🌍 Дополнительные аналоговые датчики - газ, почва, звук

Расширить арсенал датчиков IoT-разработчика и интегрировать все знания о работе с аналоговыми сенсорами

• Каждая команда работала с тремя типами датчиков: MQ-2 (газ), soil moisture, микрофон
• Освоены принципы работы химических, емкостных и акустических сенсоров
• Создана единая библиотека функций для всех изученных датчиков
• Сформированы команды и выбраны роли для проекта “Метеостанция”
• НОВОЕ: Проведена оценка применимости датчиков для экологического мониторинга
• Разработан план проекта метеостанции с техническими требованиями

Задача: Мотивировать через актуальную экологическую проблематику

Проблемная ситуация:

• Показать данные о загрязнении воздуха в городе
• “Как узнать качество воздуха в классе? Влажность почвы в школьном саду? Уровень шума?”
• “Можем ли мы создать систему экологического мониторинга?”

Действия учащихся:

• Осознают актуальность экомониторинга
• Связывают с IoT возможностями

Результат: Мотивация к изучению “экологических” датчиков

Принцип работы:

• Полупроводниковый газовый сенсор
• Нагревательный элемент + чувствительный слой оксида олова
• Изменение проводимости при контакте с газами

Что детектирует:

• Дым, метан, пропан, водород
• ⚠️ ВАЖНО: Не точный анализатор, а детектор “есть газ/нет газа”

Применения:

• Системы пожарной безопасности
• Мониторинг утечек газа
• “Умные” детекторы дыма

Принцип работы:

• Емкостный датчик: две пластины образуют конденсатор
• Вода имеет высокую диэлектрическую проницаемость
• Больше влаги → больше емкость → изменение выходного сигнала

Преимущества над резистивным:

• Не корродирует от контакта с почвой
• Более долговечный
• Менее влияет на химический состав почвы

Принцип работы:

• Электретный микрофон + усилитель
• Звуковые волны → колебания мембраны → изменение емкости → электрический сигнал
• Выходы: аналоговый (уровень) + цифровой (превышение порога)

Особенности измерения:

• Децибелы (dB) - логарифмическая шкала
• Калибровка требует эталонного шумомера
• Частотная характеристика влияет на точность

Объединение датчиков в систему:

 1# Концепция мульти-сенсорной системы
 2sensors = {
 3    'light': PhotoResistor(channel=0),
 4    'distance': HC_SR04(trig=23, echo=24),
 5    'air_quality': MQ2(channel=1),
 6    'soil': SoilMoisture(channel=2),
 7    'sound': Microphone(channel=3)
 8}
 9
10def read_all_sensors():
11    data = {}
12    for name, sensor in sensors.items():
13        data[name] = sensor.read_calibrated()
14    return data

Принцип: 3 станции × 4 команды = ротация по 15 минут

🆕 СТАНЦИОННАЯ СИСТЕМА:

• Станция A: MQ-2 Air Quality Monitor
• Станция B: Soil Moisture Smart Garden
• Станция C: Sound Level Environmental Monitor

Команды (по 3-4 человека):

• Команда RED
• Команда BLUE
• Команда GREEN
• Команда YELLOW

Ротация: A→B→C→обсуждение

🆕 СТАНЦИЯ A: MQ-2 AIR QUALITY (15 мин)

 1🔥 ЛАБОРАТОРИЯ: ДЕТЕКТОР КАЧЕСТВА ВОЗДУХА
 2
 3БЕЗОПАСНОСТЬ ПЕРВОЕ:
 4⚠️ Датчик нагревается! Не трогать руками!
 5⚠️ Время прогрева: 2-3 минуты перед измерениями
 6⚠️ Тестирование только безопасными источниками (дыхание, ароматизаторы)
 7
 8ПОДКЛЮЧЕНИЕ:
 9- VCC → 5V (нужен нагрев!)
10- GND → GND  
11- A0 → MCP3008 channel 1
12- D0 → цифровой пин (опционально)
13
14ЗАДАЧИ:
15✓ Измерить baseline (чистый воздух): ___
16✓ Дыхание на датчик: ___
17✓ Спиртовой антисептик рядом: ___
18✓ Реакция на ароматизатор: ___
19
20КОД-ОСНОВА:
21baseline = calibrate_clean_air()  # 2 минуты чистого воздуха
22current = adc.read_channel(1)
23air_quality = (current - baseline) / baseline * 100
24if air_quality > threshold:
25    print("Обнаружены испарения!")
26
27МИНИ-ПРОЕКТ: "Умная вентиляция"
28- При ухудшении воздуха включать "вентилятор" (LED)
29- Звуковое предупреждение при критическом уровне

