实验是检验系统的唯一标准。在教室这种真实场景里，我们的温湿度监测系统到底能不能提前预警？不同人数、不同教室大小的环境下，湿度变化有什么规律？VENTIL（通风建议）比MUGGY!（闷热报警）究竟能提前多久？
带着这些问题，我们扛着设备走进了三种类型、五种人员密度的教室，进行了2小时密闭连续监测。这篇文章，我们就用数据说话。
1. 实验设计：不做“表演赛”，只测真实课堂
很多项目展示时，会刻意制造极端条件（比如对着传感器哈气、用热水杯加热）来触发报警。但我们不需要——真实的课堂本身就是最好的实验场。
1.1 实验设置
| 组别 | 教室类型 | 人数 | 环境条件 |
| 静态对照组 | 小/大/阶梯教室 | 0人（空教室） | 门窗密闭，记录基线 |
| 动态组1 | 小教室 | ~40人 | 正常上课，密闭，无通风 |
| 动态组2 | 大教室 | ~20人 | 正常上课，密闭，无通风 |
| 动态组3 | 大教室 | ~100人 | 正常上课，密闭，无通风 |
| 动态组4 | 阶梯教室 | ~70人 | 正常上课，密闭，无通风 |
| 动态组5 | 阶梯教室 | ~150人 | 正常上课，密闭，无通风 |
控制条件：
- 教室门窗关闭，无空调/风扇
- 系统放置于教室中部稳定位置
- 采样周期：2秒/次
- 记录周期：每10分钟记录一次（优先记录异常状态）
1.2 状态定义
- OK：环境舒适，无预警需求
- VENTIL：湿度快速上升（差值>2%RH/2秒），建议通风
- MUGGY!：温度≥24℃ 且 湿度>55%RH，闷热报警（蜂鸣器响）
2. 数据结果：闷热曲线图
先看一个最直观的对比——阶梯教室150人的湿度变化曲线（纵轴：湿度%RH，横轴：时间min）：
- 0min 基线：19℃，46%RH（空教室状态）
- 60min：湿度52%RH，系统检测到湿度快速上升（+3%RH/2秒），触发 VENTIL（通风建议）
- 80min：湿度56%RH，温度24℃，触发 MUGGY!（闷热报警）
- 110min：湿度60%RH，温度26℃，持续报警
关键发现：VENTIL 出现在第60分钟，MUGGY! 出现在第80分钟——提前了整整20分钟。
3. 核心对比：人数才是“加速器”
我们整理了五组动态实验的完整数据（只列出出现状态变化的节点）：
小教室（约40人）
| 时间 | 温度(℃) | 湿度(%RH) | 湿度差值 | 状态 |
| 0min | 22 | 43 | — | OK |
| 70min | 24 | 48 | +3 | VENTIL |
| 90min | 24 | 52 | +3 | VENTIL |
| 110min | 25 | 56 | +2 | MUGGY! |
| 120min | 25 | 57 | +1 | MUGGY! |
提前量：VENTIL 最早出现在第70分钟，MUGGY! 在第110分钟 → 领先40分钟
大教室（约20人）——对照组中的“凉爽”
| 时间 | 温度(℃) | 湿度(%RH) | 湿度差值 | 状态 |
| 0-120min | 21~23 | 41~47 | -1~+1 | 全程OK |
分析：20人密闭2小时，湿度几乎没怎么上升，系统从未触发VENTIL或MUGGY!。说明低密度人群对环境影响极小。
大教室（约100人）
| 时间 | 温度(℃) | 湿度(%RH) | 湿度差值 | 状态 |
| 60min | 23 | 49 | +3 | VENTIL |
| 90min | 24 | 55 | +3 | VENTIL |
| 100min | 24 | 57 | +2 | MUGGY! |
| 110-120min | 25 | 58~59 | +1 | MUGGY! |
提前量：VENTIL 在第60分钟出现，MUGGY! 在第100分钟 → 领先40分钟
阶梯教室（约70人）——意外的不敏感
| 时间 | 温度(℃) | 湿度(%RH) | 湿度差值 | 状态 |
| 0-120min | 19~22 | 46~47 | -1~+1 | 全程OK |
