AI賦能的“物聯網控制技術”課程新工科教學改革研究

中圖分類號：G642 文獻標志碼：A

0 引言

在數字化與智能化深度融合的背景下，人工智能（ArtificialIntelligence，AI）與物聯網（InternetofThings，IoT）的技術交匯已成為驅動產業變革的核心動力。近年來，“AI + IoT\"（AIoT）技術在工業互聯網、智慧城市等領域的應用呈現爆發式增長，要求技術人才具備跨領域的知識整合與創新實踐能力[1-2]《“十四五”智能制造發展規劃》明確指出，智能系統設計人才缺口已成為制約產業升級的關鍵因素，而這類人才須同時掌握經典控制理論、AI算法開發及物聯網架構設計等跨學科知識[3]。教育部《高等學校人工智能創新行動計劃》亦強調，須推動AI與工程教育的深度融合，構建多學科交叉的人才培養模式[4]。反觀當前課程教學現狀，傳統“物聯網控制技術”課程在知識體系、教學方法及實踐環節均存在滯后性。在知識架構上，課程內容仍以經典PID控制、傳感器基礎原理為主，對前沿技術的覆蓋不足；教學方法層面，講授式教學占主導，缺乏“線上理論-線下實踐”的閉環設計，學生的自主創新能力培養受限[5]；實踐環節中，實驗平臺多局限于基礎硬件操作，難以模擬工業級智能控制場景，致使理論知識與產業應用脫節[6]。

綜上，面對AIoT技術迭代與產業升級的雙重挑戰，“物聯網控制技術”課程須以新工科人才培養目標為導向，通過整合AI技術、革新教學模式及優化實踐體系，構建“內容-方法-實踐”三位一體的教學改革框架，為產業輸送具備跨領域競爭力的復合型人才。

1“物聯網控制技術”課程教學中存在的主要問題

1.1課程內容：前沿技術融合不足，知識體系滯后

在人工智能與物聯網技術深度融合的產業變革背景下，傳統“物聯網控制技術”課程的知識體系架構呈現顯著的滯后性與結構性缺陷。當前課程內容仍以經典控制理論（如PID調節機制）、傳感器物理原理等傳統模塊為核心架構，對領域前沿技術的系統性闡釋存在顯著缺失，尤其在深度學習算法對傳感器數據的智能處理、強化學習在多目標控制策略優化中的應用等方向，尚未形成標準化教學模塊。從產業技術演進視角分析，工業互聯網領域的設備預測性維護、智慧農業中的精準灌溉系統等典型應用場景，已普遍采用“AI算法 + 控制模型”的協同架構，課程內容更新機制未能同步適配技術迭代需求。這種知識體系的滯后性導致學生知識結構與產業需求間形成斷層：一方面，學生對傳感器數據的處理仍局限于傳統濾波算法，缺乏對CNN/LSTM等智能算法的工程應用能力；另一方面，在控制策略設計中難以突破單一參數調節的思維定式，無法構建基于強化學習的多目標協同優化框架，使得學生難以滿足企業對掌握AIoT全棧技術人才的需求。如表1所示，本文以智慧大棚開發為例，對傳統教學內容和實際產業需求進行分析。

表1智慧大棚開發流程的教學與產業需求對比

1.2教學模式傳統單一，實踐導向缺失

在教學方法論體系構建中，傳統“物聯網控制技術\"課程呈現以教師為中心的灌輸式教學模式主導特征，未能形成“理論建構-實踐驗證-創新應用”的閉環教學體系。當前教學過程中，講授式教學占據課時分配的絕對比重，線上教學資源與線下課堂教學的融合仍停留在輔助性層面，尚未構建“線上預習一課堂研討一實踐拓展”的交互式學習生態。這種教學模式的單一性導致學生在知識獲取過程中長期處于被動接受狀態，難以形成自主探究與問題求解的思維習慣。

從實踐教學的設計維度分析，項目式學習（Project-BasedLearning，PBL）的實施深度明顯不足[7]。現有課程雖設置“課程設計”環節，但項目選題多局限于簡化的模擬場景（如基礎溫濕度控制），缺乏對工業級智能控制場景的系統性還原。教學過程中，未能將AI算法優化、跨平臺系統集成等前沿技術要素納人項目任務設計，導致學生實踐能力培養與產業真實需求之間形成斷層。

