1 システム同定の基本概念
1.1 用語と目的
1.1.1 モデル化対象（プラント）と入出力
システム同定でいうプラントは、制御対象・観測対象として取り扱う物理系や工学的プロセスを指す。モデル化にあたっては、入力として操作量や外乱に相当する信号、出力として観測される量（センサ値、応答データなど）を設定し、入力から出力へ至る関係を記述する。多くの場面では内部状態は直接観測できないため、入出力の時系列関係に基づいて力学的意味を持つ写像（線形写像、非線形写像、確率的写像）を推定する。
1.1.2 同定のゴール（予測・制御・理解）
同定の目的は、単に未来の値を当てることだけに限られない。代表的には、第一に予測精度の向上であり、未知の入力に対する出力応答を統計的に推定する。第二に制御設計への利用があり、モデルを用いて安定性や追従性能を評価しながらフィードバック則を組み立てる。第三に、システムの構造に関する理解であり、パラメータや伝達の特性から支配的なダイナミクスを把握することが挙げられる。実務ではこれらが同時に求められ、評価指標や許容誤差の設定が重要になる。
1.2 前提条件とデータ要件
1.2.1 入出力データの取得設計
同定の成否はデータ品質と取得計画に強く依存する。入力信号は、出力側の応答が十分に観測されるように設計する必要がある。具体的には、励振が偏っていると一部のモードが識別できず、推定が不安定になりやすい。サンプリング周期、計測帯域、信号対雑音比、入出力の同期精度も重要で、得られた時系列がモデル化の前提（離散化、遅れの無視可否、定常性の範囲）を満たしているかを確認する工程が含まれる。
1.2.2 ノイズ、未観測状態、遅れの扱い
観測には一般にノイズが含まれ、入力にも外乱やモデル化されていない作用が混在する。ノイズが出力のみか、入力にも混ざるか、さらに相関を持つかによって推定手法の適用可能性が変わる。未観測状態の存在は、状態空間モデルを用いる場合に観測器（推定器）による推定として扱われることが多い。一方、単に入出力データで回帰する場合でも、内部遅れを反映する項（タイムラグ）や遅延系のモデル化が必要になる。遅れを無視するとパラメータが歪み、残差にパターンが残って検証で不一致が露呈する。
1.3 モデルの種類の見取り図
1.3.1 線形モデルと非線形モデル
線形モデルは、入力と出力の関係を線形結合として表し、解析性や同定手順の整備が利点になる。伝達関数や状態空間表現、ARMA系などが代表で、操作範囲が限定された条件では有効である。非線形モデルは、飽和、摩擦、ヒステリシス、複雑な相互作用などで線形近似が破綻する場合に用いられる。非線形の表現方法は多様で、候補選択により推定計算の難易度や外挿性能が大きく変化するため、モデルクラスの選定が初期段階で重要になる。
1.3.2 構造既知と構造未知
構造既知とは、次数、遅れ構造、極・零の形、状態の意味などがある程度分かっている状況を指す。構造未知とは、モデルの“形”そのものが不明であり、データから構造も同時に推定する必要がある状態である。構造未知では、推定の自由度が増えるため過学習や識別性の問題が顕在化しやすい。そこで、情報量に基づくモデル比較、正則化、探索範囲の制約などを組み合わせ、妥当性を検証しながらモデルを絞り込むことが求められる。
2 モデリングの枠組み
2.1 周波数領域アプローチ
2.1.1 伝達関数の推定
周波数領域では、入力のスペクトルに対する出力の応答を周波数応答として扱う。伝達関数推定では、ゲインと位相の関係を推定し、周波数ごとの応答を整合させることでダイナミクスを記述する。データからは、スペクトル推定（平均化、窓処理）を介して周波数応答を得る流れになる。特に、励振が広帯域にわたっている場合には、広い周波数レンジでモデルの再現性を確認できる。得られた伝達関数が物理的な整合性（因果性、安定性）を満たすかをチェックすることも重要になる。
