《計算機控制技術(shù)》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(lián)網(wǎng)、物聯(lián)網(wǎng)、云計算的迅猛發(fā)展，數(shù)據(jù)多元化將當(dāng)今的信息社會推向了“大數(shù)據(jù)”時代，所以順應(yīng)時代的潮流，有必要將“大數(shù)據(jù)”的思想融入到《計算機控制技術(shù)》的教學(xué)改革當(dāng)中去。本文提出一種基于“數(shù)據(jù)驅(qū)動建?！钡慕虒W(xué)方法，致力于培養(yǎng)學(xué)生對數(shù)據(jù)建模的融合貫通能力，適應(yīng)當(dāng)今社會對人才的更高要求。

【關(guān)鍵詞】計算機控制技術(shù)；教學(xué)改革；系統(tǒng)建模；數(shù)據(jù)驅(qū)動

0 引言

隨著計算機技術(shù)的飛速發(fā)展，計算機控制技術(shù)被廣泛應(yīng)用于工業(yè)生產(chǎn)、電子通訊、機械設(shè)備等各個領(lǐng)域。因此，許多高等院校都開設(shè)了《計算機控制技術(shù)》這門課程，它是以自動控制原理為基礎(chǔ)，以計算機控制技術(shù)為核心，綜合測控技術(shù)、可編程控制技術(shù)、計算機網(wǎng)絡(luò)技術(shù)等的綜合性學(xué)科，致力于培養(yǎng)企業(yè)生產(chǎn)技術(shù)的精密化、生產(chǎn)設(shè)備的信息化、生產(chǎn)過程的自動化的專業(yè)人才。計算機控制技術(shù)本身的特點決定了可以利用軟件來實現(xiàn)控制算法，通過強大的的運算功能和邏輯判斷功能來實現(xiàn)最優(yōu)控制、自適應(yīng)控制等連續(xù)控制系統(tǒng)難以勝任的復(fù)雜規(guī)律[1]。鑒于《計算機控制技術(shù)》課程的重要性，對課程教學(xué)的研究、探索和實踐是十分必要的。

近年來，隨著互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、云計算的迅猛發(fā)展，由“人、機、物”三元世界在網(wǎng)絡(luò)空間（Cyberspace）中交互、融合所產(chǎn)生的數(shù)據(jù)多元化將當(dāng)今的信息社會推向了“大數(shù)據(jù)”時代[5]，大數(shù)據(jù)的涌現(xiàn)正逐步改變?nèi)藗兊纳詈凸ぷ鞣绞?、企業(yè)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(yè)4.0”的目標(biāo)，今年李克強總理在政府工作報告上也提出了“互聯(lián)網(wǎng)+”的概念。同時，大數(shù)據(jù)也吸引了不少學(xué)術(shù)界的廣泛關(guān)注，2008年，英國《自然》雜志推出大數(shù)據(jù)專列，專門探討“P8時代的科學(xué)”以及科研形態(tài)的變化，指出：“數(shù)據(jù)為準(zhǔn)繩的理念指導(dǎo)，以及強大的計算能力支撐，正在驅(qū)動一次科學(xué)科學(xué)方法的革命”。美國《科學(xué)》雜志也在2011年推出專刊“Dealing with Data”，圍繞“數(shù)據(jù)洪流”展開討論，將大數(shù)據(jù)深度分析作為未來研究的重要突破點[2]。所以順應(yīng)時代的潮流，將“大數(shù)據(jù)”的思想融入到《計算機控制技術(shù)》的教育改革，既是一項嚴(yán)峻的挑戰(zhàn)也是一個寶貴的機遇。

1 課程教學(xué)中的普遍問題

《計算機控制技術(shù)》課程所涉及內(nèi)容豐富，大體可以分為控制系統(tǒng)和計算機系統(tǒng)兩大方向。具體的內(nèi)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(tǒng)和連續(xù)系統(tǒng)在建模、推理、結(jié)論上的區(qū)別；②將計算機系統(tǒng)與控制系統(tǒng)進(jìn)行融合；③傳統(tǒng)控制論優(yōu)化算法及其仿真模擬；④智能算法、模糊識別的應(yīng)用；⑤微型計算機的嵌入式開發(fā)，如ARM、PLC、等；⑥計算機系統(tǒng)的軟件開發(fā)等[3]。