1.3實驗平臺：資源與機會匱乏，創新激勵不足

實踐教學體系存在結構性失衡，實驗平臺的建設理念與技術演進需求脫節，存在“重硬件設備、輕軟件賦能”的問題。當前多數高校的物聯網實驗室雖配備傳感器陣列、控制器等硬件設施，但在軟件系統層面缺乏對AI算法部署、復雜場景模擬的支持能力，尤其在邊緣計算節點仿真、數字孿生建模等前沿領域的實驗資源配置不足。實驗場景的設計未能契合AIoT技術的復合應用需求，多局限于單一設備的數據采集與簡單邏輯控制，缺乏對工業設備預測性維護、多目標協同控制等動態場景的模擬能力。這種實驗資源的局限性導致學生難以通過實踐環節理解“感知層數據一決策層算法—執行層控制”的全鏈路技術邏輯，對抽象理論的直觀驗證與工程應用能力培養形成制約。

2人工智能賦能課程的教學改革實踐

針對傳統課程知識體系滯后、教學方法單一、實驗資源匱乏等問題，構建“內容一方法一實踐”三位一體的改革框架。通過融入深度學習、強化學習等智能算法，重構“ AI+ 控制”融合知識體系，嵌入工業預測性維護等產業案例，強化學科交叉融合；創新“線上平臺 + 線下競賽”混合式教學模式，借助AI教學助手實現個性化學習診斷；搭建虛實結合的實驗體系，全方位提升學生跨領域創新與工程實踐能力，推動課程與新工科人才培養需求深度契合。

2.1課程內容：“ AI+ 控制”融合知識體系

針對課程內容中前沿技術融合不足與知識體系滯后的問題，本文以“核心結構-前沿技術-產業場景”為邏輯主線重構課程知識圖譜。將深度學習、邊緣計算等前沿技術與傳統控制理論進行系統性融合，形成動態更新的知識體系，課程內容重構主要體現在前沿技術模塊，產業場景案例和學科交叉融合3方面，如圖1所示。

圖1“ Al+ 控制”融合知識體系

2.1.1前沿技術模塊嵌入與知識鏈重構

在傳感器數據處理環節，突破傳統卡爾曼濾波、均值濾波的單一技術框架，構建以CNN/LSTM為核心的智能處理體系。例如，在講解溫濕度傳感器數據降噪時，同步引入傳統方法與深度學習模型的對比教學：通過CNN自動提取振動信號的時頻特征，實現比傳統濾波算法更高的噪聲抑制精度，解決傳統課程中感知層技術滯后問題。在控制策略設計中，引入強化學習算法（如深度Q網絡DQN），以機械臂路徑規劃為案例，對比傳統PID控制與智能算法在多目標優化（路徑最短、能耗最低）中的性能差異，填補多目標協同控制的知識空白。

2.1.2產業場景案例與動態更新機制

設計典型行業應用案例結合工業物聯網、智慧農業、智能家居等領域，開發一系列真實場景案例。例如在工業物聯網設備預測性維護案例中，要求學生利用LSTM神經網絡對設備振動、電流等多源數據進行時序分析，預測故障發生概率并制定維護策略；在智慧農業精準灌溉案例中，引導學生運用機器學習算法分析土壤濕度、氣象數據，實現精準灌溉控制，使學生深人理解課程知識在實際場景中的應用價值。

融入產業最新技術與標準關注行業動態，及時將5G+ 物聯網、邊緣計算、數字孿生等新興技術融入課程內容。例如，在講解物聯網控制系統架構時，增加邊緣計算節點部署AI算法的內容，介紹如何利用邊緣計算實現低延遲、高可靠的控制；引入工業互聯網聯盟（IIC）、OPCUA等行業標準，讓學生了解產業規范，提升知識與行業需求的契合度。

