AeroSmart 技术设定：传感器、材料与软件架构

整体设备采用一个双涵道通路系统，外壳使用 3D 打印，材料使用 PETG 和 TPU 为主，但是也有一小部分采用较少量的 PAHT-CF。

经过一些简单的流体力学论证（雷诺数分析与整流部分参数计算，以及流体粘性相关的边界层厚度估算）以及一些电气分析（涵道功耗负载，线材承受电压降以及热管理和电磁兼容性）

传感器 ​

本系统集成了运动学、声学、流体动力学及安全防护等维度的传感器，具体参数如下：

同时，安全方面，通过安装在涵道底部的 TFmini-S 实现硬件闭环保护

1. 静态检查： 启动前若检测到前方有遮挡物，系统锁死电机启动权限。
2. 动态防护： 运行过程中若检测到异物侵入安全距离，系统将根据距离权重立即执行减速逻辑，直至完全停机（转速归零），防止损坏涵道叶片或伤人。

材料 ​

材料方面，针对不同功能区间对刚度、阻尼和抗压性的差异化需求，采用了多种增材制造材料：

• PETG-CF (主体框架/收缩段/扩散段)： 作为核心受力部件，PETG-CF 引入了碳纤维填充，使其弯曲模量显著高于普通 PETG。这在 $$v=48,\mathrm{m}\cdot\mathrm{s}^{-1}$$ 的高风速下至关重要，能有效抑制因气流脉动引起的壁面“颤振（Flutter）”现象。其耐温性也足以应对 ESC 及电机产生的积热。
• PLA-CF (整流段外壳)： 整流段处于低流速区（进气口），主要承受大气压力。PLA-CF 具有极高的打印精度和硬度，能确保铝蜂窝器与钢丝网的物理尺寸严格固定。
• TPU (95A) (密封垫片/减震)： 风洞为负压/正压交替系统，任何缝隙漏气都会导致雷诺数计算偏移。在各模块法兰面嵌套 TPU 密封圈，可实现气密性级联。同时，在电机底座处使用 TPU 垫片可吸收高频振动。
• PAHT-CF (电调架/法兰盘)： 要求能承受电调工作时 120°C 的高温，且具有良好导热性能，用于电调风冷的流线性外壳。法兰盘用于前后连接，需要极高的结构强度。
• 聚碳酸酯 (PC) (试验段外壳)： 采用 5 mm PC 板。PC 具有极高的韧性和抗冲击强度，其断裂伸长率远高于 PETG。在极限风速下，结构件会受到高频气流脉动带来的疲劳载荷。PC 材料能有效防止螺栓紧固处（如 M5 螺纹钢筋的受力点）出现裂纹，确保长期运行的安全性。后续实验涉及高压气动测试或需要更强的耐磨性，PC 板作为亚克力的升级替代方案，其优异的抗碎裂特性保证了在模型发生结构失效（如模型破碎脱落）时，观察窗不会发生贯穿性破坏，保护外部操作人员安全。

软件 ​

软件模块为上位机/下位机设计，采用 UART 协议通信，Baudrate 为 921,500。

1. 跨平台共享库 (Shared Crate: aerosmart-shared) 利用 Rust 的 no_std 特性，构建一个同时兼容 STM32 和 Raspberry Pi 的共享库。

• 序列化方案 (rkyv): 相比于 serde，rkyv 支持零拷贝访问，允许上位机直接在内存映射的缓冲区上读取传感器数据，无需额外的解析开销，这对于实时流场可视化至关重要。
• 通用数据结构: 定义 SensorFrame（包含皮托管压差、IMU 轴向数据、麦克风频谱特征）和 ControlCommand（PWM 占空比、PID 参数调节），通过 feature 同时兼顾 no_std 特性和数据库持久化。

2. 下位机控制逻辑 (STM32H7 - Firmware) 下位机侧重于高频确定性。

• 数据获取: 利用 DMA（直接存储器访问）从 SPI (ICM-42688) 和 I2C (MS4525DO) 循环读取数据，减轻 CPU 负担。
• PID 控制: 实现风速闭环控制。针对双涵道系统，设计软启动算法，防止瞬间启动电流烧毁 XT60 接口。
• FFT (快速傅里叶变换): 在 STM32H7 上利用 microfft 库或 Rust 版本的 FFT 库，对 INMP441 的音频信号进行处理，提取湍流相关的频谱特征。
• 串口通信: 使用 embassy-stm32 配合 rkyv 将数据打包发送至上位机。

下位机的计时器分配为：

3. 上位机服务架构 (Raspberry Pi - Backend) 上位机侧重于数据治理与生态接入。

• Serial Stack: 监听串口数据流，使用 rkyv::access 和 rkyv::deserialize 验证数据完整性，并将其存入持久化层。
• Persistency (SQLx + PostgreSQL): 使用 sqlx 进行异步数据库操作。记录每一次风洞试验的原始数据（Airspeed, Vibration, Sound Spectrum），便于后期进行流体力学建模分析。
• GraphQL & MCP:
  • GraphQL API: 为前端提供灵活的查询接口，支持订阅（Subscription）模式实时推送风速曲线。
  • MCP (Model Context Protocol): 接入 LLM 接口，使 AI 能够直接读取数据库中的试验记录和实时数据，进行自动化实验和分析。有待优化，可直接用 GraphQL。
• 计算机视觉： 后期可通过 Zenoh 和由 Python 编写的脚本通过外置摄像头进行 SolvePnP，和 IMU 互补获得试验件的测试状态。
• 神经网络计算： 后期可通过 Zenoh 和由 Python 编写、使用 PyTorch 的神经网络模块连接，进行简单的机器学习模型分析，如特征学习之类，为大模型决策提供基础。