🆕 СТАНЦИЯ B: SOIL MOISTURE SMART GARDEN (15 мин)

 1🌱 ЛАБОРАТОРИЯ: УМНЫЙ АВТОПОЛИВ
 2
 3ПОДКЛЮЧЕНИЕ:
 4- VCC → 3.3V (емкостный датчик)
 5- GND → GND
 6- AOUT → MCP3008 channel 2
 7
 8КАЛИБРОВКА:
 9✓ Сухой воздух (не касается ничего): ___
10✓ Стакан сухой земли/песка: ___
11✓ Влажная земля: ___
12✓ Стакан воды: ___
13
14ШКАЛА ВЛАЖНОСТИ:
15dry_air_value = 800      # примерно
16wet_soil_value = 400     # примерно
17moisture_percent = (dry_air_value - current) / (dry_air_value - wet_soil_value) * 100
18
19ЗАДАЧИ:
20✓ Создать 4-уровневую систему оповещения:
21  - 0-25%: "Критическая засуха" (красный LED)
22  - 25-50%: "Нужен полив" (желтый LED)  
23  - 50-75%: "Норма" (зеленый LED)
24  - 75-100%: "Переувлажнение" (синий LED)
25
26МИНИ-ПРОЕКТ: "Система автополива"
27- Автоматическое включение "насоса" при низкой влажности
28- Предотвращение переполива (гистерезис)
29- Уведомления о состоянии системы

🆕 СТАНЦИЯ C: SOUND ENVIRONMENTAL MONITOR (15 мин)

 1🔊 ЛАБОРАТОРИЯ: МОНИТОРИНГ ШУМА
 2
 3ПОДКЛЮЧЕНИЕ:
 4- VCC → 3.3V
 5- GND → GND  
 6- AO → MCP3008 channel 3
 7- DO → цифровой пин (порог превышения)
 8
 9КАЛИБРОВКА УРОВНЕЙ:
10✓ Тишина в классе: ___
11✓ Обычный разговор: ___
12✓ Громкий разговор: ___  
13✓ Хлопок в ладоши: ___
14
15ПРИМЕРНАЯ ШКАЛА (без эталонного шумомера):
16quiet = 100        # тишина
17normal = 300       # разговор
18loud = 600         # громко
19very_loud = 800    # очень громко
20
21ЗАДАЧИ:
22✓ Реализовать "шумомер светофор":
23  - Зеленый: тихо (можно заниматься)
24  - Желтый: умеренно
25  - Красный: громко (мешает концентрации)
26
27✓ Создать систему "тихого часа":
28  - Если шум > порога более 10 секунд → предупреждение
29  - Счетчик "нарушений тишины"
30
31МИНИ-ПРОЕКТ: "Умная библиотека"
32- Автоматическое напоминание о соблюдении тишины
33- Статистика шумового фона
34- Адаптивные пороги в зависимости от времени

Задача: Объединить знания всех станций

🆕 КРУГЛЫЙ СТОЛ (5 мин):

• Каждая команда 1 минуту рассказывает о самом интересном наблюдении
• Вопрос для всех: “Какой датчик оказался самым сложным в калибровке?”
• Обсуждение применений в реальной жизни

🆕 НОВЫЙ ФОРМАТ: Команды для метеостанции (3 команды по 4-5 человек)

Распределение ролей в команде:

• Hardware Engineer: Подключение датчиков, схемотехника
• Software Developer: Программирование, алгоритмы
• Data Analyst: Обработка данных, калибровка
• UI/UX Designer: Интерфейс, визуализация
• Project Manager: Координация, планирование

🆕 КАРТОЧКА ПЛАНИРОВАНИЯ МЕТЕОСТАНЦИИ:

 1🏠 ПРОЕКТ: ШКОЛЬНАЯ МЕТЕОСТАНЦИЯ
 2
 3ОБЯЗАТЕЛЬНЫЕ ДАТЧИКИ (из изученных):
 4☐ Температура и влажность (DHT22) 
 5☐ Освещенность (фоторезистор)
 6☐ Расстояние/осадки (HC-SR04)
 7☐ Качество воздуха (MQ-2)
 8
 9ДОПОЛНИТЕЛЬНЫЕ ДАТЧИКИ (на выбор):
10☐ Влажность почвы (для школьного сада)
11☐ Уровень шума (экомониторинг)
12☐ Атмосферное давление (если доступен BMP180)
13
14ТЕХНИЧЕСКИЕ ТРЕБОВАНИЯ:
15✓ Автономная работа минимум 6 часов
16✓ Данные сохраняются локально
17✓ Веб-интерфейс для просмотра данных  
18✓ Графики изменения параметров
19✓ Система оповещений о критических значениях
20
21ПЛАНИРОВАНИЕ ПО СПРИНТАМ:
22Спринт 16: Обработка и анализ данных
23Спринт 17: Машинное обучение для прогнозов
24Спринт 18: Финальная сборка и презентация