分析：阶梯教室虽然坐了70人，但空间体积大（层高更高），湿度累积不明显。这提示我们：预警算法需要根据教室容积调整阈值——如果我们当初增加一个“容积系数”，就能避免在阶梯教室误判为OK而导致实际闷热。这是个有价值的优化方向。
阶梯教室（约150人）——最剧烈的曲线
| 时间 | 温度(℃) | 湿度(%RH) | 湿度差值 | 状态 |
| 60min | 24 | 52 | +3 | VENTIL |
| 80min | 24 | 56 | +2 | MUGGY! |
| 90-120min | 25~26 | 58~61 | +1~+2 | MUGGY! |
提前量：VENTIL 在第60分钟，MUGGY! 在第80分钟 → 领先20分钟
（人数最多，温升和湿升最快，所以预警窗口相对短一些）
4. 数据可视化：一张图看懂所有对比
我将五组数据的关键节点整理成下面这张表：
| 场景 | 人数 | 空教室湿度基线 | VENTIL触发时间(min) | MUGGY!触发时间(min) | 预警提前量(min) |
| 小教室 | 40 | 43%RH | 70 | 110 | 40 |
| 大教室 | 20 | 41%RH | 未触发 | 未触发 | N/A |
| 大教室 | 100 | 41%RH | 60 | 100 | 40 |
| 阶梯教室 | 70 | 45%RH | 未触发 | 未触发 | N/A |
| 阶梯教室 | 150 | 45%RH | 60 | 80 | 20 |
结论一目了然：
- 人数越多，湿度上升越快，预警触发越早（150人时MUGGY!出现在80分钟，而40人时出现在110分钟）。
- VENTIL 提示比 MUGGY! 报警 普遍提前20~40分钟，这个时间窗口足够师生采取通风措施。
- 空间体积（教室大小）对湿度累积影响显著——同样的70人，大教室几乎没有变化，而阶梯教室（体积更大）也没有变化，但150人填满阶梯教室后变化剧烈。这说明 “人员密度”比“绝对人数”更关键。
5. 讨论：为什么VENTIL提前量会有差异？
从数据看，VENTIL（湿度快速上升）到MUGGY!（达到闷热阈值）的时间窗口在20~40分钟之间不等。主要原因：
- 初始湿度基线：小教室空置湿度43%RH，离55%RH阈值差12%；阶梯教室空置湿度45%RH，只差10%。基线越高，达到阈值越快。
- 人数密度：150人阶梯教室每立方米人数最多，水汽产生速率最快，所以预警窗口最短（20分钟）。
- 空间体积：同样的70人，在大教室和阶梯教室都未触发报警，说明体积稀释了水汽浓度。如果只看绝对值，系统认为“OK”可能误判——未来可以加入体积系数补偿。
6. 从实验数据到云端：时序数据库的“即时”价值
我们这次实验，数据是用笔和表格手记的（每10分钟看一眼LCD屏幕）。如果要做更精细的分析，比如：
- 每2秒所有数据的完整曲线
- 跨多天、多教室的趋势对比
- 自动生成闷热风险预测报告
手记显然不可能。这就是云端时序数据库（比如阿里云TSDB）发挥价值的地方：
| 本地实验（我们的做法） | 云端时序数据库 |
| 每10分钟记录一次 | 每2秒自动存储所有数据 |
| 人工画图、找规律 | 自动聚合、异常检测、趋势预测 |
| 只能分析一个教室 | 同时对比全校所有教室 |
| 事后复盘 | 实时触发钉钉/短信预警 |
这个实验让我们认识到：传感器+算法验证了可行性，但如果要真正部署到学校、实现规模化应用，必须上云。数据上云后，可以训练更智能的模型——比如预测“再过10分钟会达到闷热”，而不是只靠固定差值阈值。
7. 小结
这篇文章用五组真实课堂数据，验证了我们系统的核心价值：
- ✅ 趋势预警有效：VENTIL比MUGGY!提前20~40分钟，为主动干预提供了宝贵窗口。
- ✅ 算法灵敏准确：在人员密集场景下能捕捉湿度跳升，低密度场景不误报。
- ✅ 硬件可靠稳定：连续2小时采集无丢数据，LCD显示清晰。
同时，实验也暴露出一个可优化点：需要加入“空间体积系数”来调整预警阈值，避免在容积大的教室（即使坐满70人）漏报。这正是工程迭代的魅力——没有完美的第一次设计，只有不断改进的系统。
