《計算機控制技術》課程教改探討

孫永輝　周軍　錢惠敏　任祖華

【摘 要】近年來隨著互聯網、物聯網、云計算的迅猛發展，數據多元化將當今的信息社會推向了“大數據”時代，所以順應時代的潮流，有必要將“大數據”的思想融入到《計算機控制技術》的教學改革當中去。本文提出一種基于“數據驅動建模”的教學方法，致力于培養學生對數據建模的融合貫通能力，適應當今社會對人才的更高要求。

【關鍵詞】計算機控制技術；教學改革；系統建模；數據驅動

0 引言

隨著計算機技術的飛速發展，計算機控制技術被廣泛應用于工業生產、電子通訊、機械設備等各個領域。因此，許多高等院校都開設了《計算機控制技術》這門課程，它是以自動控制原理為基礎，以計算機控制技術為核心，綜合測控技術、可編程控制技術、計算機網絡技術等的綜合性學科，致力于培養企業生產技術的精密化、生產設備的信息化、生產過程的自動化的專業人才。計算機控制技術本身的特點決定了可以利用軟件來實現控制算法，通過強大的的運算功能和邏輯判斷功能來實現最優控制、自適應控制等連續控制系統難以勝任的復雜規律[1]。鑒于《計算機控制技術》課程的重要性，對課程教學的研究、探索和實踐是十分必要的。

近年來，隨著互聯網、物聯網、云計算的迅猛發展，由“人、機、物”三元世界在網絡空間（Cyberspace）中交互、融合所產生的數據多元化將當今的信息社會推向了“大數據”時代[5]，大數據的涌現正逐步改變人們的生活和工作方式、企業的運營模式，IBM公司提出了“智慧地球”的理念，德國提出了步向“工業4.0”的目標，今年李克強總理在政府工作報告上也提出了“互聯網+”的概念。同時，大數據也吸引了不少學術界的廣泛關注，2008年，英國《自然》雜志推出大數據專列，專門探討“P8時代的科學”以及科研形態的變化，指出：“數據為準繩的理念指導，以及強大的計算能力支撐，正在驅動一次科學科學方法的革命”。美國《科學》雜志也在2011年推出專刊“Dealing with Data”，圍繞“數據洪流”展開討論，將大數據深度分析作為未來研究的重要突破點[2]。所以順應時代的潮流，將“大數據”的思想融入到《計算機控制技術》的教育改革，既是一項嚴峻的挑戰也是一個寶貴的機遇。

1 課程教學中的普遍問題

《計算機控制技術》課程所涉及內容豐富，大體可以分為控制系統和計算機系統兩大方向。具體的內容主要包括如下幾個方面：①以控制理論為主體，闡明離散系統和連續系統在建模、推理、結論上的區別；②將計算機系統與控制系統進行融合；③傳統控制論優化算法及其仿真模擬；④智能算法、模糊識別的應用；⑤微型計算機的嵌入式開發，如ARM、PLC、等；⑥計算機系統的軟件開發等[3]。

目前，多數院校對于《計算機控制技術》這么課程，主要采用“以課堂為主，實驗為輔”的教學模式，加上該課程是一門專業性和綜合性較強的學科，涵蓋的內容較多，所以學生在學習過程中普遍感到吃力[4]。此外，課程教材和參考書種類眾多，但內容并不統一，基本分為偏重理論教學和實際工程應用兩大類。然而，真正能運用到當今主流的大數據、云計算相關技術的并不多。所以，基于上述問題，對目前《計算機控制技術》教學中存在的不足總結如下：

（1）數據的概念不強

目前，許多院校對于《計算機控制技術》這門課程的重心停留在理論授課上，即使開設的實驗課程還是以演示性為主，如A/D轉換實驗。學生沒有系統的將所學知識轉化為實踐，更談不上對實驗數據的信息進行有效的存儲，并結合所學習的理論知識對其進行分析和驗證。此外，對于當今主流的數據挖掘算法，提供相應的實踐機會較少。

（2）傳統建模思維的束縛

傳統控制理論過于依賴模型的建立，為了保證所建立模型的精確性，模型的階次有時會變得很高，基于高階系統模型的控制器設計、穩定性分析等問題就會變得很復雜。事實上，數據只是為了輔助算法，實現對模型進行較好的評估和預測等功能。

（3）數據挖掘算法的普及不深

利用計算機技術對大數據進行挖掘分析，發現蘊含的知識，研究運行的規律和發展的趨勢是挖掘網絡大數據的深層價值和實現社會行為可計算的主要途徑[5]。然而，許多院校在《計算機控制技術》這門課程中，并沒有在數據驅動這個方向上進行改革和突破。

值得注意的是，很多院校對《計算機控制技術》教學的思維方式還停留在工業時代，即以控制系統相關學科作為理論基礎，再通過科學實驗來強化學生在計算機軟硬件方面的學習。但是隨著信息技術的快速發展，“物聯網、云計算、大數據”的提出，迅速取代了人們對于傳統行業的認知。所以，有必要借助“大數據”的思維方式來思考《計算機控制技術》的課程改革。

2 基于“大數據思維”的《計算機控制技術》課程教學改革

在傳統建模仿真研究中，數據不是模型的本體，它只是為模型的仿真運行提供基礎條件。然而，隨著大數據的迅速發展，由“人、機、物”三元世界的互相交融將數據的來源也變得多元化，通過儀器采集、網絡存儲、仿真模擬生成等方式來獲取數據，所以數據對建模的作用也愈發重要，并開始逐漸成為主導地位。只要數據足夠大，只靠數據就可以完成科學發現，因此不再需要數學模型。這就是所謂的“數據優先”模式[2]，一種由數據驅動的新模式、新思維。正如《連線》主編Chris Anderson所斷言：“數據的洪流是傳統科學方法變得過時，相互關系已經足夠，沒有了具有一致性的模型、統一的理論和任何機械式的說明，科學也可以進步”。換句話說，傳統建模方法對于科學而言并不是必須的，大數據建模方法將會是一種新的科研范式。

