Góra

Soft sensory / wirtualne czujniki znające Twój proces

Soft-sensory — zwane też wirtualnymi czujnikami — łączą wiedzę o systemie z dostępnymi pomiarami, dostarczając wiarygodnych estymacji zmiennych trudnych do bezpośredniego pomiaru.

Potrzebujesz wirtualnego czujnika dla instalacji lub maszyny? Zacznij od Diagnostyki Zdalnej Wirtualnego Czujnika: 5 dni, 4 500 € cena stała, w pełni zdalnie.

Zarezerwuj 30-min rozmowę techniczną Co zawiera ↓

Czym są Soft Sensory / Wirtualne Czujniki?

Soft-sensor — zwany też wirtualnym czujnikiem — wykorzystuje matematyczny model procesu wraz z istniejącymi danymi pomiarowymi do obliczenia estymacji interesującej zmiennej. W odróżnieniu od fizycznego instrumentu, soft-sensor ani wirtualny czujnik nie wymaga dodatkowego sprzętu — działa jako oprogramowanie na istniejących systemach sterowania.

Architektura soft-sensora: wiedza o systemie + pomiary → algorytm estymacji → wyjście wirtualnego czujnika
Architektura soft-sensora / wirtualnego czujnika — dodawanie wiedzy o systemie do dostępnych pomiarów.

Rozwiązania problemów przemysłowych

Pomiar jest zbyt kosztowny

Problem

Analizatory jakości, lepkości lub składu kosztują 50 000–500 000 € i są współdzielone między wieloma strumieniami — jedynie okresowe próbki, nie ciągłe dane.

Rozwiązanie

Soft-sensor dostarcza ciągłych estymacji między próbkami analizatora, umożliwiając dokładniejsze sterowanie w czasie rzeczywistym.

Oprzyrządowanie nie może być zainstalowane

Problem

Przepływomierze w pozycjach zaworów, obciążenia cieplne w układach kriogenicznych lub momenty obrotowe w uszczelnionych napędach nie mogą być oprzyrządowane.

Rozwiązanie

Soft-sensor oblicza zmienną na podstawie skorelowanych pomiarów już obecnych w systemie.

Brak możliwości pomiaru bezpośredniego

Problem

Zmienne takie jak wskaźnik płynięcia polimeru, stężenie komórek lub aktywność katalizatora nie mają technologii sensorycznej in-line w czasie rzeczywistym.

Rozwiązanie

Soft-sensor wnioskuje te zmienne z mierzalnych proxy — temperatury, ciśnienia, przepływu, spektroskopii — używając modeli pierwszych zasad lub opartych na danych.

Awaria czujnika i redundancja

Problem

Krytyczne pomiary zawodzą podczas rozruchu, zakłóceń lub zabrudzenia. Pojedynczy punkt awarii w krytycznej pętli bezpieczeństwa jest niedopuszczalny.

Rozwiązanie

Soft-sensor łączy redundantne pomiary z wielu instrumentów, dostarczając odpornej na awarie estymacji ważnej nawet gdy poszczególne czujniki zawodzą.

Dokładność pomiarów

Problem

Dwa instrumenty mogą mieć komplementarne profile dokładności — jeden szybki, ale zaszumiony, drugi wolny, ale precyzyjny.

Rozwiązanie

Soft-sensor łączy oba sygnały przy użyciu teorii optymalnej estymacji, tworząc estymację jednocześnie szybką, precyzyjną i wolną od dryfu.

Technologia

Pomiary

Dokładne wymagania dotyczące czujników są określane indywidualnie. W większości przypadków istniejące oprzyrządowanie jest wystarczające — nie jest wymagany nowy sprzęt.

Modele

Modele kodują wiedzę o systemie wykorzystywaną przez soft-sensor. Złożoność waha się od prostych korelacji empirycznych do pełnych termohidrodynamicznych lub kinetycznych modeli dynamicznych. Specjalizujemy się w modelowaniu pierwszych zasad dla przemysłu procesowego i lotnictwa.

Algorytmy estymacji

Od liniowych obserwatorów (Luenbergera, filtr Kalmana) do algorytmów nieliniowych (rozszerzony filtr Kalmana, Unscented, estymacja horyzontu ruchomego). Wybór zależy od nieliniowości, mocy obliczeniowej i wymaganej dokładności.

Wyniki z mojej pracy

Zastosowania Przemysłowe i Opublikowane Wyniki Referencyjne

Dane z recenzowanej literatury naukowej — co osiąga technologia soft-sensorów w rzeczywistych środowiskach przemysłowych. Zewnętrzne źródła z linkami.

