Technische Details:

1. Hardware-Integration:
• Verwendung eines Raspberry Pi als zentrale Einheit zur Steuerung und Datenerfassung.
• Einsatz des ADXL345-Beschleunigungssensors, der über mit dem Raspberry Pi verbunden wurde.
• Sicherstellung der Hardware-Kommunikation durch Implementierung von Funktionen zur Sensorkalibrierung und Konfiguration.

2. Datenaufnahme und Verarbeitung:
• Python-Skripte zur Echtzeiterfassung von Beschleunigungswerten in den X-, Y- und Z-Achsen.
• Implementierung eines HDF5-Datenspeichersystems für effiziente und strukturierte Speicherung großer Datenmengen.
• Zeiterfassung, um die Dynamik der Bewegungen präzise zu analysieren.

3. Programmiertechniken:
• Nutzung der adafruit_adxl34x-Bibliothek zur einfachen Ansteuerung des Sensors.
• Implementierung von JSON-basierten Metadatenstrukturen zur Speicherung von Experimentparametern.
• Modulares Design des Codes zur Wiederverwendbarkeit und Erweiterbarkeit.

4. Post-Processing:
• Ein begleitendes Jupyter Notebook für die Nachbearbeitung und Visualisierung der gesammelten Daten.
• Analyse der Daten, um Muster und Bewegungsdynamiken zu erkennen.

Vorgehensweise:

1. Hardware-Setup:
• Der ADXL345-Beschleunigungssensor wurde mit dem Raspberry Pi verbunden.
• JSON-basierte Konfigurationsdateien definierten die Sensorparameter und Messumgebungen.

2. Datenerfassung:
• Während der Messung wurden die Beschleunigungsdaten in regelmäßigen Intervallen gesammelt.
• Die Daten wurden in einer HDF5-Datei gespeichert, um eine strukturierte und langlebige Datenhaltung zu gewährleisten.

3. Datenanalyse:
• Die aufgezeichneten Daten wurden in einem Jupyter Notebook weiterverarbeitet.
• Die Auswertung erfolgte durch statistische Methoden und Visualisierungen wie Beschleunigungsdiagramme.

4. Ergebnisse:
• Die gemessenen Daten lieferten detaillierte Einblicke in die Bewegungsdynamik des Systems.
• Die HDF5-Struktur ermöglichte eine effiziente Speicherung und Verarbeitung großer Datenmengen.

Projektstatus:
• Das Projekt wurde erfolgreich abgeschlossen und bietet eine Grundlage für die Erweiterung, z. B. durch Integration zusätzlicher Sensoren oder die Entwicklung eines Echtzeitüberwachungssystems.

Schlüsseltechnologien:
• Hardware: Raspberry Pi, ADXL345-Beschleunigungssensor
• Software: Python, HDF5-Datenformat, JSON-Konfigurationsdateien
• Bibliotheken: numpy, h5py, adafruit_adxl34x

Dieses Projekt unterstreicht meine Kompetenz im Bereich Hardware-Integration, Python-Programmierung und der Analyse von Sensordaten. Es zeigt, wie Python und der Raspberry Pi effektiv genutzt werden können, um physikalische Experimente durchzuführen und zu analysieren.

Technische Zeichnungen