システム同定の理論と非線形モデルの構築手法

システム同定とは、あるシステムの入力データと出力データの計測値に基づき、その挙動を記述する数学的モデルを導き出す手法のことです。この技術は、産業プロセスや制御システムといった工学分野のみならず、経済データの分析、生物学、医学、社会システムなど、入出力の計測が可能なあらゆる領域で活用されています。

Key Facts

• システム同定は「データ収集」「モデルの仮定」「パラメータ同定」「モデル検証」の4段階で構成される。
• 非線形システムとは、重ね合わせの原理（線形性）が成立しないシステムを指す。
• 主要なアプローチには、ボルテラ級数、ブロック構造、ニューラルネットワーク、NARMAX、状態空間モデルがある。
• NARMAXモデルは、過去の入出力とノイズを明示的に扱うことで、複雑な非線形挙動を再現できる。
• 状態空間モデルは物理法則に基づき、観測不可能な内部状態を扱うことができる。

システム同定の基本プロセス

精緻なモデルを構築するためには、体系的なステップを踏む必要があります。まず不可欠なのがデータ収集です。ここでは適切なデータセットの選定から、キャリブレーション、前処理、データ管理までを行い、後のモデル構築のための基礎を作ります。

次に、どのような数学的構造を用いるかというモデルの仮定を行い、計測データを用いてパラメータ同定（係数の決定）を行います。最後に、得られたモデルが実際のデータと十分に一致しているかを確認するモデル検証を行い、モデルの妥当性を判断します。この検証プロセスを経て初めて、モデルに対する信頼性が得られます。

非線形システムへのアプローチとモデル形式

線形ではない、つまり重ね合わせの原理が適用できないシステムを「非線形システム」と呼びます。その多様な性質を捉えるため、歴史的に以下の5つの主要なモデルクラスが発展してきました。

1. ボルテラ級数モデル

線形畳み込み積分の拡張版であり、初期の非線形同定で主流となった手法です。入力の高次項を組み合わせた級数として出力を表現します。しかし、次数が上がるにつれて推定すべきパラメータ数が爆発的に増加するため、膨大なデータ量が必要になるという課題があります。また、ガウス白雑音のような特殊な入力が必要な場合が多く、実プロセスへの適用には制約がありました。

2. ブロック構造モデル

線形要素と静的な非線形要素を組み合わせた構成です。代表的なものに、非線形要素が先に来る「ハンマーシュタインモデル」、線形要素が先に来る「ウィーナーモデル」、あるいはそれらを組み合わせた「ウィーナー・ハンマーシュタインモデル」などがあります。これらは特定の構造を事前に仮定することで、データ要求量を抑え、個別のブロックを物理的な構成要素と結びつけやすい利点があります。

3. ニューラルネットワーク

脳の神経回路を模した単純な処理ユニットの集合体であり、強力な近似能力を持ちます。入力層、中間層、出力層を通じてデータを処理し、予測誤差を最小化するように重みを調整する「機械学習」によってモデルを構築します。動的なシステムを扱う場合は、過去の入出力を入力層に配置することで対応します。ただし、内部構造がブラックボックス化しやすく、物理的な意味付けや動特性の解析が困難であるという欠点があります。

4. NARMAXモデル

NARMAX（Nonlinear AutoRegressive Moving Average with eXogenous inputs）は、過去の出力、入力、およびノイズ項を用いて現在の出力を記述する包括的な枠組みです。ノイズを明示的にモデル化するため、相関の強いノイズが存在しても不偏な推定が可能です。カオスや分岐といった複雑な挙動も表現でき、単なる近似ではなく「システムを支配するルール」を明らかにすることを目指しています。

5. 確率的非線形状態空間モデル

物理法則（力学、電気、熱力学など）に基づき、観測できない内部状態（状態変数）を用いて記述するモデルです。外部からの不確実な乱れがシステムに影響を与える状況を適切に表現できます。計算負荷が高いものの、逐次モンテカルロ法や期待値最大化（EM）アルゴリズムを用いることで、パラメータ推定が行われます。

モデル手法の比較まとめ

非線形システム同定手法の特性比較

手法	主な特徴	メリット	デメリット/制約
ボルテラ級数	高次畳み込み積分の拡張	理論的基礎が強固	パラメータ数が膨大、特殊な入力が必要
ブロック構造	線形・非線形要素の直列結合	計算負荷が低く構造が明確	モデル構造の事前知識が必要
ニューラルネットワーク	多層的な処理ユニットの結合	極めて高い近似能力	内部構造が不透明（ブラックボックス）
NARMAX	過去の入出力とノイズの関数	複雑な動特性の再現、ノイズに強い	構造検出（項の選定）に工夫が必要
状態空間モデル	内部状態方程式による記述	物理的意味を持たせやすい	計算コストが高く解析的に困難な場合がある

Frequently Asked Questions

システム同定において「モデル検証」がなぜ重要なのですか？

構築した数学的モデルが、実際のシステム挙動を正しく再現しているかを確認するためです。検証を行うことで、モデルを信頼して制御設計や予測に利用できるか、あるいはモデルの仮定を修正してやり直すべきかを判断できます。

NARMAXモデルとニューラルネットワークの最大の違いは何ですか？

ニューラルネットワークは主にデータの近似（ブラックボックス的な予測）に優れていますが、NARMAXはシステムの構造検出を通じて、どのような項が支配的なのかという「ルール」を明らかにしようとする哲学に基づいています。

非線形システムとは具体的にどのような状態を指しますか？

「入力が2倍になれば出力も2倍になる」といった線形的な関係（重ね合わせの原理）が成り立たないシステムのことです。現実世界の多くの物理現象や生物学的プロセスは非線形な性質を持っています。

状態空間モデルで「状態」とは何を意味しますか？

システムの将来の挙動を決定するために必要な内部情報を指します。必ずしも直接計測できる物理量である必要はなく、数学的に定義された観測不可能な変数である場合が一般的です。