Begutachtete Benchmarks aus der Fachliteratur — was Soft-Sensor-Technologie in realen Industrieumgebungen erreicht. Drittquellen, jeweils verlinkt.
Chemie / Polymerisation Kennzahlen der Polymerqualität liegen nur aus seltenen Laboranalysen vor und hängen nichtlinear von Reaktortemperaturen und Zulaufraten ab.
Nichtlineare modellprädiktive Regelung mit First-Principles-Modell (Massenbilanzen mit Reaktionsgeschwindigkeiten, Energiebilanz) regelt die im Labor gemessene Qualität im geschlossenen Kreis über das Temperaturprofil der Reaktoren.
Kernergebnis: Seit Oktober 2012 im kontinuierlichen Produktionseinsatz.
Quelle: Bindlish (Dow Chemical) — Computers & Chemical Engineering (2015) Zellstoff & Papier / Tissue Das Flächengewicht (g/m²) ist in der Siebpartie einer Tissuemaschine nicht in Echtzeit messbar — erst später, zu spät für Korrekturen.
Hybridmodell: ein First-Principles-Modell und ein 1D-Faltungsnetz parallel; ein GRU-Netz gewichtet ihre Ausgaben je nach Betriebszustand.
Kernergebnis: RMSE 2,12 g/m² (hybrid) gegenüber 2,68 g/m² (nur maschinelles Lernen) und 4,72 g/m² (nur Physik), auf 7 Monaten Industriedaten.
Quelle: Othen et al. — RWTH Aachen / Nordic Pulp & Paper Research Journal (2025) Öl & Gas — Sohlendruck Permanente Bohrlochsensoren sind teuer und unter rauen Bedingungen unzuverlässig, der Sohlendruck ist aber entscheidend für Produktionsoptimierung und Flow Assurance.
Ein LSTM-Soft-Sensor, trainiert auf Bohrlochkopf- und Topside-Messungen; Transfer Learning überträgt das Modell auf andere Bohrungen und Betriebsbedingungen.
Kernergebnis: MAPE durchgehend unter 2 % auf realen Offshore-Datensätzen aus dem brasilianischen Pre-Salt-Becken.
Quelle: Fernandes et al. — arXiv (2026) Energieerzeugung — NOx-Emissionen Eine NOx-Vorhersage in Echtzeit ist die Grundlage der Verbrennungsoptimierung; Betriebsbedingungen ändern sich mit Last und Brennstoff, statische Modelle veralten.
Just-in-Time-Learning mit Random Forest: ein lokales Modell pro Vorhersage, ausgewählt über einen zeitlich-räumlichen Ähnlichkeitsindex, mit Moving-Window-Überwachung, die Aktualisierungen auslöst.
Kernergebnis: R² = 0,93 auf dem Testdatensatz; 99,7 % der Werte innerhalb von 15 mg/m³ absolutem Fehler — besser als alle sechs Vergleichsmodelle.
Quelle: He & Ding — Sensors / MDPI (2024) Abwasserbehandlung CSB, AFS und E. coli erfordern Probenahme und Laboranalyse, daher gibt es keinen Echtzeit-Blick auf die Reinigungsleistung; Online-CSB-Analysatoren sind für Kleinkläranlagen zu teuer.
Soft-Sensoren mit maschinellem Lernen auf Inline-Messungen (Trübung, Farbe, pH, NH₄⁺, NO₃⁻, Leitfähigkeit). Vier Algorithmen verglichen; SVR war für CSB am besten, Cubist-Regression für AFS.
Kernergebnis: CSB: R² = 0,96 (SVR); AFS: R² = 0,99 (Cubist) — auf 56 Datenpunkten einer feldgetesteten Kleinkläranlage; E. coli ließ sich noch nicht zuverlässig vorhersagen.
Quelle: Shyu et al. (Univ. South Florida) — ACS Environmental Au (2023) Pharma / Process Analytical Technology (PAT) Kritische Qualitätsmerkmale von Tabletten — Gehaltseinheitlichkeit, Freisetzung, Härte — werden traditionell offline am Chargenende gemessen, was eine Echtzeitfreigabe (RTRT) verhindert.
Soft-Sensoren leiten die Qualitätsmerkmale während der Herstellung aus Inline-PAT-Instrumenten (NIR, Raman, Laserbeugung) und Prozessdaten ab — im Rahmen der FDA-PAT-Leitlinie.
Kernergebnis: Übersicht zum Stand der Echtzeitfreigabe von Tabletten; die FDA-PAT-Leitlinie gilt seit 2004.
Quelle: Markl et al. — International Journal of Pharmaceutics (2020) Halbleiter / Virtuelle Metrologie Messschritte (Schichtdicke, Ätztiefe, CMP-Endpunkt) sind teuer und werden selten ausgeführt — zwischen den Messungen entstehen Qualitätslücken.
Virtuelle Metrologie sagt die Qualität nach dem Prozess aus Anlagenzustand und Prozessgrößen voraus; stichprobenhafte reale Messungen dienen zum Trainieren und Korrigieren der Modelle.
Kernergebnis: Übersicht über zwei Jahrzehnte Literatur zur virtuellen Metrologie: allgemeine Schritte, Stand der Technik und offene Probleme.
Quelle: Maitra et al. — Expert Systems with Applications (2024) Automobil / Autonome Fahrzeuge Höhere Automatisierungsstufen brauchen mehr Sensoren pro Fahrzeug — in der Übersicht des Artikels von 8 bis 28 —, was Kosten, Gewicht, Energiebedarf und Fehlerquellen erhöht.
Virtuelle Sensoren ersetzen oder ergänzen physische Sensoren und werden in der Gesamtfahrzeugsimulation validiert; die Zustandsschätzung nutzt Kalman-Beobachter und hybride Machine-Learning-Ansätze.
Kernergebnis: Markt für virtuelle Sensoren: 1,37 Mrd. USD (2025) → 5,35 Mrd. USD (2030), zitiert nach Mordor Intelligence.
Quelle: Barabás et al. — Sensors / MDPI (2025) 
