L`une des nombreuses applications possibles de l`identification du système est dans les systèmes de contrôle. Par exemple, c`est la base des systèmes modernes de contrôle pilotés par les données, dans lesquels les concepts d`identification du système sont intégrés dans la conception du contrôleur, et jeter les bases pour les épreuves formelles d`optimalité de contrôleur. Dans les applications de systèmes de contrôle, l`objectif des ingénieurs est d`obtenir une bonne performance du système en boucle fermée, qui est celui qui comprend le système physique, la boucle de rétroaction et le contrôleur. Cette performance est généralement obtenue en concevant la Loi de contrôle en s`appuyant sur un modèle du système, qui doit être identifié à partir de données expérimentales. Si la procédure d`identification du modèle est destinée à des fins de contrôle, ce qui importe vraiment, c`est de ne pas obtenir le meilleur modèle possible qui corresponde aux données, comme dans l`approche classique de l`identification du système, mais pour obtenir un modèle suffisamment satisfaisant pour la boucle fermée Performance. Cette approche plus récente est appelée identification pour le contrôle, ou I4C en bref. En conclusion, la question de savoir si un modèle est approprié pour la conception du contrôle dépend non seulement de la non-concordance usine/modèle, mais aussi du contrôleur qui sera mis en œuvre. En tant que tel, dans le cadre I4C, compte tenu d`un objectif de performance de contrôle, l`ingénieur de contrôle doit concevoir la phase d`identification de manière à ce que les performances obtenues par le contrôleur basé sur le modèle sur le système réel soient aussi élevées que possible. Le champ de l`identificationde système note a utilise des méthodes statistiques pour construire des modèles mathématiques de systèmes dynamiques à partir de données mesurées. [1] l`identification du système comprend également la conception optimale des expériences pour générer efficacement des données informatives pour le montage de ces modèles ainsi que la réduction du modèle. Dans le contexte de l`identification du système non linéaire Jin et coll. [8] décrivent la modélisation des Greybox en assumant une structure de modèle a priori puis en estimant les paramètres du modèle.

L`estimation des paramètres est relativement facile si la forme du modèle est connue, mais c`est rarement le cas. Alternativement, la structure ou les termes du modèle pour les modèles linéaires et hautement complexes non linéaires peuvent être identifiés à l`aide de méthodes NARMAX. [9] cette approche est complètement flexible et peut être utilisée avec des modèles de boîtes grises où les algorithmes sont apprêtés avec les termes connus, ou avec des modèles de boîtes complètement noires où les termes du modèle sont sélectionnés dans le cadre de la procédure d`identification.