Chemia / Polimeryzacja

Wskaźniki jakości polimeru są dostępne tylko z rzadkich analiz laboratoryjnych i zależą nieliniowo od temperatur reaktora i natężeń zasilania.

Nieliniowe sterowanie predykcyjne z modelem z pierwszych zasad (bilanse masy z kinetyką, bilans energii) reguluje w pętli zamkniętej jakość mierzoną w laboratorium, ustalając profil temperatur reaktorów.

Kluczowy wynik: W ciągłej eksploatacji produkcyjnej od października 2012 r.
Źródło: Bindlish (Dow Chemical) — Computers & Chemical Engineering (2015)
Celuloza i papier / Tissue

Gramatury (g/m²) nie da się mierzyć w czasie rzeczywistym w części sitowej maszyny tissue — dopiero dalej, za późno na korektę.

Model hybrydowy: model z pierwszych zasad i jednowymiarowa sieć konwolucyjna równolegle; sieć GRU waży ich wyjścia zależnie od stanu pracy.

Kluczowy wynik: RMSE 2,12 g/m² (hybryda) wobec 2,68 g/m² (samo uczenie maszynowe) i 4,72 g/m² (sama fizyka), na 7 miesiącach danych przemysłowych.
Źródło: Othen et al. — RWTH Aachen / Nordic Pulp & Paper Research Journal (2025)
Ropa i gaz — Ciśnienie denne

Stałe czujniki wgłębne są drogie i zawodne w trudnych warunkach, a ciśnienie denne jest kluczowe dla optymalizacji wydobycia i zapewnienia przepływu.

Soft-sensor LSTM uczony na pomiarach z głowicy odwiertu i instalacji powierzchniowej; uczenie transferowe dostosowuje model do innych odwiertów i warunków.

Kluczowy wynik: MAPE stale poniżej 2 % na rzeczywistych danych offshore z brazylijskiego basenu podsolnego.
Źródło: Fernandes et al. — arXiv (2026)
Energetyka — Emisja NOx

Prognoza NOx w czasie rzeczywistym to podstawa optymalizacji spalania; warunki pracy zmieniają się z obciążeniem i paliwem, więc modele statyczne tracą dokładność.

Uczenie just-in-time z lasem losowym: lokalny model dla każdej prognozy, dobierany wskaźnikiem podobieństwa czasowo-przestrzennego, z monitoringiem w oknie ruchomym uruchamiającym aktualizacje.

Kluczowy wynik: R² = 0,93 na zbiorze testowym; 99,7 % próbek z błędem bezwzględnym poniżej 15 mg/m³ — lepiej niż wszystkie sześć modeli porównawczych.
Źródło: He & Ding — Sensors / MDPI (2024)
Oczyszczanie ścieków

ChZT, zawiesina ogólna i E. coli wymagają poboru prób i analiz laboratoryjnych, więc brak wglądu w czasie rzeczywistym; analizatory ChZT online są za drogie dla przydomowych oczyszczalni.

Soft-sensory z uczeniem maszynowym na pomiarach inline (mętność, barwa, pH, NH₄⁺, NO₃⁻, przewodność). Porównano cztery algorytmy; SVR najlepiej dla ChZT, regresja cubist dla zawiesiny.

Kluczowy wynik: ChZT: R² = 0,96 (SVR); zawiesina: R² = 0,99 (cubist) — na 56 punktach danych z przetestowanej w terenie oczyszczalni przydomowej; E. coli nie dało się jeszcze wiarygodnie przewidzieć.
Źródło: Shyu et al. (Univ. South Florida) — ACS Environmental Au (2023)
Farmacja / Procesowa technologia analityczna (PAT)

Krytyczne atrybuty jakości tabletek — jednolitość zawartości, uwalnianie, twardość — mierzy się tradycyjnie offline na końcu partii, co uniemożliwia zwalnianie w czasie rzeczywistym (RTRT).

Soft-sensory wyznaczają atrybuty jakości w trakcie produkcji z przyrządów PAT inline (NIR, Raman, dyfrakcja laserowa) i danych procesowych, w ramach wytycznych FDA PAT.

Kluczowy wynik: Przegląd stanu wiedzy o zwalnianiu tabletek w czasie rzeczywistym; wytyczne FDA PAT obowiązują od 2004 r.
Źródło: Markl et al. — International Journal of Pharmaceutics (2020)
Półprzewodniki / Metrologia wirtualna

Etapy metrologii (grubość warstwy, głębokość trawienia, punkt końcowy CMP) są drogie i rzadkie, przez co między pomiarami powstają luki jakościowe.

Metrologia wirtualna przewiduje jakość po procesie na podstawie stanu urządzenia i zmiennych procesowych, a próbkowane rzeczywiste pomiary służą do uczenia i korekty modeli.

