“航空航天大数据智能设计”课程中的实践性教学探索

［摘 要］ “航空航天大数据智能设计”是南京航空航天大学为航空航天类学生在新工科要求的背景下设立的新课程，也是培养“航空航天+人工智能”领域未来人才的新探索。为加强学生实践能力和培养学生自主学习的自驱力，在课程教学中引入了实践性教学形式，采用学生“编程实操无人机”和“开放性迷你项目”相结合的方式，配合实践性的课程考核模式，在实践中激发学生的学习兴趣，同时传递数据思维的认知方法，完善学生个人的知识体系，提升在未来可预见的航空航天前沿领域运用数据驱动建模方法解决实际工程问题的能力。课程的实践性教学环节不仅有益于学生，同时也对教师综合素质和相关实践案例资源库构建提出了更高的要求，将有利于教师综合教学能力的提升。

［关键词］ 实践性教学；航空航天大数据智能设计；模式转变；无人机实操

［基金项目］ 2021年度江苏高等教育教改立项研究课题“飞行器环境与生命保障工程专业核心课工程案例库建设的研究与实践”（2021JSJG348）；2021年度南京航空航天大学教改项目“面向‘航空航天+人工智能’工程实践的教学模式探索——以‘航空航天大数据智能设计’课程为例”（YJG21018）

［作者简介］ 朱光亚（1990—），男，安徽巢湖人，博士，南京航空航天大学航空学院讲师，主要从事飞行器环境控制与数据驱动设计研究；高宜胜（1984—），男，福建福州人，博士，南京航空航天大学航空学院讲师，主要从事飞行器设计与数据驱动设计研究；陈维建（1979—），男，山东新泰人，博士，南京航空航天大学航空学院副教授，主要从事飞行器环境控制与飞行器防除冰研究。

［中图分类号］ G642.0 ［文献标识码］ A ［文章编号］ 1674-9324（2024）44-0097-04 ［收稿日期］ 2023-10-13

引言

进入21世纪以来，以深度学习为代表的人工智能以及大数据等领域取得了新突破，正不断推动社会各领域从数字化、网络化向智能化加速发展［1］。

长久以来，南京航空航天大学建立起了“航空、航天、民航”的三航特色，为了响应国家对于“人工智能+X”的迫切需求，急需高质量的“航空航天+人工智能”的深度融合课程。然而，目前对于“航空航天+人工智能”的教学体系乃至课程都缺乏相关经验积累和教学模式探索。近年来，航空航天交叉研究院大数据智能设计研究中心已在长空学院（航空航天大类专业本科）开设了“航空航天大数据智能设计”课程，但前期课程设置上也存在着课程内容缺乏体系、教学模式不明晰以及教学与行业实践联系不够紧密等问题。从已有的教学实践情况反馈来看，学生对于人工智能、大数据技术兴趣浓厚，学习热情高，但由于尚未系统性学习航空航天专业课程，大多数学生的航空航天专业知识略显不足，对于两者的结合更是知之甚少，实践能力不成体系。因此探索适合于“航空航天大数据智能设计”课程的教学模式，一方面有助于响应国家号召推动人工智能在航空航天领域的深入应用，另一方面也有助于在“航空航天+人工智能”领域培养拔尖的复合型创新人才。

实践性教学是理论教学以外的各种教学活动的总称，包括实验、实习、设计、工程测绘、社会调查等。不同于理论教学，实践性教学更注重学生获得感性知识，掌握技能、技巧，养成理论联系实际的作风和独立工作能力［2］。“航空航天+人工智能”由于其专业背景适合实践性教学，但“航空航天+人工智能”类课程并无现成的成功经验可以复制，需要探索新的教学方式。从航空航天领域工程实践出发，以此为基础更新教学内容和课程实践项目库，并在教学过程中不断探索新型实践性教学模式，通过学生项目式实践，提升学生科技创新能力，指导学生积极参加以项目实践为基础的创新创业竞赛，并不断地反馈教学内容与行业工程实践，建立完整的学生考查体系，为“航空航天+人工智能”领域的教育教学提供实践经验。

