Méthodologie fondée sur les données pour construire des modèles mathématiques de systèmes dynamiques à partir de données d'entrée‑sortie mesurées en choisissant une structure de modèle (paramétrique ou non), en estimant des paramètres et en validant la performance prédictive pour l'application visée (commande, prédiction, diagnostic).

Principe

Avec une excitation suffisamment informative et une structure de modèle appropriée, l'estimation de paramètres minimise l'écart entre sorties mesurées et sorties simulées tout en équilibrant complexité et capacité de généralisation ; l'identifiabilité et la validation déterminent si le modèle estime de manière fiable la dynamique pertinente pour l'usage.

Démonstration

Scénario illustratif — Situation : Des ingénieurs doivent concevoir un contrôleur latéral pour un véhicule aérien sans pilote. Reconnaissance : Un modèle de plante est requis mais la dérivation par premiers principes est impraticable. Action : Appliquer des commandes de gouverne persistantes, enregistrer vitesse de lacet et dérapage, ajuster un modèle linéaire paramétrique (espace d'état ou ARX), valider par cross‑validation et vérifier l'absence d'autocorrélation des résidus. Conséquence : On obtient un modèle validé pour la commande ; en cas d'échec, il faut revoir l'instrumentation ou la conception de l'expérience.

Mauvaise application

Surajuster un modèle complexe à des données finies bruitées ou utiliser une excitation insuffisante laissant des dynamiques clés non sollicitées. L'erreur sémantique consiste à confondre une bonne adéquation sur les données d'entraînement avec un modèle prédictif valide ; sans validation et contrôle de l'identifiabilité, le modèle peut échouer en exploitation.

Conséquence

Bien menée, l'identification produit des modèles pour la prédiction, la synthèse de contrôleurs et le diagnostic ; des modèles mal identifiés entraînent des performances médiocres, une robustesse réduite ou des diagnostics trompeurs, pouvant provoquer instabilité ou dommages en boucle fermée.

Inversion

Si le système est fortement variant dans le temps, non stationnaire ou fondamentalement non observable avec les capteurs disponibles, l'identification hors ligne standard doit être remplacée par des méthodes adaptatives, estimation en ligne, refonte de l'expérience ou augmentation de capteurs pour obtenir des modèles utilisables.

Limite

Clairement inclus : estimation d'une fonction de transfert LTI SISO avec excitation persistante et validation indépendante. Cas frontière : tenter d'identifier des non‑linéarités lentes ou la dynamique d'actionneurs à partir de jeux de données courts où l'identifiabilité dépend de la conception expérimentale. Clairement exclu : chercher à identifier états internes non observables d'un processus purement stochastique à partir d'enregistrements de sortie bruités sans hypothèses supplémentaires.

Tension sémantique

Compromis biais‑variance et coût‑information — augmenter la complexité réduit le biais mais accroît la variance et le coût expérimental ; il faut arbitrer précision du modèle, risque de surajustement, durée d'essai et limites d'instrumentation.

Synthèse

L'identification de système convertit le comportement mesuré en modèles mathématiques utilisables, mais sa réussite exige une conception d'expérience intentionnelle, un choix de structure et une validation ; sans cela, l'ajustement de données peut se faire passer pour compréhension.