過程工廠的運營績效已成為實現經濟和環境目標的主要指標。這個指標現在比以往任何時候都更為重要。一般情況下，良好的運營績效是一個不斷改進過程的結果。因此，好的績效會帶來更高的成本效益、更好的產能效果和更少的生產損失，以及符合環保和安全法規，使過程的運行實現最佳化。

　　另一個在過程工業出現的持續變化是過程工廠的大儀表和數字化現象，導致的結果是大量的數據被記錄和存儲。雖然這些數據現在已經用于過程工廠的底層控制和監視，但這些數據的潛在價值和用途還遠遠沒有得到充分體現和開發。

　　然而，利用這些隱藏的信息是不容易的，需要使用先進的工具對它們進行挖掘才能實現。其中一種重要的工具就是軟傳感器，這就是這篇文章的中心話題。軟傳感器有可能開啟一個過程工業卓越運營的新時代，因為實施的成本相對較低，所需要開發的數據已經存在，所需要的技術也已經可用。

　　本文是一種通用性的技術和應用介紹。對軟傳感器(Soft Sensor：也稱軟儀表)的技術和今天正在使用的情況做一個簡要概述。

　　軟傳感器技術

　　工業過程工廠通常要使用大量的傳感器。傳感器的主要目的是為過程監視和控制提供數據。然而，約在二十年前，研究人員開始利用過程工業中測量和存儲大量的數據，建立基于這些數據的預測模型。在過程工業的背景下，這些預測模型被稱為軟傳感器。這個詞是一個組合詞，包含了軟件，因為模型是一種計算機程序;包含了傳感器，因為這些模型類似于硬件傳感器，能夠提供現場數據。其他同義的公共術語是：推理傳感器和虛擬在線分析儀--這像它們在六西格瑪環境中的稱謂。

　　在一般層面上，我們可以把軟傳感器分為兩種不同的類型，即模型驅動型和數據驅動型(見圖1)。雖然也有一些模型驅動的軟傳感器基于擴展的卡爾曼濾波器或自適應觀測器，最常見的軟傳感器家族都基于第一原理模型(FPM)。第一原理模型描述了過程的物理和化學背景。這些模型的開發主要用于過程工廠的規劃和設計，因此通常側重于過程理想狀態的描述。這是也使它們很難變為實用的軟傳感器。作為一種解決方案，數據驅動型軟傳感器的應用越來越普及。

　　數據驅動型軟傳感器最流行的建模技術是主成分分析(PCA)結合回歸模型(主成分回歸 - PCR)，偏最小二乘法(PLS)，人工神經網絡(ANN)，神經模糊系統(NFS)和支持向量機(SVM)。

　　軟傳感器完成任務的范圍非常廣泛。軟傳感器的最占主導地位的應用領域是對過程變量的預測，這些變量要在低采樣率或只通過離線分析才能確定。因為這些變量往往關系到過程輸出的質量或過程的其他關鍵方面，使得它們對過程的控制和管理是非常重要的。由于這些原因，用更高的采樣率和/或用較低的財務成本，能提供這些變量額外的信息具有極大的價值，而這正是軟傳感器的特長。應用于這類軟傳感器的監督學習方法既有統計學習方法也有計算學習方法。這類軟傳感器應用領域進一步擴展到在線預測。

　　軟傳感器的其他重要應用領域是過程監視和過程故障檢測。這些任務還涉及到過程狀態檢測，一旦離開正常條件出現偏差，需要能夠識別偏差源。傳統上，過程狀態由過程工廠控制室中的操作員來監視。過程狀態的觀察和解釋通常基于單變量統計，這要依靠操作員的經驗，要找出特定變量間的關系并作出關于過程狀態的決定。過程監視軟傳感器的作用是：根據歷史數據，建立多變量屬性，然后與過程狀態的描述相關。為了顯示預測過程狀態或多變量屬性，軟傳感器要支持操作員界面，允許他們更快、更好、更有目的的做決定。過程監視軟傳感器通常基于主成分分析(PCA)和自組織映射(SOM) 。圖2顯示了所討論的數據驅動傳感器的應用范圍和對每種應用最常用的技術。