Kluczowy wynik: Przegląd dwóch dekad literatury o metrologii wirtualnej: ogólne kroki, stan wiedzy i otwarte problemy.
Źródło: Maitra et al. — Expert Systems with Applications (2024)
Motoryzacja / Pojazdy autonomiczne

Wyższe poziomy automatyzacji wymagają więcej czujników na pojazd — od 8 do 28 według zestawienia w artykule — co zwiększa koszt, masę, pobór mocy i liczbę punktów awarii.

Czujniki wirtualne zastępują lub uzupełniają fizyczne i są walidowane w symulacji całego pojazdu; estymacja stanu wykorzystuje obserwatory typu Kalmana i hybrydowe podejścia uczenia maszynowego.

Kluczowy wynik: Rynek czujników wirtualnych: 1,37 mld USD (2025) → 5,35 mld USD (2030), według Mordor Intelligence cytowanego w artykule.
Źródło: Barabás et al. — Sensors / MDPI (2025)

Soft-Sensor / Wirtualny Czujnik vs Fizyczny Instrument

Bezpośrednie porównanie dla decyzji zakupowych i oceny wykonalności.

AspektFizyczny InstrumentSoft-Sensor / Wirtualny Czujnik
Koszt początkowy 50 000–500 000 € za instrument Tylko oprogramowanie — działa na istniejącym DCS/PLC
Instalacja Tygodnie do miesięcy (roboty budowlane, okablowanie) Dni do tygodni (integracja modelu)
Konserwacja Przestoje kalibracyjne, zabrudzenie Aktualizacja modelu — bez przestoju procesu
Pokrycie Jedna fizyczna lokalizacja na urządzenie Dowolna zmienna osiągalna przez model
Częstotliwość danych Okresowa (analizator: 1–2 h) lub punktowa Ciągła, synchroniczna z cyklem sterowania
Tryb awarii Twarda awaria — pętla otwarta Stopniowa degradacja — powrót do samego modelu

Projekty rozwojowe

Advanced Virtual Flow Meter

Programowe obliczanie przepływu w pozycjach zaworów na podstawie pozycji zaworu, ciśnienia i temperatury — bez fizycznego przepływomierza.

Więcej o wirtualnym przepływomierzu

Cyfrowy Wariometr SSDV12

Wysokoprecyzyjny czujnik prędkości wznoszenia/opadania dla pilotów paralotni poprzez fuzję danych ciśnienia, inercyjnych i GPS.

Więcej o wariometrze SSDV12

Fuzja sensorów i estymacja stanu — referencje

Moje prace nad estymacją tego, czego nie da się zmierzyć bezpośrednio: recenzowane publikacje i projekty przemysłowe.

Publikacje

2018 · Konferencja Super-short Term Wind Speed Prediction based on Artificial Neural Networks for Wind Turbine Control Applications Luna, J., Gros, S., Geisler, J., Falkenberg, O., Noga, R., Schild, A. IECON 2018 — 44th Annual Conference of the IEEE Industrial Electronics Society 2015 · Konferencja NMPC for superfluid helium cryogenics Noga, R., Ohtsuka, T., de Prada, C., Blanco, E., Casas, J. 5th IFAC Conference on Nonlinear Model Predictive Control. IFAC-PapersOnLine 48(23), pp. 440–445 2015 · Rozprawa doktorska Non-linear Model Predictive Control for cooling strings of superconducting magnets using superfluid helium Noga, R. University of Valladolid 2014 · Konferencja Non-linear moving horizon state estimation and control for the superfluid helium cryogenic circuit at the Large Hadron Collider Noga, R., de Prada, C., Ohtsuka, T., Blanco, E., Casas, J. 53rd IEEE Conference on Decision and Control (CDC), pp. 3530–3535

Projekty

  • CERN, kriogenika LHC — nieliniowa estymacja z ruchomym horyzontem stanu obiegu helu nadciekłego na podstawie nielicznych pomiarów ciśnienia i temperatury, w czasie rzeczywistym dla NMPC ze sprzężeniem od wyjścia, testowana w CERN.
  • IAV — nieliniowa estymacja stanu dla turbin wiatrowych dużej mocy, w ramach rozwoju modelowego i ekonomicznego NMPC.
  • SkySails Power — estymacja stanu dla zautomatyzowanego lotu latawców do pozyskiwania energii wiatru na wysokości.
  • Cyfrowy wariometr SSDV12 — estymacja prędkości wznoszenia przez fuzję pomiarów ciśnienia, inercyjnych i GPS.
  • Advanced Virtual Flow Meter — przepływ w miejscach zaworów estymowany z położenia zaworu, ciśnienia i temperatury, bez fizycznego przepływomierza.
  • Freelance — estymacja stanu i fuzja sensorów do sterowania lotem paralotni.

