孙永辉　周军　钱惠敏　任祖华

【摘 要】近年来随着互联网、物联网、云计算的迅猛发展，数据多元化将当今的信息社会推向了“大数据”时代，所以顺应时代的潮流，有必要将“大数据”的思想融入到《计算机控制技术》的教学改革当中去。本文提出一种基于“数据驱动建模”的教学方法，致力于培养学生对数据建模的融合贯通能力，适应当今社会对人才的更高要求。

【关键词】计算机控制技术；教学改革；系统建模；数据驱动

0 引言

随着计算机技术的飞速发展，计算机控制技术被广泛应用于工业生产、电子通讯、机械设备等各个领域。因此，许多高等院校都开设了《计算机控制技术》这门课程，它是以自动控制原理为基础，以计算机控制技术为核心，综合测控技术、可编程控制技术、计算机网络技术等的综合性学科，致力于培养企业生产技术的精密化、生产设备的信息化、生产过程的自动化的专业人才。计算机控制技术本身的特点决定了可以利用软件来实现控制算法，通过强大的的运算功能和逻辑判断功能来实现最优控制、自适应控制等连续控制系统难以胜任的复杂规律[1]。鉴于《计算机控制技术》课程的重要性，对课程教学的研究、探索和实践是十分必要的。

近年来，随着互联网、物联网、云计算的迅猛发展，由“人、机、物”三元世界在网络空间（Cyberspace）中交互、融合所产生的数据多元化将当今的信息社会推向了“大数据”时代[5]，大数据的涌现正逐步改变人们的生活和工作方式、企业的运营模式，IBM公司提出了“智慧地球”的理念，德国提出了步向“工业4.0”的目标，今年李克强总理在政府工作报告上也提出了“互联网+”的概念。同时，大数据也吸引了不少学术界的广泛关注，2008年，英国《自然》杂志推出大数据专列，专门探讨“P8时代的科学”以及科研形态的变化，指出：“数据为准绳的理念指导，以及强大的计算能力支撑，正在驱动一次科学科学方法的革命”。美国《科学》杂志也在2011年推出专刊“Dealing with Data”，围绕“数据洪流”展开讨论，将大数据深度分析作为未来研究的重要突破点[2]。所以顺应时代的潮流，将“大数据”的思想融入到《计算机控制技术》的教育改革，既是一项严峻的挑战也是一个宝贵的机遇。

1 课程教学中的普遍问题

《计算机控制技术》课程所涉及内容丰富，大体可以分为控制系统和计算机系统两大方向。具体的内容主要包括如下几个方面：①以控制理论为主体，阐明离散系统和连续系统在建模、推理、结论上的区别；②将计算机系统与控制系统进行融合；③传统控制论优化算法及其仿真模拟；④智能算法、模糊识别的应用；⑤微型计算机的嵌入式开发，如ARM、PLC、等；⑥计算机系统的软件开发等[3]。

目前，多数院校对于《计算机控制技术》这么课程，主要采用“以课堂为主，实验为辅”的教学模式，加上该课程是一门专业性和综合性较强的学科，涵盖的内容较多，所以学生在学习过程中普遍感到吃力[4]。此外，课程教材和参考书种类众多，但内容并不统一，基本分为偏重理论教学和实际工程应用两大类。然而，真正能运用到当今主流的大数据、云计算相关技术的并不多。所以，基于上述问题，对目前《计算机控制技术》教学中存在的不足总结如下：

（1）数据的概念不强

目前，许多院校对于《计算机控制技术》这门课程的重心停留在理论授课上，即使开设的实验课程还是以演示性为主，如A/D转换实验。学生没有系统的将所学知识转化为实践，更谈不上对实验数据的信息进行有效的存储，并结合所学习的理论知识对其进行分析和验证。此外，对于当今主流的数据挖掘算法，提供相应的实践机会较少。

（2）传统建模思维的束缚

传统控制理论过于依赖模型的建立，为了保证所建立模型的精确性，模型的阶次有时会变得很高，基于高阶系统模型的控制器设计、稳定性分析等问题就会变得很复杂。事实上，数据只是为了辅助算法，实现对模型进行较好的评估和预测等功能。

（3）数据挖掘算法的普及不深

利用计算机技术对大数据进行挖掘分析，发现蕴含的知识，研究运行的规律和发展的趋势是挖掘网络大数据的深层价值和实现社会行为可计算的主要途径[5]。然而，许多院校在《计算机控制技术》这门课程中，并没有在数据驱动这个方向上进行改革和突破。

值得注意的是，很多院校对《计算机控制技术》教学的思维方式还停留在工业时代，即以控制系统相关学科作为理论基础，再通过科学实验来强化学生在计算机软硬件方面的学习。但是随着信息技术的快速发展，“物联网、云计算、大数据”的提出，迅速取代了人们对于传统行业的认知。所以，有必要借助“大数据”的思维方式来思考《计算机控制技术》的课程改革。

2 基于“大数据思维”的《计算机控制技术》课程教学改革

在传统建模仿真研究中，数据不是模型的本体，它只是为模型的仿真运行提供基础条件。然而，随着大数据的迅速发展，由“人、机、物”三元世界的互相交融将数据的来源也变得多元化，通过仪器采集、网络存储、仿真模拟生成等方式来获取数据，所以数据对建模的作用也愈发重要，并开始逐渐成为主导地位。只要数据足够大，只靠数据就可以完成科学发现，因此不再需要数学模型。这就是所谓的“数据优先”模式[2]，一种由数据驱动的新模式、新思维。正如《连线》主编Chris Anderson所断言：“数据的洪流是传统科学方法变得过时，相互关系已经足够，没有了具有一致性的模型、统一的理论和任何机械式的说明，科学也可以进步”。换句话说，传统建模方法对于科学而言并不是必须的，大数据建模方法将会是一种新的科研范式。