2.1 將“數據驅動建模方法”作為思考問題的出發點

數據驅動的概念最早來自計算機科學領域，在設計過程中以數據庫中的數據為導向，利用受控系統大量的在線、離線數據，實現對系統的評價、診斷、決策、調度及監控等功能[6]，探索背后的科學規律。近年來，隨著人工智能技術的發展，特別是機器學習領域，迅速豐富了經驗建模方法。通過獲得系統的各過程變量（輸入、輸出和中間變量）描述表達式，這種方法稱為“數據驅動”建模方法。

基于實際工業生產系統的數學模型復雜、測控信號精度差且不完整、易受隨機擾動的影響、狀態維數高等特點，傳統的建模方法，為了保證模型的精確性，模型的階次會變得很高，這樣研究系統的控制方法和動態特性會變得復雜，而利用“數據驅動”建模方法，將已知的輸入、輸出數據在線或離線學習計算與當前狀態相匹配的控制量，再將模式識別、人工智能方法作為補充，從而滿足系統的靜態和動態性能要求。目前，利用“數據驅動”的思想建立研究對象的預測和控制模型是主流的趨勢，而已經形成系統的建模方法主要有：線性/非線性自回歸模型、神經元網絡模型、基因算法模型、模糊人工智能模型、貝葉斯分析網絡模型以及支持向量機模型等。

2.2 基于“數據驅動建模”的教學方法

一般來說，數據驅動建模流程可分為：數據初始化、變量的統計分析、算法模擬和模型的在線校正等過程。

（1）數據初始化

通常，數據的初始化大致可以分為數據的采集、選擇、預處理。具體的步驟如下：①通過采集的數據，對數據結構有一定的認識，同時對數據辨識可能產生的問題及建模的復雜程度有所估計，從而決定適宜的訓練模型。②對數據模型評估之后，即可以對數據進行選擇，一般選取70%的比例作為算法數據，其余的30%數據作為測試數據；③選擇好訓練數據以及測試數據之后，為了能夠獲得較好地訓練效果，必須對數據進行預處理，使其滿足所選辨識方法的要求。例如歸一化處理，填補缺失值，異常值檢驗等。

（2）變量的統計分析

通常，在完成第一步的基礎上，需要結合統計理論方法對輸入、輸出變量進行相關性分析、主元分析等，以研究二者間的關聯關系，從而對模型進行預估判斷。此外，為了更好地定性分析，需要適當地增加與主導變量有關的輔助變量，通過機理、經驗構造輔助變量與主導變量的數學關系，從而更好地對主導變量進行估計。

（3）算法模擬

在經過統計方法的分析之后，利用模糊識別、人工智能算法對訓練數據進行回歸分析，例如神經網絡、支持向量機、貝葉斯網絡等工具實現線性或非線性的預測逼近能力。然后再利用測試數據在預測模型上進行測試，得到的輸出結果和目標數據進行比對，根據預先制定的統一規則進行評判。通過不斷訓練學習的辦法獲取輸入、輸出之間的函數逼近關系式，得到合適的模型。

（4）模型的在線校正

在線校正是數據驅動建模應用中不可缺少的一部分，盡管已有不少離線校正的方法，但在線校正的方法十分有限。因此，開發更多實用方法，以適應復雜工業過程控制的需要。判斷預測模型的某個關鍵參數是否最優，其本質上就是如何對參數值進行調優，使預測模型的錯報率最小化[7]。目前，解決參數尋優問題的研究成果主要有兩種：①定期進行非訓練樣本與固定參數值得的錯誤率敏感性分析，依據敏感性分析曲線優化關鍵參數值，如交叉性驗證技術、留一交叉驗證法等；②根據知識經驗或統計分析確定機器學習方法錯誤率的上界，并不斷優化錯誤率的上界，使邊界差距盡可能小，從而實現參數校正目的[8]。

3 結語

本文圍繞“數據洪流”展開討論，嘗試對《計算機控制技術》進行教學改革，提倡培養“大數據”的思維對系統進行建模。通過調整教學內容，結合各種交互式教學方法，提出了一種基于“數據驅動建模”的教學方法，致力于培養學生的學術理論的融合貫通能力，技術創新思維和動手實踐能力。

【參考文獻】

[1]李元春.計算機控制系統[M].北京：高等教育出版社，2005.

[2]胡曉峰，賀筱媛，徐旭林.大數據時代對建模仿真的挑戰與思考—中國科協第81期新觀點新學說學術沙龍綜述[J].中國科學：信息科學，2014，44（5）：676-692.

[3]邢航，張鐵民.“計算機控制技術”教學改革探索與實踐[J].實驗室研究與探索， 2007，26（12）：370-371.

[4]周欣欣，宋人杰，牛斗.《計算機控制技術》課程教學改革初探[J].東北電力大學學報，2008，28（3）：29-31.

[5]王元卓，靳小龍，程學旗.網絡大數據：現狀與展望[J].計算機學報，2013，36（6）： 1125-1138.

[6]候忠生，許建新.數據驅動控制理論及方法的回顧與展望[J].自動化學報， 2009，35（6）：650-667.

[7]邊肇棋，張學工.模式識別[M].北京：清華大學出版社，2000.

[8]韋達利，陳鋒，卞凱，令狐彬. 基于數據融合的交通流量數據在線校正[J].中南大學學報（自然科學版），2009，40（1）：341-346.

[責任編輯：楊玉潔]