Benchmarks de literatura revisada por pares — lo que la tecnología de soft-sensor logra en entornos industriales reales. Fuentes de terceros, cada una enlazada.
Química / Polimerización Las medidas de calidad del polímero solo están disponibles mediante análisis de laboratorio poco frecuentes y dependen de forma no lineal de las temperaturas del reactor y los caudales de alimentación.
Un control predictivo no lineal con un modelo de primeros principios (balances de materia con cinética, balance de energía) controla en lazo cerrado la calidad medida en laboratorio fijando el perfil de temperatura de los reactores.
Resultado clave: En uso continuo en producción desde octubre de 2012.
Fuente: Bindlish (Dow Chemical) — Computers & Chemical Engineering (2015) Celulosa y papel / Tisú El gramaje (g/m²) no se puede medir en tiempo real en la sección de tela de una máquina de tisú — solo aguas abajo, demasiado tarde para corregir.
Modelo híbrido: un modelo de primeros principios y una red convolucional 1D en paralelo; una red GRU pondera sus salidas según el régimen de operación.
Resultado clave: RMSE 2,12 g/m² (híbrido) frente a 2,68 g/m² (solo aprendizaje automático) y 4,72 g/m² (solo física), con 7 meses de datos industriales.
Fuente: Othen et al. — RWTH Aachen / Nordic Pulp & Paper Research Journal (2025) Petróleo y gas — Presión de fondo Los manómetros permanentes de fondo son caros y poco fiables en condiciones duras, pero la presión de fondo es clave para optimizar la producción y el aseguramiento del flujo.
Un soft sensor LSTM entrenado con medidas de cabeza de pozo y superficie; el aprendizaje por transferencia adapta el modelo a otros pozos y condiciones.
Resultado clave: MAPE siempre inferior al 2 % en datos offshore reales de la cuenca presal de Brasil.
Fuente: Fernandes et al. — arXiv (2026) Generación eléctrica — Emisiones de NOx La predicción de NOx en tiempo real es la base de la optimización de la combustión; las condiciones cambian con la carga y el combustible, y los modelos estáticos se degradan.
Aprendizaje just-in-time con random forest: un modelo local por predicción, seleccionado con un índice de similitud temporal y espacial, y una vigilancia de ventana móvil que activa las actualizaciones.
Resultado clave: R² = 0,93 en el conjunto de prueba; 99,7 % de las muestras con error absoluto inferior a 15 mg/m³ — mejor que los seis modelos de comparación.
Fuente: He & Ding — Sensors / MDPI (2024) Tratamiento de aguas residuales La DQO, los SST y E. coli requieren muestreo y análisis de laboratorio, por lo que no hay visión en tiempo real del tratamiento; los analizadores de DQO en línea son demasiado caros para sistemas in situ.
Soft sensors de aprendizaje automático con medidas en línea (turbidez, color, pH, NH₄⁺, NO₃⁻, conductividad). Se compararon cuatro algoritmos; SVR fue el mejor para la DQO y la regresión cubist para los SST.
Resultado clave: DQO: R² = 0,96 (SVR); SST: R² = 0,99 (cubist) — con 56 datos de un sistema de tratamiento in situ probado en campo; E. coli aún no se predijo de forma fiable.
Fuente: Shyu et al. (Univ. South Florida) — ACS Environmental Au (2023) Farmacéutica / Tecnología analítica de procesos (PAT) Los atributos críticos de calidad de los comprimidos — uniformidad de contenido, disolución, dureza — se miden tradicionalmente fuera de línea al final del lote, lo que impide la liberación en tiempo real (RTRT).
Los soft sensors infieren los atributos de calidad durante la fabricación a partir de instrumentos PAT en línea (NIR, Raman, difracción láser) y datos de proceso, dentro del marco PAT de la FDA.
Resultado clave: Revisión del estado del arte de la liberación en tiempo real de comprimidos; la guía PAT de la FDA existe desde 2004.
Fuente: Markl et al. — International Journal of Pharmaceutics (2020) Semiconductores / Metrología virtual Los pasos de metrología (espesor de capa, profundidad de grabado, punto final de CMP) son caros y poco frecuentes, lo que deja huecos de calidad entre medidas.
La metrología virtual predice la calidad tras el proceso a partir del estado del equipo y las variables de proceso, usando metrología real muestreada para entrenar y corregir los modelos.
Resultado clave: Revisión de dos décadas de literatura sobre metrología virtual: pasos genéricos, estado del arte y problemas abiertos.
Fuente: Maitra et al. — Expert Systems with Applications (2024) Automoción / Vehículos autónomos Los niveles de automatización más altos necesitan más sensores por vehículo — de 8 a 28 según el resumen del artículo —, con más coste, peso, consumo y puntos de fallo.
Los sensores virtuales sustituyen o complementan a los físicos y se validan en simulación del vehículo completo; la estimación de estado usa observadores de tipo Kalman y enfoques híbridos de aprendizaje automático.
Resultado clave: Mercado de sensores virtuales: 1.370 M USD (2025) → 5.350 M USD (2030), según Mordor Intelligence citado en el artículo.
Fuente: Barabás et al. — Sensors / MDPI (2025) 