目前，多數(shù)院校對于《計算機控制技術(shù)》這么課程，主要采用“以課堂為主，實驗為輔”的教學(xué)模式，加上該課程是一門專業(yè)性和綜合性較強的學(xué)科，涵蓋的內(nèi)容較多，所以學(xué)生在學(xué)習(xí)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(nèi)容并不統(tǒng)一，基本分為偏重理論教學(xué)和實際工程應(yīng)用兩大類。然而，真正能運用到當(dāng)今主流的大數(shù)據(jù)、云計算相關(guān)技術(shù)的并不多。所以，基于上述問題，對目前《計算機控制技術(shù)》教學(xué)中存在的不足總結(jié)如下：

（1）數(shù)據(jù)的概念不強

目前，許多院校對于《計算機控制技術(shù)》這門課程的重心停留在理論授課上，即使開設(shè)的實驗課程還是以演示性為主，如A/D轉(zhuǎn)換實驗。學(xué)生沒有系統(tǒng)的將所學(xué)知識轉(zhuǎn)化為實踐，更談不上對實驗數(shù)據(jù)的信息進(jìn)行有效的存儲，并結(jié)合所學(xué)習(xí)的理論知識對其進(jìn)行分析和驗證。此外，對于當(dāng)今主流的數(shù)據(jù)挖掘算法，提供相應(yīng)的實踐機會較少。

（2）傳統(tǒng)建模思維的束縛

傳統(tǒng)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(tǒng)模型的控制器設(shè)計、穩(wěn)定性分析等問題就會變得很復(fù)雜。事實上，數(shù)據(jù)只是為了輔助算法，實現(xiàn)對模型進(jìn)行較好的評估和預(yù)測等功能。

（3）數(shù)據(jù)挖掘算法的普及不深

利用計算機技術(shù)對大數(shù)據(jù)進(jìn)行挖掘分析，發(fā)現(xiàn)蘊含的知識，研究運行的規(guī)律和發(fā)展的趨勢是挖掘網(wǎng)絡(luò)大數(shù)據(jù)的深層價值和實現(xiàn)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(shù)》這門課程中，并沒有在數(shù)據(jù)驅(qū)動這個方向上進(jìn)行改革和突破。

值得注意的是，很多院校對《計算機控制技術(shù)》教學(xué)的思維方式還停留在工業(yè)時代，即以控制系統(tǒng)相關(guān)學(xué)科作為理論基礎(chǔ)，再通過科學(xué)實驗來強化學(xué)生在計算機軟硬件方面的學(xué)習(xí)。但是隨著信息技術(shù)的快速發(fā)展，“物聯(lián)網(wǎng)、云計算、大數(shù)據(jù)”的提出，迅速取代了人們對于傳統(tǒng)行業(yè)的認(rèn)知。所以，有必要借助“大數(shù)據(jù)”的思維方式來思考《計算機控制技術(shù)》的課程改革。

2 基于“大數(shù)據(jù)思維”的《計算機控制技術(shù)》課程教學(xué)改革

在傳統(tǒng)建模仿真研究中，數(shù)據(jù)不是模型的本體，它只是為模型的仿真運行提供基礎(chǔ)條件。然而，隨著大數(shù)據(jù)的迅速發(fā)展，由“人、機、物”三元世界的互相交融將數(shù)據(jù)的來源也變得多元化，通過儀器采集、網(wǎng)絡(luò)存儲、仿真模擬生成等方式來獲取數(shù)據(jù)，所以數(shù)據(jù)對建模的作用也愈發(fā)重要，并開始逐漸成為主導(dǎo)地位。只要數(shù)據(jù)足夠大，只靠數(shù)據(jù)就可以完成科學(xué)發(fā)現(xiàn)，因此不再需要數(shù)學(xué)模型。這就是所謂的“數(shù)據(jù)優(yōu)先”模式[2]，一種由數(shù)據(jù)驅(qū)動的新模式、新思維。正如《連線》主編Chris Anderson所斷言：“數(shù)據(jù)的洪流是傳統(tǒng)科學(xué)方法變得過時，相互關(guān)系已經(jīng)足夠，沒有了具有一致性的模型、統(tǒng)一的理論和任何機械式的說明，科學(xué)也可以進(jìn)步”。換句話說，傳統(tǒng)建模方法對于科學(xué)而言并不是必須的，大數(shù)據(jù)建模方法將會是一種新的科研范式。

