Universidad de las Fuerzas Armadas “ESPE”

Carrera de Ingeniería en Electrónica y Automatización

Departamento de Eléctrica, Electrónica y Telecomunicaciones

Control de Procesos

Investigación 2.1

Tema: Sensores Inferenciales

Docente: Ing. Hugo Ortiz

Estudiante: Bryan Pupiales

NRC: 9811

Fecha: 17/11/2021
1. Tema
Sensores Inferenciales
2. Introducción
En la industria, los procesos requieren la medición de variables de proceso para la
aplicación de estrategias de control. En algunos casos, dichas variables son de difícil
determinación por el elevado costo o el excesivo tiempo de análisis de laboratorio,
esto hace que esas variables sólo puedan medirse a intervalos de tiempo
prolongados. Para estas aplicaciones, generalmente se utilizan sensores inferenciales
o computacionales, los cuales estiman o infieren la variable de interés a partir de
variables de proceso medibles.
Los sensores inferenciales forman parte de las técnicas de detección virtual, también
llamadas detección suave o detección inferencial, se utilizan para proporcionar
alternativas viables o económicas a equipos de medición costosos o poco prácticos.
3. Desarrollo
En la industria actual, muchas variables dependientes que caracterizan la calidad del
producto final en un proceso, pueden ser difíciles de medir en tiempo real. Las
dificultades de medición pueden deberse a una variedad de razones, entre ellas:
1. Confiabilidad de los sensores en línea
2. Falta de sensores en línea apropiados instrumentación.
En estos casos las pruebas de laboratorio fuera de línea son el único medio para
determinar las mediciones de calidad del producto. Para lograr una medición de las
variables en tiempo real se utilizan sensores inferenciales.
Un sensor inferencial es un modelo matemático que relaciona variables de entrada
medibles con una o varias variables de salida. Éstos pueden desarrollarse sobre la
base de primeros principios, es decir, en ecuaciones físicas, termodinámicas, etc., o
pueden desarrollarse basados en datos, por ejemplo, mediante regresiones lineales,
no lineales, redes neuronales, entre otros. Sin embargo, estos sensores solo muestran
un desempeño aceptable cuando se utilizan en condiciones similares a las que
existían al momento de su calibración.
Por lo general la metodología a seguir se basa en que si una variable dada, { y } no
puede ser medida, debe ser relacionada o inferida usando un subconjunto de
variables adecuadas, {𝑥𝑖 , . . . . . . , 𝑥𝑛 } seleccionadas de un conjunto más grande de
variables candidatas. La exploración de variables adecuadas se realiza con el fin de
buscar una relación entre la variable a medir y las variables elegidas en forma de
una ecuación matemática
𝑦 = 𝑓({𝑥𝑖 , . . . . . . , 𝑥𝑛 })
De ésta forma se puede dividir al problema de la medición inferencial en tres sub-
problemas.
a) Recopilación y acondicionamiento de datos
El paso inicial es la identificación preliminar de variables candidatas
basándose en la experiencia y el conocimiento del proceso. Las variables
excluidas en esta etapa no serán consideradas en los siguientes pasos del
desarrollo de la correlación. Estas variables se eligen de datos recopilados
del proceso y las mediciones de las variables dependientes e independientes
se compilan en un conjunto de datos. Los datos a elegir deben ser
representativos de todas las condiciones de operación bajo las cuales el
modelo va a ser usado.
b) Selección de variables influyentes
Es importante que las variables independientes apropiadas sean elegidos
para desarrollar el modelo inferencial. El número de variables empleadas
influirá en el tamaño y la complejidad del modelo. No es recomendable usar
demasiadas variables independientes en desarrollo de correlación usando la
regresión lineal, ya que la adición de una variable a la predicción de la
ecuación de mínimos cuadrados casi siempre aumenta la varianza de la
respuesta predicha. Esto hace que la correlación sea muy sensible al ruido y
a pequeños cambios en un conjunto de datos altamente correlacionado, lo
que resulta en un modelo no robusto.
c) Desarrollo de correlación
A menudo, si la relación entre la variable dependiente y, y el subconjunto de
variables independientes, es lineal o ligeramente no lineal, el desarrollo de la
correlación se puede llevar a cabo usando regresión lineal como
mencionado anteriormente.
 Sin embargo, dentro de la mayoría de procesos existen no linealidades por lo
que se utilizan redes neuronales en desarrollo de correlaciones. Entre las
diversas redes existentes, las redes neuronales feedforward (FFNN) han
mostrado un gran potencial como base para la inferencia confiable en el
diseño de un modelo. Una limitación de los modelos FFNN es que requieren
una gran cantidad de datos porque están entrenados y pueden llegar a tener
sobreajustes. En estos casos se utiliza la validación cruzada. Aquí el original
conjunto de datos se divide en dos subconjuntos. Se utiliza un subconjunto
para entrenamiento mientras que el otro se usa para validación.
Otro método para el desarrollo de modelos de sensores inferenciales es el
análisis de componentes principales (PCA) se utiliza para solucionar
problemas de multicolinealidad. la idea central de PCA es reducir la
dimensionalidad de un conjunto de datos.
4. Conclusiones
 Los sensores inferenciales forman parte de las técnicas de detección virtual, también
llamadas detección suave o detección inferencial, se utilizan para proporcionar
alternativas viables o económicas a equipos de medición costosos o poco prácticos.
 Un sensor inferencial es un modelo matemático que relaciona variables de entrada
medibles con una o varias variables de salida. Se basa en ecuaciones de primeros
principios.
5. Referencias
[1] Sangoi E., Sanserverinatti C., Clementi. 2019. Adaptación automática de sensores
inferenciales un enfoque bayesiano
[2] Warne K., Parsad G., Rezvani S., Maguire L. 2004. Statistical and computational
intelligence techniques for inferential model development: a comparative evaluation and a
novel proposition for fusion