过程工厂的运营绩效已成为实现经济和环境目标的主要指标。这个指标现在比以往任何时候都更为重要。一般情况下，良好的运营绩效是一个不断改进过程的结果。因此，好的绩效会带来更高的成本效益、更好的产能效果和更少的生产损失，以及符合环保和安全法规，使过程的运行实现最佳化。

　　另一个在过程工业出现的持续变化是过程工厂的大仪表和数字化现象，导致的结果是大量的数据被记录和存储。虽然这些数据现在已经用于过程工厂的底层控制和监视，但这些数据的潜在价值和用途还远远没有得到充分体现和开发。

　　然而，利用这些隐藏的信息是不容易的，需要使用先进的工具对它们进行挖掘才能实现。其中一种重要的工具就是软传感器，这就是这篇文章的中心话题。软传感器有可能开启一个过程工业卓越运营的新时代，因为实施的成本相对较低，所需要开发的数据已经存在，所需要的技术也已经可用。

　　本文是一种通用性的技术和应用介绍。对软传感器(Soft Sensor：也称软仪表)的技术和今天正在使用的情况做一个简要概述。

　　软传感器技术

　　工业过程工厂通常要使用大量的传感器。传感器的主要目的是为过程监视和控制提供数据。然而，约在二十年前，研究人员开始利用过程工业中测量和存储大量的数据，建立基于这些数据的预测模型。在过程工业的背景下，这些预测模型被称为软传感器。这个词是一个组合词，包含了软件，因为模型是一种计算机程序;包含了传感器，因为这些模型类似于硬件传感器，能够提供现场数据。其他同义的公共术语是：推理传感器和虚拟在线分析仪--这像它们在六西格玛环境中的称谓。

　　在一般层面上，我们可以把软传感器分为两种不同的类型，即模型驱动型和数据驱动型(见图1)。虽然也有一些模型驱动的软传感器基于扩展的卡尔曼滤波器或自适应观测器，最常见的软传感器家族都基于第一原理模型(FPM)。第一原理模型描述了过程的物理和化学背景。这些模型的开发主要用于过程工厂的规划和设计，因此通常侧重于过程理想状态的描述。这是也使它们很难变为实用的软传感器。作为一种解决方案，数据驱动型软传感器的应用越来越普及。

　　数据驱动型软传感器最流行的建模技术是主成分分析(PCA)结合回归模型(主成分回归 - PCR)，偏最小二乘法(PLS)，人工神经网络(ANN)，神经模糊系统(NFS)和支持向量机(SVM)。

　　软传感器完成任务的范围非常广泛。软传感器的最占主导地位的应用领域是对过程变量的预测，这些变量要在低采样率或只通过离线分析才能确定。因为这些变量往往关系到过程输出的质量或过程的其他关键方面，使得它们对过程的控制和管理是非常重要的。由于这些原因，用更高的采样率和/或用较低的财务成本，能提供这些变量额外的信息具有极大的价值，而这正是软传感器的特长。应用于这类软传感器的监督学习方法既有统计学习方法也有计算学习方法。这类软传感器应用领域进一步扩展到在线预测。

　　软传感器的其他重要应用领域是过程监视和过程故障检测。这些任务还涉及到过程状态检测，一旦离开正常条件出现偏差，需要能够识别偏差源。传统上，过程状态由过程工厂控制室中的操作员来监视。过程状态的观察和解释通常基于单变量统计，这要依靠操作员的经验，要找出特定变量间的关系并作出关于过程状态的决定。过程监视软传感器的作用是：根据历史数据，建立多变量属性，然后与过程状态的描述相关。为了显示预测过程状态或多变量属性，软传感器要支持操作员界面，允许他们更快、更好、更有目的的做决定。过程监视软传感器通常基于主成分分析(PCA)和自组织映射(SOM) 。图2显示了所讨论的数据驱动传感器的应用范围和对每种应用最常用的技术。