📚 课程目录第3章实验设计原则

实验设计原则：控制变量与重复性

做物理实验的人，最容易犯的错是什么？

我个人的经验是——以为自己在测同一个东西，实际上每次测的都不是同一回事。你明明调了初速度，结果连环境温度、夹具松紧、数据采集频率全变了，最后出一堆数据，谁都解释不了。

这一章，我们专门聊两个基本原则。你把这俩搞透了，后面的重复性评估才有根基。

为什么控制变量这么重要

说白了，实验的核心逻辑就是「只变一个，其他全锁死」。

如果你同时改了初速度和采样率，测出来的数据抖了，你根本分不清是谁在捣鬼。我在项目中遇到过最典型的一个案例——团队测一个滑块在不同初速度下的停止位置，结果数据乱成一锅粥。查了两天，发现是每次测试前导轨上的油膜没擦干净，摩擦系数都不一致。初速度再准也没用。

避坑指南：我曾经因为赶进度，同时调了两个参数，结果花了三周才把数据洗明白。从那以后，我所有实验都强制用「变化清单」——一张表，写清楚本轮变了什么，没变什么。

控制变量，具体要锁哪些？我建议至少管住这四类：

环境变量：温度、湿度、气压、振动。特别是精密测量，温差一度，结果可能差好几个百分点。
设备状态：供电电压、传感器校准值、夹具松紧度、线缆屏蔽。每次开机后先预热15分钟，别问为什么。
操作流程：触发时机、采集时长、数据处理参数（滤波系数、采样率）。写成SOP，每一步都不能跳。
数据后处理：异常值剔除规则、平滑方法、截断逻辑。这些在处理阶段锁死，别今天用中位数明天用均值。

你想想看，我们做的重复性评估，本质上是评估「相同条件下的测量一致性」。如果条件没锁住，评估的前提就不成立。

重复性：到底在重复什么

重复性，不是一个玄乎的概念。它是个工程指标。

定义很朴素：同一操作者，同一设备，同一方法，在短时间内对同一被测对象进行多次测量，结果的一致程度。

嗯，这里要注意——「同一对象」不是同一批零件里的两个。是同一个物理对象。你在同一个导轨上、用同一个滑块、同一个光电门，重复放100次，这才叫重复性。换一个滑块，那叫再现性，指标含义完全不同。

我个人的习惯：每次重复实验前，先做一轮「空跑」。就是不记录数据，只让系统跑几遍，让机械部件、传感器、信号链都进入稳定状态。空跑完再正式记录。这一步，帮我省了无数查数据的时间。

重复性评估，通常看三个统计量：

指标	含义	怎么算
标准差 σ	测量值的离散程度	各次测量值与均值偏差平方和的平方根
相对标准差 RSD	离散程度相对于均值的大小	σ / 均值 × 100%
极差 R	最大值与最小值的跨度	max - min

这三样，你每次算重复性都得列出来。光给平均值没意义。平均值漂亮、标准差炸裂，那叫表面功夫。

控制变量与重复性的关系图

我画了一张流程图，帮你把这套逻辑串起来。你照着走，不会乱。

实际操作中，我建议你按这个顺序来

写一份「变化清单」：本轮实验，自变量是什么（初速度），因变量是什么（停止位置 / 时间）。其余所有能变的东西，全列在「不变」那一栏。
做一次预实验：跑 5 个点，看数据毛不毛。如果标准偏差已经大到你不敢相信，先排查控制变量，别硬着头皮跑满 100 次。
正式采集时锁定采样参数：

# 示例：Python 中锁定数据采集参数
SAMPLE_RATE = 1000  # Hz，固定不变
ACQUISITION_TIME = 2.0  # 秒，每次采集长度固定
PRE_TRIGGER_SAMPLES = 100  # 触发前样本数，锁死
POST_TRIGGER_SAMPLES = 1900  # 触发后样本数，锁死

这些参数写死在代码里，每次跑实验之前 check 一遍。我习惯把它们写进一个配置文件中，实验开始前 load 一次。这样万一有人手滑改了，配置会报错。

核心要求：重复性评估，必须建立在「控制变量已锁定」的前提下。在报告中，你必须有一个章节专门说明「哪些变量被控制，控制方法是什么」。没有这一步，审稿人或者技术评审直接退回。

重复性实验的统计工具链

我自己常用的工具，基本上三段式：

描述统计：均值、中位数、标准差、极差
异常值检测：Grubbs 检验（单异常值）或 ESD 方法（多异常值）
可视化确认：箱线图 + 概率图

这里贴一段我常用的 Grubbs 检验脚本，你直接改数据就能用：

import numpy as np
from scipy import stats

def grubbs_test(data, alpha=0.05):
    mean = np.mean(data)
    std = np.std(data, ddof=1)
    n = len(data)
    
    # 计算每个点与均值的偏差
    residuals = np.abs(data - mean)
    max_residual = np.max(residuals)
    
    # 计算 G 值
    G = max_residual / std
    
    # 查临界值
    t_crit = stats.t.ppf(1 - alpha/(2*n), n-2)
    G_crit = ((n-1) / np.sqrt(n)) * np.sqrt(t_crit**2 / (n - 2 + t_crit**2))
    
    return G > G_crit, np.argmax(residuals)

# 使用
data = [10.02, 10.01, 10.03, 10.02, 10.04, 10.01, 10.03, 10.05, 10.11]
is_outlier, idx = grubbs_test(data)
print(f"是否有异常值: {is_outlier}, 索引: {idx}")

提示：异常值不能无限制剔除。我个人的规矩是——最多剔除 1 次，且剔除点数不超过总样本的 5%。你想想看，如果数据需要踢掉 10% 才能满足重复性要求，那说明控制变量出了问题，而不是数据有问题。

重复性评估报告的骨架

每次提交实验报告，我建议至少包含这五个部分：

部分	内容
1. 变量控制声明	列出所有被控制的变量及其控制方法，附原始配置参数
2. 原始数据表	n 次测量的原始值，不允许隐藏或截断
3. 统计指标	均值、标准差、RSD、极差、95% 置信区间
4. 异常值处理记录	剔除点数、剔除依据、剔除前后的指标对比
5. 结论	重复性「合格」或「不合格」，附判定阈值

这份骨架，我用了十几年。不管是发论文还是做内部评审，只要按这个结构写，基本不会被人挑出硬伤。

最后一句

控制变量不是束缚，是保护。重复性不是吹毛求疵，是在帮你堵住数据中的炸弹。这一章节的内容你吃透了，后面关于不同初速度下的对比分析，就只是个数学问题了。