2.1.1.1 周波数応答と整合性の確認
推定した伝達特性は、時間応答への変換やシミュレーションによって整合性を確かめる必要がある。因果律を満たさない推定結果は、実現可能な応答を生成できない可能性を示す。また、位相の不連続やゲインの不自然な振る舞いは、ノイズや推定バイアス、窓関数の影響を反映している場合がある。したがって、周波数グリッド上の一致だけでなく、別データ区間での再生性能、時間領域での残差特性の確認へ接続することが推奨される。
2.2 時間領域アプローチ
2.2.1 離散時間モデル化
離散時間モデル化では、サンプリング点ごとの入力と出力の関係としてダイナミクスを表す。サンプル間の挙動を連続時間の厳密な意味で扱わない代わりに、離散化されたデータに直接整合する形でパラメータを推定できる。ARMAのようなモデル、離散時間の状態空間表現、差分方程式に基づく推定などが含まれる。計測周期が固定である場合に特に扱いやすく、現場実装に近い評価が可能になる。
2.2.2 連続時間モデル化
連続時間モデル化では、入力と出力の変化を連続時間のダイナミクスとして記述する。現象の物理解釈を重視する場合や、制御設計が連続時間の枠組みで行われる場合に適する。推定では、観測データを連続時間のモデルへ写像するため、離散化の影響（サンプリング遅れ、離散化近似）をどう扱うかが論点になる。推定後は離散化して実運用系へ接続することが多く、そのための整合性確保が必要になる。
2.3 状態空間表現
2.3.1 状態推定と観測器の考え方
状態空間表現では、内部状態を介した入力・出力関係としてモデルを記述する。状態は未観測であることが通常であり、観測出力とモデルの誤差に基づいて状態を推定する観測器（例：カルマンフィルタ系の発想）が用いられる。ここでは、モデル誤差と観測ノイズの統計特性を仮定し、更新則によって推定値と不確かさを同時に扱う。観測器を前提に置くことで、制御や予測に必要な内部変数の推定が可能となる。
2.3.2 次元削減とモデル次数の選択
状態空間モデルでは、状態次元を過大にすると推定が難化し、少なすぎると表現できないダイナミクスが残る。次元削減は、推定されたモデルの有効次数を絞り込むことで、計算負荷や汎化性能を改善する狙いを持つ。手法としては、寄与の小さいモードの削除、残差の形状からの妥当性判断、情報量基準による比較などが用いられる。最終的には、検証データに対する予測精度と、シミュレーション時の安定性・整合性の両面で選択することが望ましい。
3 推定・同定手法
3.1 最小二乗法とその拡張
3.1.1 線形回帰としての定式化
最小二乗法は、予測誤差の二乗和を最小化することでパラメータを推定する。多くの同定問題は、モデルを回帰式として書き直すことで線形回帰に帰着できる。例えば、未知係数が線形に現れるモデルでは、設計行列と観測ベクトルからパラメータが推定される。計算は比較的単純で、推定量の分散や不確かさの扱いも理論化されているため、基礎手法として広く利用される。
3.1.2 残差構造の違い（誤差の置き方）
最小二乗法の拡張では、誤差の定義（何を“誤差”として扱うか）が重要になる。出力誤差として扱う場合、モデルの出力に対する偏差を最小化する。一方、出力に加えて過去の誤差を含む構造（たとえばARMA的な考え）では、残差が自己相関を持つことがある。誤差をどこに置くかにより最適化問題の性質が変わり、単純な二乗和最小では望ましい推定にならない場合がある。したがって、モデル化仮定と残差の統計特性を一致させる必要がある。
3.2 構造化モデル（ARMA等）
3.2.1 AR・MA・ARMAの考え方