2.1.3加強學科交叉融合，培養復合能力

整合多學科知識模塊打破學科壁壘，將控制理論、人工智能、通信技術、計算機科學等知識有機融合。在講解物聯網控制時，融入物聯網通信協議與網絡架構知識，使學生掌握數據傳輸與系統集成的完整流程，培養學生跨學科解決問題的能力。介紹物聯網控制技術的前沿研究方向，如聯邦學習在分布式控制中的應用、生成式AI在控制策略優化中的探索等。鼓勵學生開展創新研究，激發創新思維，為未來職業發展和學術研究奠定基礎。

2.2教學方法創新：打造智能化互動教學模式

針對教學方法傳統單一、實踐導向缺失的問題，基于建構主義學習理論，打造“線上知識建構-線下實踐驗證-AI智能診斷”的閉環教學模式，解決講授式教學主導與實踐環節脫節的問題。具體流程如圖2所示。

2.2.1深化混合式教學，實現線上線下深度融合

構建“雙軌并行”教學資源體系，搭建以AI算法應用為核心的線上學習平臺，整合TensorFlow、PyTorch等工具的官方教程，嵌入“AI + 控制”領域的前沿論文解讀、企業技術案例視頻，如“強化學習在智能倉儲機械臂路徑規劃中的應用”；線下開設“算法比賽”，教師通過現場演示與分組討論，指導學生完成控制算法的代碼調試與參數優化，解決線上學習的實踐難點，實現理論知識與實操技能的雙向強化。

設計“問題鏈”驅動的教學流程，在講解“傳感器數據處理”章節時，先通過線上平臺推送工業現場傳感器數據異常案例，引導學生思考傳統濾波方法的局限性；線下課堂則以“如何利用智能算法提升數據信噪比”為核心問題，組織小組研討與實驗驗證，學生須完成數據標注、模型搭建、效果對比等環節，最終形成技術報告，實現從問題發現到解決的完整學習閉環。

2.2.2AI輔助：提升教學效率與個性化學習

開發AI教學助手系統，該系統基于自然語言處理技術，自動解答學生關于算法原理、代碼調試的常見問題。

課前，AI教學助手依托自然語言處理技術，高效解答學生疑惑。例如：當學生對ZigBee無線通信協議組網原理存疑時，助手不僅精準闡釋星型、樹型、網狀結構，還以動態示意圖輔助理解。同時，系統分析往屆作業與實驗數據、定位傳感器數據采集頻率設置不當等典型問題，生成知識掌握情況報告，助力教師把握備課重點。基于報告，系統為不同基礎學生推送適配資源，基礎薄弱者獲基礎教程章節，學有余力者得前沿技術資料，實現分層預習。

課中，面對物聯網智能家居實驗中溫濕度傳感器數據傳輸故障，AI教學助手結合代碼邏輯與設備原理，快速定位數據接收函數參數錯誤，引導學生自主調試。教學過程中，助手實時監測練習、提問等數據，動態評估學習情況。一旦發現學生對Modbus通信協議應用理解偏差，即刻生成報告反饋給教師，促使教師調整節奏，開展針對性講解，并推送工業應用視頻等拓展資料。

課后，系統對環境監測系統設計作業進行多維度分析，精準指出傳感器選型、數據濾波算法及網絡拓撲設計等問題。針對學生薄弱點，定向推送傳感器選型標準、算法案例與優秀架構方案，助力學生鞏固知識。同時，班級整體報告為教師優化教學計劃提供數據支撐，實現“一人一策”與集體提升的雙重目標。

2.3實踐平臺升級：構建虛實結合的實驗體系

針對實驗平臺“重硬件設備、輕軟件賦能”的結構性問題，構建分層遞進的實驗體系，以“理論驗證-系統集成”為邏輯主線，融合AI技術與物聯網控制場景。平臺架構如圖3所示。

圖3實驗平臺改進

本研究設計了遞進式的2類實驗：（1）驗證性實驗（傳感器數據采集與PID控制）旨在夯實理論基礎，驗證經典控制理論與基礎物聯網技術的工程實現，使用樹莓派平臺搭配DHT11傳感器和繼電器模塊作為硬件，通過Python編程實現溫濕度數據采集（含卡爾曼濾波處理）并在MATLAB/Simulink中搭建PID控制器模型調節加熱/制冷設備，通過對比不同PID參數對控制精度的影響來驗證理論模型；（2）綜合性實驗（智慧大棚多傳感器融合與強化學習灌溉控制）則聚焦跨領域能力整合，目標是實現“傳感器-算法-控制”全鏈路技術集成，硬件采用樹莓派結合光照/土壤熵情傳感器及電磁閥執行器，算法層面運用TensorFlow搭建Q-Learning強化學習模型，實驗步驟包括融合多傳感器數據并通過LSTM網絡預測作物需水量，基于Q-Learning算法優化灌溉策略以平衡產量與能耗，最后通過MQTT協議實現邊緣節點與云端的策略交互。