Команды выбирают специализацию:

• Команда 1: “Агро-метеостанция” (фокус на данных для растений)
• Команда 2: “Эко-монитор” (фокус на качестве среды)
• Команда 3: “Умная станция” (фокус на автоматизации и прогнозах)

Техника “Сенсорная рефлексия”:

• Что “почувствовали”: Какой датчик впечатлил больше всего?
• Что “услышали”: Какие новые идеи применения?
• Что “увидели”: Какие перспективы для проекта?

🆕 Анонс модуля 3: “От датчиков к данным - pandas и машинное обучение”

Как участник команды метеостанции, я хочу подготовиться к проектной работе и углубить понимание экологического мониторинга, чтобы эффективно реализовать свою роль в проекте.

🆕 РОЛЕВЫЕ домашние задания:

 1🔧 ТЕХНИЧЕСКАЯ ПОДГОТОВКА
 2
 31. Изучить схемы подключения всех датчиков метеостанции
 42. Рассчитать энергопотребление системы:
 5   - Raspberry Pi: ~3W
 6   - Датчики: ~0.5W суммарно  
 7   - WiFi модуль: ~1W
 8   - Итого: нужен power bank минимум ___mAh для 6 часов работы
 9
103. Найти информацию о защите электроники от влаги (IP rating)
114. Продумать корпус для уличной установки

 1💻 ПРОГРАММНАЯ ПОДГОТОВКА
 2
 31. Изучить основы работы с JSON для хранения данных:
 4   {"timestamp": "2025-05-25 12:00", "temperature": 22.5, "humidity": 65}
 5
 62. Познакомиться с библиотекой datetime в Python
 73. Найти примеры простых веб-интерфейсов на Flask
 84. Подумать о структуре программы:
 9   - Модуль считывания датчиков
10   - Модуль сохранения данных  
11   - Модуль веб-интерфейса

 1📊 АНАЛИТИЧЕСКАЯ ПОДГОТОВКА
 2
 31. Изучить, какие параметры влияют на погоду:
 4   - Как связаны температура и влажность?
 5   - Что означает "точка росы"?
 6   - Как по давлению предсказать дождь?
 7
 82. Найти данные о погоде в вашем городе за последнюю неделю
 93. Подумать о "нормальных" диапазонах для датчиков:
10   - Температура: __ до __ °C
11   - Влажность: __ до __ %
12   - Освещенность: __ до __ люкс

 1🎨 ДИЗАЙНЕРСКАЯ ПОДГОТОВКА
 2
 31. Изучить интерфейсы популярных погодных приложений
 42. Подумать о визуализации данных:
 5   - Как показать температуру? (термометр/график/цифры)
 6   - Как отобразить качество воздуха? (цвета/смайлики/шкала)
 7   - Как предупредить о проблемах? (уведомления/цвета)
 8
 93. Нарисовать эскиз главного экрана метеостанции
104. Продумать мобильную версию интерфейса

 1📋 УПРАВЛЕНЧЕСКАЯ ПОДГОТОВКА
 2
 31. Создать план проекта по спринтам:
 4   - Спринт 16: что конкретно нужно сделать?
 5   - Спринт 17: какие задачи? кто ответственный?
 6   - Спринт 18: что показываем на презентации?
 7
 82. Продумать риски проекта:
 9   - Что может сломаться?
10   - Как минимизировать проблемы?
11   - План "Б" если что-то не работает
12
133. Изучить критерии оценки итогового проекта

Definition of Done:

• Выполнены задания согласно выбранной роли
• Подготовлены материалы для работы в команде
• Изучена информация о предметной области (метеорология/экомониторинг)
• (Опционально) Найдены дополнительные источники по теме

• 🔧 Hardware Hero - за техническое мастерство
• 💻 Code Ninja - за программные решения
• 📊 Data Detective - за аналитическое мышление
• 🎨 Design Guru - за креативный подход к интерфейсам
• 📋 Project Pro - за организационные способности

• Team Formation Success: Качество распределения ролей
• Technical Synergy: Понимание взаимодействия между ролями
• Project Vision Clarity: Четкость понимания целей метеостанции

Станция A (MQ-2):

• MQ-2 модули (4 шт) + защитные экраны
• Безопасные “источники газа” (спиртовой антисептик, ароматизаторы)
• ⚠️ Инструкция по безопасности

Станция B (Soil Moisture):