AR（自己回帰）は過去の出力（や状態の代理量）を用いて現在を説明し、MA（移動平均）は過去の誤差の寄与で現在を説明する。ARMAはこれらを組み合わせ、内部の相関構造を誤差系列とともに表現する。入出力を直接含む拡張としてARMAXや、状態空間へ整理できる形式も関連する。ARMA系は、線形時系列の予測に強みを持ち、推定アルゴリズムが整備されている点が利点とされる。
3.2.2 系数推定と検証の手順
ARMA系の推定では、次数設定、初期推定、再推定の手順がしばしば組み合わされる。係数推定後には、残差系列が白色性を持つか、分布の仮定と整合するか、入力との独立性が保たれているかを検証する。残差に強い自己相関が残る場合、次数が不足しているか、誤差の置き方が不適切である可能性がある。検証は単なる数値指標に留めず、残差の時系列構造を視覚的に確認することが実務上有効になる。
3.3 最尤推定・ベイズ推定
3.3.1 確率モデルと尤度
最尤推定では、観測がある確率分布に従うという仮定を置き、モデルが観測データを生む確率（尤度）を最大にするパラメータを求める。線形ガウス仮定の下では最小二乗と同等になることが多いが、ノイズが非ガウス、あるいは外れ値が多い場合には、最尤推定の枠組みがより柔軟になる。尤度の設計は推定量の性質に直結し、仮定が現実と乖離するとバイアスが生じるため注意が必要である。
3.3.2 事前分布と不確かさの反映
ベイズ推定では、パラメータに事前分布を置き、データに基づいて事後分布を更新する。これにより推定値だけでなく、未知性の大きさを確率分布として表現できる。正則化に相当する効果が働き、過学習を緩和することがある。さらに、予測区間や信頼性の定量化が容易になり、制御設計や安全性評価で重要になる。計算は一般により重くなるが、近年は数値手法や近似推論の発展により実用化が進んでいる。
3.4 機械学習を用いた同定
3.4.1 ニューラルネットワークによるモデル化
ニューラルネットワークを使った同定では、入力から出力への非線形写像を関数近似として学習する。損失関数の設計（誤差の定義、正則化、物理制約の有無）によって挙動が大きく変わる。データ依存性が強く、学習データ外での性能が保証しにくい点が課題となる。一方、非線形ダイナミクスが複雑な場合でも表現力があり、実験的なモデル化として有効である。
3.4.2 ハイブリッド（物理×データ）同定
ハイブリッド同定は、物理法則や構造的知見がある部分をモデルの骨格に組み込み、残る不確かさをデータで補う方法である。例えば、既知の線形部分に対して非線形補償器を学習したり、微分方程式の不確実係数だけを推定するなどの形がある。物理を取り込むことで外挿の破綻を抑えやすく、必要データ量を減らせる可能性もある。設計には、物理モデルの仮定と学習器の役割分担を明確にすることが求められる。
3.5 最適化の基礎
3.5.1 勾配法と学習の安定化
多くの同定手法は最適化問題として記述され、勾配情報を用いる手法が中心になる。学習の安定化には、学習率の調整、正則化、スケーリング、勾配爆発や消失への対策などが関係する。特に深いニューラルネットワークや非凸最適化では局所解や停滞が起きやすく、初期値やハイパーパラメータが結果に影響する。実務では、再現性のある設定と検証手順の整備が重要になる。
3.5.2 パラメータ初期化の影響
初期化は最適化の経路を左右し、到達する解の質や推定の安定性を変える。線形回帰系では閉形式により初期値依存が小さいこともあるが、非線形モデルやベイズ推論の近似計算では影響が顕著になる。良い初期値は探索空間を狭め、残差の改善が早期に進む傾向がある。初期化の設計は、単なる実験の試行に留めず、既存推定結果の利用、線形近似からの転用などを検討すると効率が高まる。
4 モデル選択・検証・実運用
4.1 モデル次数・構造の選択
4.1.1 情報量規準と相互検証
