理系统进行预测性分析。

6、因此，现有技术无法实现从“稳态测量”向“瞬态推断”的范式转变，无法满足现代物理实验对高效率、高信息维度及智能化分析的需求。

技术实现思路

1、本发明的目的在于提供一种集边缘计算与ai预测一体化的玻尔共振实验装置，以解决现有技术中存在的实验耗时长、瞬态信息缺失、数据维度低以及无法进行智能预测的问题。实现受迫振动瞬态过程的高精度数字化采集；从瞬态拍频波形中反演阻尼系数等关键物理参数；在系统未达到稳态前预测稳态振幅与相位差；构建物理模型与人工智能模型融合的分析框架；提供具有不确定度量化能力的智能实验结果输出系统。

2、为实现上述目的，本发明采用如下技术方案：

3、一种集边缘计算与ai预测一体化的玻尔共振实验装置，包括：

4、摆轮，所述摆轮转动安装于底座上，并通过驱动电机进行周期性角位移变化；

5、旋转编码器模块，所述旋转编码器模块同轴安装于所述摆轮一侧，同步动作，实时检测所述摆轮的旋转摆动状态；

6、边缘计算模块，所述边缘计算模块与旋转编码器模块电性连接；

7、无线通信模块；

8、云端数据处理与分析模块，所述边缘计算模块通过无线通信模块将旋转编码器模块采集到的数据传输至云端数据处理与分析模块；所述云端数据处理与分析模块用于对瞬态振动信号进行物理建模分析与人工智能预测处理；

9、可视化终端模块，用于显示瞬态波形及稳态预测结果。

10、进一步地，还包括：

11、安装于摆轮上的弹性元件，用于为摆轮提供恢复作用；

12、安装于底座上并调节摆轮能量损耗的磁阻尼组件。

13、进一步地，所述边缘计算模块采用esp32计算板，并通过硬件脉冲计数单元实现对旋转编码器模块a/b相脉冲信号的实时计数与方向判定。

14、进一步地，所述边缘计算模块对角位移信号进行时间序列采样，并附加统一时间戳信息形成瞬态波形数据流。

15、进一步地，所述无线通信模块采用基于websocket协议的双向实时通信方式，实现边缘端与云端服务器之间的低延迟数据传输。

16、进一步地，所述云端数据处理与分析模块包括：

17、瞬态波形缓存单元，用于存储受迫振动启动阶段的完整时间序列数据；

18、包络拟合单元，用于基于指数衰减模型对瞬态波形进行包络提取并反演阻尼系数；

19、物理模型分析单元，用于对实验过程中的瞬态振动数据进行分析与相位响应；

20、人工智能预测单元，用于基于时间序列模型对稳态振幅与相位差进行预测；

21、不确定度评估单元，用于输出预测结果的置信区间或误差范围。

22、进一步地，所述包络拟合单元采用levenberg–marquardt非线性最小二乘算法或峰值序列指数拟合方法实现。

23、进一步地，所述人工智能预测单元包括以下至少一种模型结构：长短期记忆网络lstm；transformer注意力网络；神经常微分方程neural ode模型。

24、进一步地，所述云端数据处理与分析模块同时融合物理模型输出结果与人工智能模型输出结果，并通过加权融合或集成学习方式生成最终预测结果。

25、进一步地，所述可视化终端模块用于同时展示：瞬态角位移时间序列、指数包络拟合曲线、ai预测稳态响应曲线、阻尼系数与相位差参数输出。

26、与现有技术相比，本发明具有如下有益效果：

27、该玻尔共振实验装置分利用受迫振动启动阶段的瞬态数据，通过物理建模与人工智能预测相结合的方法，在系统尚未达到稳态之前即可预测稳态振幅、相位差等实验结果，从而替代传统必须等待系统进入稳态的实验测量方法。

28、该玻尔共振实验装置通过引入esp32边缘计算模块，在实验装置端即可完成数据采集、时间同步、缓存及预处理等工作，减少了原始数据传输量，降低了系统通信延迟，提高了实验数据采集的实时性和系统运行效率。

29、该玻尔共振实验装置采用物理模型与人工智能模型融合分析机制，既能够保证预测结果符合受迫振动理论规律，又能够充分发挥人工智能模型对复杂非线性特征的学习能力，提高预测结果的准确性和稳定性。

30、该玻尔共振实验装置通过无线通信实现实验装置与云端分析平台的数据互联，使实验数据能够进行集中存储、智能分析及远程访问，便于实验数据管理和后续模型优化，也为智慧实验室和远程实验教学提供了技术支持。

1.一种集边缘计算与ai预测一体化的玻尔共振实验装置，其特征在于，包括：

2.根据权利要求1所述的集边缘计算与ai预测一体化的玻尔共振实验装置，其特征在于，还包括：

3.根据权利要求1所述的集边缘计算与ai预测一体化的玻尔共振实验装置，其特征在于，所述边缘计算模块采用esp32计算板（5），并通过硬件脉冲计数单元实现对旋转编码器模块a/b相脉冲信号的实时计数与方向判定。

4.根据权利要求1所述的集边缘计算与ai预测一体化的玻尔共振实验装置，其特征在于，所述边缘计算模块对角位移信号进行时间序列采样，并附加统一时间戳信息形成瞬态波形数据流。

5.根据权利要求1所述的集边缘计算与ai预测一体化的玻尔共振实验装置，其特征在于，所述无线通信模块采用基于websocket协议的双向实时通信方式，实现边缘端与云端服务器之间的低延迟数据传输。

6.根据权利要求1所述的集边缘计算与ai预测一体化的玻尔共振实验装置，其特征在于，所述云端数据处理与分析模块包括：

7.根据权利要求6所述的集边缘计算与ai预测一体化的玻尔共振实验装置，其特征在于，所述包络拟合单元采用levenberg–marquardt非线性最小二乘算法或峰值序列指数拟合方法实现。

8.根据权利要求6所述的集边缘计算与ai预测一体化的玻尔共振实验装置，其特征在于，所述人工智能预测单元包括以下至少一种模型结构：长短期记忆网络lstm；transformer注意力网络；神经常微分方程neural ode模型。

9.根据权利要求6所述的集边缘计算与ai预测一体化的玻尔共振实验装置，其特征在于，所述云端数据处理与分析模块同时融合物理模型输出结果与人工智能模型输出结果，并通过加权融合或集成学习方式生成最终预测结果。

10.根据权利要求1所述的集边缘计算与ai预测一体化的玻尔共振实验装置，其特征在于，所述可视化终端模块用于同时展示：瞬态角位移时间序列、指数包络拟合曲线、ai预测稳态响应曲线、阻尼系数与相位差参数输出。