今年第三篇文章提出了一个闭环无激励系统辨识方法。工业界使用系统辨识建模的人非常注重测试数据的信息量。在模型预测控制（MPC）的工业项目中，为了得到足够的信息量，要对生产装置加入激励信号并运行足够时间，以提高数据的信噪比。对控制对象加激励信号并收集数据的过程叫辨识测试或阶跃测试。激励信号对生产来说是一种干扰，会增加被控变量的波动，这是辨识测试的成本。

搞系统辨识的人知道，在闭环控制的条件下，如果在控制器参数上做点手脚，不加激励信号也可保证数据的信息量，满足模型可辨识条件。我们的闭环测试方案是，测试时，在原有的控制器和一个品质更好的控制器之间切换。这样既保证了信息量（模型的可辨识性），还降低了被控变量的波动（提高了控制品质）。就是说我们把模型辨识的成本降成负数。

检验模型品质的一个方法是考察模型仿真误差的大小。该方法在开环加激励信号、单变量测试的场景下可用。控制界的神经网络建模方法主要使用模型的仿真误差决定模型质量。一般规则是：如果相对仿真误差接近0%，则模型非常精确；如果接近或大于100%，则模型完全错误。这种办法虽然直观，就算对开环辨识也只对单变量测试方法有效。对于闭环无激励辨识，可以很容易证明模型的相对仿真误差大于100%. 不知搞神经网络的同事如何解决这个问题。

文章见：Yun Zhu, Wengang Yan, Yucai Zhu (2021). MPC closed-loop identification without excitation. Journal of Process Control, Vol. 106, pp. 122-129.

MPC closed-loop identification without excitation-JPC.pdf