Pełna lista publikacji na noga.es →

Często zadawane pytania

Czym jest soft-sensor / wirtualny czujnik?

Soft-sensor to model programowy obliczający estymacje trudno mierzalnych zmiennych procesowych z istniejącej instrumentacji. Nie wymaga nowego sprzętu — działa na istniejącym systemie DCS lub PLC.

Czy muszę instalować nowe czujniki?

W większości przypadków nie. Soft-sensor korzysta z pomiarów już dostępnych w systemie sterowania. Dokładne wymagania są oceniane indywidualnie.

Jak dokładne są soft-sensory?

Dla dobrze oprzyrządowanych procesów z dobrym modelem pierwszych zasad typowe błędy estymacji wynoszą 1–5 %. Aplikacja kriogeniczna LHC w CERN estymowała 5 stanów termodynamicznych z 3 czujników ciśnienia.

Jak długo trwa projekt?

Zazwyczaj 4–12 tygodni od kickoffu do uruchomienia, w zależności od złożoności modelu i dostępności danych. 30-minutowa rozmowa o wykonalności wystarczy do określenia zakresu.

Co się dzieje, gdy proces zmienia się lub wykazuje dryf?

Dryf procesu — spowodowany zużyciem, zmianą surowców lub zmianą gatunku produkcji — jest najczęstszą przyczyną degradacji soft-sensora. Solidne wdrożenia obejmują monitorowanie zdrowia modelu (krocząca RMSE, wskaźniki dryfu), wyzwalacze retreningu i możliwość powrotu do poprzedniej wersji modelu. Dla procesów z częstymi zmianami trybu preferowane są modele adaptacyjne Just-In-Time (JIT).

Czy soft-sensor może zastąpić czujnik fizyczny w systemie instrumentowanym bezpieczeństwa?

Soft-sensory są bardzo wartościowe jako kanały doradcze, monitorujące i redundantne. Użycie ich jako jedynego środka pomiaru w funkcji bezpieczeństwa (SIF) wymaga wykazania deterministycznych trybów awarii, niezależności oraz pełnej zgodności z cyklem życia bezpieczeństwa wg IEC 61511. W praktyce stosuje się je jako uzupełnienie fizycznej instrumentacji bezpieczeństwa, a nie jej zastępstwo.

Bądź na bieżąco

Sporadyczne aktualizacje dotyczące metod soft-sensorów, studiów przypadków i nowych produktów. Bez spamu.

Konkretny punkt wejścia

Diagnostyka Zdalna Wirtualnego Czujnika

4 500 € cena stała · 5 dni · w pełni zdalnie

Zbudowałeś nową generację swojej maszyny — większą dla wydajności, prostszą dla kosztów. Przeniosłeś istniejące układy sterowania. Wirtualny czujnik nie nadąża za nową dynamiką.

5-dniowe zdalne wsparcie skoncentrowane na ocenie problemu sterowania procesem. Pracuję na podstawie Twoich danych z historiana i krótkich rozmów z Twoim zespołem, aby dostarczyć jasną, możliwą do wdrożenia diagnostykę — bez wizyty na obiekcie, bez długiego cyklu sprzedaży, bez zobowiązań co do większego kontraktu.

  • Przegląd procesu i identyfikacja wąskich gardeł na podstawie danych
  • Ocena kondycji pętli regulacji (oscylacje, nasycenie, opieszałość, zużycie zaworów)
  • Szybkie usprawnienia z realistycznymi szacunkami ROI
  • Zalecane podejście techniczne (APC/MPC, soft-sensory, optymalizacja)
  • Decyzja go/no-go dla PoC oraz wstępne oszacowanie nakładu i kosztów

Otrzymujesz: 1-stronicowe streszczenie dla zarządu + raport techniczny + 60-min Q&A.

Dostarczasz: minimum 1 tydzień danych z historiana, P&ID lub schemat, 1–2 krótkie rozmowy z operatorami/inżynierami, NDA podpisane przed jakąkolwiek wymianą danych.

Zarezerwuj 30-min rozmowę techniczną Najpierw 30-minutowa rozmowa techniczna — aby potwierdzić dopasowanie przed wystawieniem faktury.
Kontakt Design Patterns → MPC zamyka pętlę na estymacjach wirtualnego czujnika →

O nas

Soft-Sensor to specjalistyczna praktyka inżynierska prowadzona przez dr. Rafała Nogę — konsultanta APC/MPC z doświadczeniem w soft-sensorach i estymacji stanu dla przemysłu procesowego, kriogeniki i lotnictwa od 2007 roku.

→ Doradztwo APC i przemysłowa AI: noga.es