青县机箱厂即在离散时间非线性系统的当前工作点处引入一个动态的线性化模型以代替原系统，利用系统输入输出数据来估计线性化模型中的伪偏导数，在不需要研究对象数学模型的情况下实现自适应控制。参数与结构的在线自适应调整为无模型自适应方法的实际应用带来了便利，而且该方法计算量小，较适用于需要对系统进行模块化设计的情况。目前，比起其他理论体系相对完善的方法，无模型自适应方法仍在不断发展与完善中数据与模型相结合的方法与仅使用研究对象输入输出数据作为已知条件的纯数据方法不同，另一类基于数据的方法考虑将过程数据与特定的系统模型相结合，借助所引入模型在理论分析上的便利条件来满足设计要求。
　　数据与模型相结合的方法尤其适用于部分系统信息已知的应用背景，将有限的对象先验知识作为设计算法与利用过程数据的基础，再向二者结合后得到的算法中导入待查询的过程数据，从而求解得到所需的信息子空间辨识方法是一种典型的将过程数据与模型相结合得到的解析方法。与传统的辨识方法相比，子空间辨识方法无须进行参数化或选代优化，只需利用奇异值等简单的线性代数工具，青县机箱厂结合过程数据与残差产生器直接辨识得到观测器或控制器的参数，在该方法中，假设已知研究对象的形式为线性的状态空间模型，但具体的状态矩阵等系统参数是未知的。当测量得到一定量的输入输出数据后，可将系统状态变量和输出变量等整理为矩阵形式，在状态空间模型的相关理论基础上进行适当的处理例如对状态方程做参数化，对系统的关键参数辨识则通过基于数据的空间方式转化为对等价向量空间的辨识。
　　因此，子空间辨识方法既省去了模型辨识的环节，又保证了青县机箱厂系统的性能与精度，还可以进一步扩展至过程故障诊断和系统容错控制等领域此外，数据与模型相结合的研究方法还包括如选代反馈整定虚拟参考反馈整定等预先定义了算法结构的整定技术，它们在自动控制系统中应用广泛。迭代反馈整定方法利用系统的输入输出数据，基于梯度选代寻找控制器的优参数虚拟参考反馈整定方法则利用真实测量得到的输入输出数据构造控制器的虚拟输入和输出，基于虚拟数据辨识得到优的控制参数。具有类似思想的还有基于相关性分析的参数整定方法等，它们的区别主要在于性能指标的不同。尽管只需要系统的输入输出数据，不需要已知的系统模型，自动整定类型的方法存在共同的局限：算法或控制器结构只能预先给定，其选择合适与否会直接影响到整定的效果；自动整定属于离线工作方式，不能根据数据的动态变化进行自适应。