一、“航空航天大数据智能设计”课程概况与现实问题分析

在航空航天领域，人工智能已经成为推动行业发展的强大力量。在这样的背景下，掌握大数据、人工智能及其在航空航天领域的应用技术，既是提高个人核心竞争力的要求，也是推动我国航空航天创新发展的切实途径。“航空航天大数据智能设计”课程是南京航空航天大学为航空航天大类专业学生专门开设的课程，包括数据驱动建模的基础知识和航空航天智能设计的应用实例两部分。其中，数据驱动建模的基础知识部分介绍大数据、人工智能的基本概念，以及常用软件工具、常用算法等内容。应用实例部分以大数据、人工智能方法在多学科优化设计、超材料、智能结构、飞行器控制等方面的使用实例，讲授如何利用大数据、人工智能的基础知识解决航空航天中的工程问题，培养学生实际运用大数据、人工智能知识的设计能力。

目前，人工智能正在逐步深入各行各业［3］。一方面，国内的航空航天相关单位如各主机所对于人工智能、大数据技术的应用有着迫切需求，亟待借助人工智能、大数据技术突破传统的瓶颈问题，例如计算机辅助设计（CAD）、气动设计、结构设计、飞行控制、隐身设计、推进系统、制造等方面皆是应用的重点。但另一方面，当前高校普遍开设的人工智能、大数据相关课程（以及现有的网络学习资源）往往局限在基础原理或者更偏向图像处理、自然语言处理等计算机行业相关应用，“航空航天+人工智能”类课程并没有现成的经验［3］。课程以何种方式授课，既不能将课程变为只偏向人工智能的数学基础课或理论课，也不能将课程变成专业入门的科普课程，因此这个问题是此类课程开设和教学过程中面临的主要难题，需要综合考虑如何将航空航天专业涉及的问题同人工智能知识合理结合。

二、课程教学实践

在实践教学中，由于课程的特殊性，传统课堂教学的方式不足以应付该课程的需要［4］，因此课程采用实践性教学，转变教学模式和考核模式，以期满足课程教学目的。

（一）教学模式转变

首先，课程进行了教学模式的转变。本课程主要目的在于激发学生在“航空航天+人工智能”领域的学习兴趣，自主探索航空航天应用的数据驱动建模方法。因此课程不再完全以教师课堂授课的方式进行，而是先在课堂授课中完成基本概念，数据驱动建模方法的讲解，然后进行实践性教学，以Tello无人机作为平台，让学生亲自动手实操，完成数据采集、数据可视化分析等环节，并结合翻转课堂的形式，由学生自行讲解自己的编程思路和方法，如图1所示，学生能在实践中完成数据思维的认知和数据驱动建模的一般方法，并能为学生进一步自主探索提供知识基础。

其次，为了使学生了解人工智能在航空航天领域中具体应用案例和场景，课程中还邀请具体领域的专家，以专题形式给学生讲解人工智能在航空航天领域的应用案例，为学生自主探索提供了方向借鉴，如图2所示部分专题讲座。

同时课程由于特殊性，无法通过32个学时完成所有内容的讲解，在课程建设中，还补充了大量的学习资料和案例库（见图3），供学生自主学习使用。学生可以在完成本课程学习的基础上，不断自主探索，自主学习。

（二）考核模式转变

课程更加重视学生实践动手的过程，以学生实践为主，结合学生实践表现评判学生对基本概念和一般方法流程的掌握情况。实践环节中，以学生操作无人机为主，考核环节首先考查学生完成情况，即主要目的为学生完成所有要求的动作环节作为基础考核，而后以学生自主投票的方式产生最佳表现的学生，即刻给予奖励，以激发学生的学习热情。课堂授课结束后，布置迷你小项目（由授课教师科研过程中积累的实践项目中的内容简化提取而来），供学生实践操作，学生采用线上答辩的方式完成汇报，并最终以论文/报告形式撰写，如图4所示。

教学实践表明，在无人机飞行中所有学生均能完成实践部分的基本练习，并且学生还自行尝试了很多课堂中未介绍的功能。对于迷你小项目，学生根据课堂所学，并结合自学资料和网络资源，自主研究了课堂没有介绍过的机器学习方法，甚至有学生直接参考最新的学术文献将相关方法应用于迷你小项目，取得了不错的效果。这一方面反映了学生对于该课程的兴趣，另一方面也展示了通过合理地设置实践性环节，能够达到培养学生自主学习的教学目的，为学生在该领域的深入学习和研究夯实了基础。