• Емкостные датчики влажности почвы (4 шт)
• Стаканы с сухой землей/песком
• Стаканы с водой
• Пульверизаторы для создания влажности

Станция C (Sound):

• Микрофонные модули (4 шт)
• Звуковые источники разной громкости
• 🆕 Шумомер-приложение для примерной калибровки

• Карточки ролей (ламинированные)
• Планировочные листы для команд
• Техническая документация по датчикам
• Примеры интерфейсов погодных станций

• Обновленные библиотеки для всех датчиков
• Шаблоны кода для быстрого старта
• 🆕 Примеры JSON структур для данных
• Базовые примеры Flask веб-интерфейсов

Для MQ-2:

• Инструктаж по нагреву датчика
• Проветриваемое помещение
• Запрет на использование горючих веществ

Резервный план:

• Если нет какого-то датчика → эмуляция данными
• Если проблемы с безопасностью → видеодемонстрация
• Если мало времени → фокус на 2 датчика из 3

• Четкие временные рамки: Таймер на проекторе, звуковые сигналы
• Быстрая смена: 2 минуты на переход между станциями
• Стандартизация: Одинаковое оборудование и задания на каждой станции
• Помощники: Назначить “station keepers” из быстрых учеников

• MQ-2 станция: Постоянный контроль учителя, проветривание
• Electrical safety: Проверка всех подключений перед началом
• Clear instructions: Понятные инструкции по безопасности на каждой станции

• Balanced teams: Микс технических и творческих способностей
• Role clarity: Четкое объяснение ролей и ответственности
• Conflict prevention: Заранее проговорить правила работы в команде

Проблема: MQ-2 не стабилизируется Решение: Увеличить время прогрева, проверить питание 5V, калибровать в чистом воздухе

Проблема: Soil sensor показывает странные значения Решение: Проверить, что не касается металлических предметов, правильно ли подключен к 3.3V

Проблема: Микрофон слишком чувствительный Решение: Регулировка программного усиления, использование цифрового выхода для порогового срабатывания

🆕 Проблема: Команды не могут определиться с ролями 🆕 Решение: Мини-тесты на определение склонностей, ротация ролей в процессе планирования

Спринт 15 интегрирует все знания модуля:

• Спринт 13: MCP3008 и принципы АЦП → применяем для всех датчиков
• Спринт 14: Калибровка фоторезистора и HC-SR04 → расширяем на газ, почву, звук
• Спринт 15: Мульти-сенсорные системы → готовность к метеостанции

• Спринт 16: pandas и matplotlib → данные со всех датчиков
• Спринт 17: Machine learning → прогнозирование на основе сенсорных данных
• Спринт 18: Проект метеостанция → интеграция всех навыков

1Технические навыки: Аналоговые датчики → Цифровая обработка → Веб-интерфейсы
2Проектные навыки: Индивидуальная работа → Парная работа → Командные проекты
3Системное мышление: Отдельные компоненты → Подсистемы → Целостные решения

Спринт считается успешным, если:

• ✅ 90%+ учащихся успешно работали со всеми тремя типами датчиков
• ✅ Все команды сформированы с четким распределением ролей
• ✅ Есть техническое видение проекта метеостанции
• ✅ Понимание принципов работы химических, емкостных и акустических сенсоров
• ✅ 🆕 85%+ связывают IoT технологии с экологическими задачами
• ✅ 🆕 Готовность к переходу к модулю обработки данных

🆕 Измеримые показатели:

• Качество калибровки датчиков (средняя погрешность)
• Скорость выполнения заданий на станциях
• Количество реализованных мини-проектов
• 🆕 Уровень технического планирования проекта метеостанции
• 🆕 Качество ролевого распределения в командах

🆕 Качественные индикаторы успеха:

• Энтузиазм по поводу экологического мониторинга
• Понимание практической значимости изученных технологий
• Готовность к самостоятельной проектной работе
• 🆕 Сформированное представление о карьере в области IoT/экотехнологий

🚀 КЛЮЧЕВЫЕ ДОСТИЖЕНИЯ СПРИНТА 15:

1. ✅ Полный цикл аналоговых датчиков - от простых к сложным системам
2. ✅ Экологическая направленность - связь технологий с актуальными проблемами
3. ✅ Командное формирование - подготовка к проектной работе
4. ✅ Интеграция знаний - объединение всех навыков модуля
5. ✅ Профориентационный аспект - понимание ролей в IoT-разработке
6. ✅ Практическая направленность - все датчики имеют реальные применения
7. ✅ Подготовка к data science - переход от сбора к анализу данных

Этот спринт завершает фундаментальную подготовку по датчикам и создает прочную основу для работы с данными и создания комплексных IoT-решений! 🌍🔬💡