通過整合MATLAB、LabVIEW等專業仿真軟件，開發“物聯網控制虛擬實驗室”，支持傳感器數據采集、控制算法驗證、多設備聯動等場景模擬，降低復雜場景實驗的硬件成本與操作風險。

3結語

在數字化與智能化浪潮下，傳統“物聯網控制技術”課程已難以滿足新工科人才培養需求。本研究提出的AI賦能改革框架，從課程內容、教學方法、實踐平臺3方面展開：課程內容上，融入深度學習、強化學習等智能算法，引入工業物聯網、智慧農業等真實場景案例，加強控制理論、人工智能等多學科交叉融合；教學方法上，深化混合式教學，打造“線上理論學習 + 線下算法比賽”雙軌模式，借助AI教學助手實現個性化學習；實踐平臺上，整合仿真平臺與數字孿生技術，構建虛實結合的實驗體系。該改革致力于培養掌握\"AI + 控制”跨領域能力的復合型人才，填補產業智能系統設計人才缺口，推動教育與產業深度融合，為新工科教育改革提供了可借鑒的實踐范式。

參考文獻

[1]李婷，劉順財.基于產教深度融合的AIoT應用型人才培養模式研究[J].計算機教育，2025（3）：160-165.

[2]魏力.新工科背景下“物聯網控制技術”課程教學探索與研究[J].華東科技，2023（7）：135-137.

[3]陳嘉欣，陳博威.人工智能時代高校就業指導教育創新路徑研究[C]//河南省民辦教育協會.2025年高等教育發展論壇創新教育分論壇論文集.鄭州，2025：243-244.

[4]龔信.“十四五”智能制造發展規劃[N].中國工業報，2021-12-29（003）.

[5]郭平，彭進香，劉朝暉.CDIO-OBE融合視閾下物聯網工程教學改革探索：以“物聯網工程設計與實施”課程為例[J].物聯網技術，2025（5）：148-151，155.

[6]李濤，郁戰，高云.物聯網移動應用多元化虛實結合實驗平臺設計[J].物聯網技術，2024（6）：159-162.

[7]盧奕冰.基于移動環境監測機器人的嵌入式系統課程PBL改革：踐行OBE理念，賦能自動控制與物聯網教學創新[C]//河南省民辦教育協會.2025年高等教育發展論壇暨思政研討會論文集.鄭州，2025：74-75.

（編輯 王雪芬）

Research on new engineering teaching reform of “Internet of Things Control Technology” course empowered by AI

ZHAO Jing1，2， SUN Xiaojie1，2* （1.College of Cybersecurity and Information Technology，Yili Normal University，Yining 8350o0，China; 2. Key Laboratory of Intelligent Computing Research and Application in Yili River Valley， Yili Normal University，Yining 835000， China）

Abstract：This study addresses the issues of lagging knowledge system，single teaching method，and diffculty in simulatigcomplex intellgentcontrol scenarioswith experimental platformsinthe traditional“Internetof Things Control Technology”course.It proposes asystematic teaching reform framework empowered byartificial intellgence （AI）.By integrating intelligent algorithms such as deep learning， it reconstructs an“AI + Control” integrated knowledge system covering modules like inteligent processing of sensor data.A hybrid teaching model of“online platform + ofline competition”is innovated，combined with AI teaching asistants to achieve personalized learning.A virtual-real integrated experimental systemisconstructed.Thereformaims tocultivate compositetalents with capabilities in intelligent algorithm design，address the shortageof intelligent system design talents，promote deep integrationoftheeducationchainand industrychain，and providea“content-method-practice”trinityimplementation paradigm for curriculum reform under the background of emerging engineering education.

Key words： AIoT; IoT control technology; interdisciplinary talent cultivation