三、困难与解决思路

实践教学面临诸多困难，首先学生学习自主性区别较大，对于习惯于传统课堂教学的学生来说，对课程进度的把握和后续自主学习阶段难以持续跟进。针对该问题，解决方法是一方面提升课程的趣味性，比如在讲授基础理论、方法的时候，直接配合Jupyter Notebook强大的交互式功能，实时演示理论、方法的结果，并让学生自主尝试修改参数观看结果、促进理解。另外在实践过程中也全力耐心解答学生的问题。其次，在教学过程中发现当前的人工智能和大数据以Python编程语言作为主要工具，而部分学生并未接触过该语言，而课程也无法完整讲解编程语言的使用方法，因此在课程教学过程中，补充了配套的Python自学材料。更重要的方面，课程需要不断提升配套建设丰富的工程实践案例库，以满足实践性教学的目的和保持课程的前沿性，对教师的要求更高。如何从实际项目中抽取简化为学生可理解、可操作的迷你小项目，将影响课程教学效果，而由于课程需要紧密结合工程实践，必须不断更新课程内容，因此本课程教学创新要求教师具备持续的探索精神，极大增加了授课教师的工作量，目前由于课程开课时间较短，这方面的素材积累还较为有限，有待后续进一步完善。后续教学中将进一步综合人工智能和数据思维的基本知识、无人机实操和开放性迷你项目，从理论到实践完整实现“航空航天+人工智能”的深度融合，真正让学生学以致用。

结语

“人工智能+X”课程的教学模式在我国现有的课程体系中尚处于探索阶段，尚无成熟的教学模式可供借鉴。围绕“航空航天大数据智能设计”课程开展的实践性教学授课模式尝试，以加强学生实践能力和培养学生自主学习的自驱力为基础，在课程教学中采用学生“编程实操无人机”和“开放性迷你项目”相结合的方式，配套课程考核模式的转变，通过实践激发学生的学习兴趣，同时将数据思维的认知方法传达给学生，完善学生个人知识体系。本课程的实践性教学环节对学生自主学习和教师不断创新均有促进作用，同时该实践性教学的尝试也为“航空航天+人工智能”相关课程开设提供了参考。

参考文献

［1］黄健.从终身教育的视角解读《中国教育现代化2035》［J］.教育与教学研究，2020，34（8）：1-2.

［2］葛行军，李嵩，刘冬.研究生前沿课程实践性教学探索：以国防科技大学“脉冲功率技术”课程为例［J］.高等教育研究学报，2023，46（3）：98-101.

［3］黄淋云，林文斌，苏玉洁.“人工智能+X”创新型人才培养模式的教学改革探讨［J］.中国现代教育装备，2022（9）：147-149.

［4］程伟丽.应用型人才为导向的“一体两翼”实践性教学模式构建：以建筑工程质量管理教学为例［J］.教育教学论坛，2020（18）：277-278.

Exploration of Practical Teaching in the Aerospace Big Data Intelligent Design Course

ZHU Guang-ya， GAO Yi-sheng， CHEN Wei-jian， CHEN Zhao-lin

（College of Aerospace Engineering， Nanjing University of Aeronautics and Astronautics， Nanjing， Jiangsu 210000， China）

Abstract： Aerospace big data intelligent design is a newly established course for aerospace students at Nanjing University of Aeronautics and Astronautics in the context of new engineering requirements， and it is also a new exploration of cultivating future talents in the field of “aerospace + artificial intelligence”. In order to strengthen students’ practical abilities and cultivate their self-directed learning abilities， a practical teaching form has been introduced in this course teaching. The combination of students’ “drone programming” and “mini projects” has been adopted， and the practical assessment mode of the supporting course has enabled students to stimulate their interest in learning this subject in practice. At the same time， the cognitive methods of data thinking are conveyed to students， improving their personal knowledge system， and the ability to use data-driven modeling methods to solve practical engineering problems in the foreseeable forefront of aviation and aerospace in the future. The practical teaching section of this course not only benefits students， but also puts forward higher requirements for the comprehensive quality of teachers and the establishment of relevant practical case resource libraries， which will be conducive to the improvement of teachers’ comprehensive teaching ability.

Key words： practical teaching; Intelligent Design of Aerospace Big Data; mode transformation; drone operation