2.1 將“數(shù)據(jù)驅(qū)動建模方法”作為思考問題的出發(fā)點

數(shù)據(jù)驅(qū)動的概念最早來自計算機科學(xué)領(lǐng)域，在設(shè)計過程中以數(shù)據(jù)庫中的數(shù)據(jù)為導(dǎo)向，利用受控系統(tǒng)大量的在線、離線數(shù)據(jù)，實現(xiàn)對系統(tǒng)的評價、診斷、決策、調(diào)度及監(jiān)控等功能[6]，探索背后的科學(xué)規(guī)律。近年來，隨著人工智能技術(shù)的發(fā)展，特別是機器學(xué)習(xí)領(lǐng)域，迅速豐富了經(jīng)驗建模方法。通過獲得系統(tǒng)的各過程變量（輸入、輸出和中間變量）描述表達(dá)式，這種方法稱為“數(shù)據(jù)驅(qū)動”建模方法。

基于實際工業(yè)生產(chǎn)系統(tǒng)的數(shù)學(xué)模型復(fù)雜、測控信號精度差且不完整、易受隨機擾動的影響、狀態(tài)維數(shù)高等特點，傳統(tǒng)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(tǒng)的控制方法和動態(tài)特性會變得復(fù)雜，而利用“數(shù)據(jù)驅(qū)動”建模方法，將已知的輸入、輸出數(shù)據(jù)在線或離線學(xué)習(xí)計算與當(dāng)前狀態(tài)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(tǒng)的靜態(tài)和動態(tài)性能要求。目前，利用“數(shù)據(jù)驅(qū)動”的思想建立研究對象的預(yù)測和控制模型是主流的趨勢，而已經(jīng)形成系統(tǒng)的建模方法主要有：線性/非線性自回歸模型、神經(jīng)元網(wǎng)絡(luò)模型、基因算法模型、模糊人工智能模型、貝葉斯分析網(wǎng)絡(luò)模型以及支持向量機模型等。

2.2 基于“數(shù)據(jù)驅(qū)動建?！钡慕虒W(xué)方法

一般來說，數(shù)據(jù)驅(qū)動建模流程可分為：數(shù)據(jù)初始化、變量的統(tǒng)計分析、算法模擬和模型的在線校正等過程。

（1）數(shù)據(jù)初始化

通常，數(shù)據(jù)的初始化大致可以分為數(shù)據(jù)的采集、選擇、預(yù)處理。具體的步驟如下：①通過采集的數(shù)據(jù)，對數(shù)據(jù)結(jié)構(gòu)有一定的認(rèn)識，同時對數(shù)據(jù)辨識可能產(chǎn)生的問題及建模的復(fù)雜程度有所估計，從而決定適宜的訓(xùn)練模型。②對數(shù)據(jù)模型評估之后，即可以對數(shù)據(jù)進(jìn)行選擇，一般選取70%的比例作為算法數(shù)據(jù)，其余的30%數(shù)據(jù)作為測試數(shù)據(jù)；③選擇好訓(xùn)練數(shù)據(jù)以及測試數(shù)據(jù)之后，為了能夠獲得較好地訓(xùn)練效果，必須對數(shù)據(jù)進(jìn)行預(yù)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(tǒng)計分析

通常，在完成第一步的基礎(chǔ)上，需要結(jié)合統(tǒng)計理論方法對輸入、輸出變量進(jìn)行相關(guān)性分析、主元分析等，以研究二者間的關(guān)聯(lián)關(guān)系，從而對模型進(jìn)行預(yù)估判斷。此外，為了更好地定性分析，需要適當(dāng)?shù)卦黾优c主導(dǎo)變量有關(guān)的輔助變量，通過機理、經(jīng)驗構(gòu)造輔助變量與主導(dǎo)變量的數(shù)學(xué)關(guān)系，從而更好地對主導(dǎo)變量進(jìn)行估計。