モデル選択では、次数や構造の自由度が増えるほど当てはまりは良くなりやすいが、汎化性能が低下するリスクがある。そこで、パラメータ数に対する罰則を導入する情報量規準（例：AICやBICの考え方）が使われる。相互検証では、データを分割し、学習に用いない区間での誤差を評価して比較する。時系列の場合にはシャッフルが難しいため、分割方法（前後関係を保った検証）が結果の解釈に影響する。
4.1.2 過学習の兆候と対策
過学習の兆候としては、学習データでは誤差が小さいのに検証区間で急に悪化すること、残差が検証側でモデル仮定と整合しないことが挙げられる。対策には、正則化、早期終了、モデル自由度の削減、追加データの収集が含まれる。さらに、学習対象区間の条件を揃える（励振範囲、運転モード）ことで、識別に必要な情報が欠けた状態で無理に学習することを避けることができる。
4.2 検証指標
4.2.1 予測誤差、シミュレーション誤差
検証指標は目的に応じて使い分ける必要がある。予測誤差は、与えた入力に対する出力の逐次予測の一致度を測る指標であり、将来予測に直結する。シミュレーション誤差は、モデルを閉ループまたは開ループで駆動し、内部状態更新まで含めた応答を比較する考え方に近い。シミュレーション誤差はモデルの整合性や安定性の影響を受けやすく、設計用途に応じた評価が望ましい。
4.2.2 モデル妥当性のチェック（残差・独立性）
モデル妥当性の検証では、残差が適切な統計性を持つかを確認する。具体的には残差に自己相関がないか、分散が入力に依存して極端に変動しないか、そして入力と残差の間に説明できない関連が残っていないかを調べる。これらが満たされない場合、モデル構造の欠落や誤差モデルの仮定違反が疑われる。指標の数値だけで結論を出さず、残差の時系列構造を追うことで原因の切り分けが可能になる。
4.3 データ品質と頑健性
4.3.1 外乱・飽和・非定常への対応
現場データでは外乱が系に混入し、入力が飽和して非線形応答が強まることがある。非定常性（運転条件のゆらぎ、温度変化、摩耗の進行など）が存在すると、同定したモデルが過去条件にだけ合い、将来で性能を落とす。対応策としては、外乱をノイズとして扱うだけでなく、識別に必要な励振設計や頑健な推定（重み付け、外れ値対策）を検討する。飽和はモデル内で非線形として表現するか、データ側で飽和領域を除外するなどの方針を取ることが多い。
4.3.2 欠測やサンプル不整合の扱い
欠測があると回帰の成立条件が崩れ、推定量が不安定になる。対策として、欠測部分の補間、欠測を確率モデルに組み込む方法、欠測を含む区間を検証に使わないといった運用設計がある。サンプル不整合は、入力と出力のタイミングずれ、計測遅延、異なるサンプリング周期の混在により生じる。これらは遅れ推定や同期補正によって軽減されるが、調整が不十分だと残差構造として現れるため、前処理の品質管理が重要になる。
4.4 制御・予測への接続
4.4.1 同定結果の活用（制御設計）
同定したモデルは、制御設計において安定性解析、追従性能評価、制御器の合成に利用される。モデルの不確かさが無視できない場合には、ロバスト設計や保守的な評価を採用し、性能劣化のリスクを管理する考え方がある。さらに、観測器を組み合わせることで状態推定と制御が同時に成立するように設計する場合も多い。重要なのは、制御用途に適した誤差指標や検証条件を事前に決め、同定段階の評価が設計段階へ自然に接続するようにすることである。
4.4.2 オンライン更新と再同定の考え方
オンライン更新は、運転中にデータが追加されることを前提に、モデルを逐次更新する枠組みである。再同定は、条件変化が大きくなった時点でモデルを作り直す運用に相当する。更新頻度は、計算コストと応答の遅れ、モデルの変化幅のバランスで決まる。更新に伴う不確かさの伝播も考慮し、制御性能が劣化しないように監視指標を設けることが実務上の要点となる。突然の逸脱を抑えるため、更新を段階化する設計（保守的更新、部分更新）も検討対象になる。