2.1 将“数据驱动建模方法”作为思考问题的出发点

数据驱动的概念最早来自计算机科学领域，在设计过程中以数据库中的数据为导向，利用受控系统大量的在线、离线数据，实现对系统的评价、诊断、决策、调度及监控等功能[6]，探索背后的科学规律。近年来，随着人工智能技术的发展，特别是机器学习领域，迅速丰富了经验建模方法。通过获得系统的各过程变量（输入、输出和中间变量）描述表达式，这种方法称为“数据驱动”建模方法。

基于实际工业生产系统的数学模型复杂、测控信号精度差且不完整、易受随机扰动的影响、状态维数高等特点，传统的建模方法，为了保证模型的精确性，模型的阶次会变得很高，这样研究系统的控制方法和动态特性会变得复杂，而利用“数据驱动”建模方法，将已知的输入、输出数据在线或离线学习计算与当前状态相匹配的控制量，再将模式识别、人工智能方法作为补充，从而满足系统的静态和动态性能要求。目前，利用“数据驱动”的思想建立研究对象的预测和控制模型是主流的趋势，而已经形成系统的建模方法主要有：线性/非线性自回归模型、神经元网络模型、基因算法模型、模糊人工智能模型、贝叶斯分析网络模型以及支持向量机模型等。

2.2 基于“数据驱动建模”的教学方法

一般来说，数据驱动建模流程可分为：数据初始化、变量的统计分析、算法模拟和模型的在线校正等过程。

（1）数据初始化

通常，数据的初始化大致可以分为数据的采集、选择、预处理。具体的步骤如下：①通过采集的数据，对数据结构有一定的认识，同时对数据辨识可能产生的问题及建模的复杂程度有所估计，从而决定适宜的训练模型。②对数据模型评估之后，即可以对数据进行选择，一般选取70%的比例作为算法数据，其余的30%数据作为测试数据；③选择好训练数据以及测试数据之后，为了能够获得较好地训练效果，必须对数据进行预处理，使其满足所选辨识方法的要求。例如归一化处理，填补缺失值，异常值检验等。

（2）变量的统计分析

通常，在完成第一步的基础上，需要结合统计理论方法对输入、输出变量进行相关性分析、主元分析等，以研究二者间的关联关系，从而对模型进行预估判断。此外，为了更好地定性分析，需要适当地增加与主导变量有关的辅助变量，通过机理、经验构造辅助变量与主导变量的数学关系，从而更好地对主导变量进行估计。

（3）算法模拟

在经过统计方法的分析之后，利用模糊识别、人工智能算法对训练数据进行回归分析，例如神经网络、支持向量机、贝叶斯网络等工具实现线性或非线性的预测逼近能力。然后再利用测试数据在预测模型上进行测试，得到的输出结果和目标数据进行比对，根据预先制定的统一规则进行评判。通过不断训练学习的办法获取输入、输出之间的函数逼近关系式，得到合适的模型。

（4）模型的在线校正

在线校正是数据驱动建模应用中不可缺少的一部分，尽管已有不少离线校正的方法，但在线校正的方法十分有限。因此，开发更多实用方法，以适应复杂工业过程控制的需要。判断预测模型的某个关键参数是否最优，其本质上就是如何对参数值进行调优，使预测模型的错报率最小化[7]。目前，解决参数寻优问题的研究成果主要有两种：①定期进行非训练样本与固定参数值得的错误率敏感性分析，依据敏感性分析曲线优化关键参数值，如交叉性验证技术、留一交叉验证法等；②根据知识经验或统计分析确定机器学习方法错误率的上界，并不断优化错误率的上界，使边界差距尽可能小，从而实现参数校正目的[8]。

3 结语

本文围绕“数据洪流”展开讨论，尝试对《计算机控制技术》进行教学改革，提倡培养“大数据”的思维对系统进行建模。通过调整教学内容，结合各种交互式教学方法，提出了一种基于“数据驱动建模”的教学方法，致力于培养学生的学术理论的融合贯通能力，技术创新思维和动手实践能力。

【参考文献】

[1]李元春.计算机控制系统[M].北京：高等教育出版社，2005.

[2]胡晓峰，贺筱媛，徐旭林.大数据时代对建模仿真的挑战与思考—中国科协第81期新观点新学说学术沙龙综述[J].中国科学：信息科学，2014，44（5）：676-692.

[3]邢航，张铁民.“计算机控制技术”教学改革探索与实践[J].实验室研究与探索， 2007，26（12）：370-371.

[4]周欣欣，宋人杰，牛斗.《计算机控制技术》课程教学改革初探[J].东北电力大学学报，2008，28（3）：29-31.

[5]王元卓，靳小龙，程学旗.网络大数据：现状与展望[J].计算机学报，2013，36（6）： 1125-1138.

[6]候忠生，许建新.数据驱动控制理论及方法的回顾与展望[J].自动化学报， 2009，35（6）：650-667.

[7]边肇棋，张学工.模式识别[M].北京：清华大学出版社，2000.

[8]韦达利，陈锋，卞凯，令狐彬. 基于数据融合的交通流量数据在线校正[J].中南大学学报（自然科学版），2009，40（1）：341-346.

[责任编辑：杨玉洁]