（3）算法模擬

在經(jīng)過統(tǒng)計方法的分析之后，利用模糊識別、人工智能算法對訓(xùn)練數(shù)據(jù)進(jìn)行回歸分析，例如神經(jīng)網(wǎng)絡(luò)、支持向量機、貝葉斯網(wǎng)絡(luò)等工具實現(xiàn)線性或非線性的預(yù)測逼近能力。然后再利用測試數(shù)據(jù)在預(yù)測模型上進(jìn)行測試，得到的輸出結(jié)果和目標(biāo)數(shù)據(jù)進(jìn)行比對，根據(jù)預(yù)先制定的統(tǒng)一規(guī)則進(jìn)行評判。通過不斷訓(xùn)練學(xué)習(xí)的辦法獲取輸入、輸出之間的函數(shù)逼近關(guān)系式，得到合適的模型。

（4）模型的在線校正

在線校正是數(shù)據(jù)驅(qū)動建模應(yīng)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(fā)更多實用方法，以適應(yīng)復(fù)雜工業(yè)過程控制的需要。判斷預(yù)測模型的某個關(guān)鍵參數(shù)是否最優(yōu)，其本質(zhì)上就是如何對參數(shù)值進(jìn)行調(diào)優(yōu)，使預(yù)測模型的錯報率最小化[7]。目前，解決參數(shù)尋優(yōu)問題的研究成果主要有兩種：①定期進(jìn)行非訓(xùn)練樣本與固定參數(shù)值得的錯誤率敏感性分析，依據(jù)敏感性分析曲線優(yōu)化關(guān)鍵參數(shù)值，如交叉性驗證技術(shù)、留一交叉驗證法等；②根據(jù)知識經(jīng)驗或統(tǒng)計分析確定機器學(xué)習(xí)方法錯誤率的上界，并不斷優(yōu)化錯誤率的上界，使邊界差距盡可能小，從而實現(xiàn)參數(shù)校正目的[8]。

3 結(jié)語

本文圍繞“數(shù)據(jù)洪流”展開討論，嘗試對《計算機控制技術(shù)》進(jìn)行教學(xué)改革，提倡培養(yǎng)“大數(shù)據(jù)”的思維對系統(tǒng)進(jìn)行建模。通過調(diào)整教學(xué)內(nèi)容，結(jié)合各種交互式教學(xué)方法，提出了一種基于“數(shù)據(jù)驅(qū)動建?！钡慕虒W(xué)方法，致力于培養(yǎng)學(xué)生的學(xué)術(shù)理論的融合貫通能力，技術(shù)創(chuàng)新思維和動手實踐能力。

【參考文獻(xiàn)】

[1]李元春.計算機控制系統(tǒng)[M].北京：高等教育出版社，2005.

[2]胡曉峰，賀筱媛，徐旭林.大數(shù)據(jù)時代對建模仿真的挑戰(zhàn)與思考—中國科協(xié)第81期新觀點新學(xué)說學(xué)術(shù)沙龍綜述[J].中國科學(xué)：信息科學(xué)，2014，44（5）：676-692.

[3]邢航，張鐵民.“計算機控制技術(shù)”教學(xué)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(shù)》課程教學(xué)改革初探[J].東北電力大學(xué)學(xué)報，2008，28（3）：29-31.

[5]王元卓，靳小龍，程學(xué)旗.網(wǎng)絡(luò)大數(shù)據(jù)：現(xiàn)狀與展望[J].計算機學(xué)報，2013，36（6）： 1125-1138.

[6]候忠生，許建新.數(shù)據(jù)驅(qū)動控制理論及方法的回顧與展望[J].自動化學(xué)報， 2009，35（6）：650-667.

[7]邊肇棋，張學(xué)工.模式識別[M].北京：清華大學(xué)出版社，2000.

[8]韋達(dá)利，陳鋒，卞凱，令狐彬. 基于數(shù)據(jù)融合的交通流量數(shù)據(jù)在線校正[J].中南大學(xué)學(xué)報（自然科學(xué)版），2009，40（1）：341-346.

[責(zé)任編輯：楊玉潔]