软传感器:当您将对工业流程的深刻了解与对现代人工智能工具的深刻理解相结合时，您将获得什么
什么是软传感器?
软传感器是当硬件传感器不可靠或不可用时的推断估计器。软传感器用于操作员决策支持、维护和控制目的。软传感器的另一个应用是取代或支持需要更频繁校准的昂贵分析仪，从而降低成本。软传感器和其他在线分析仪一样，需要经常校准。然而，与大多数硬件传感器不同，校准可以远程完成，操作不需要技术提供商现场校准和维护仪器，节省了成本和时间，这对于远程操作尤为重要。传统的软传感器主要基于线性和物理模型，而现代机器学习技术为改进常用的软传感器带来了机会，并提供了传统方法无法开发的新型软传感器。
开发先进的软传感器需要结合对过程、挑战和机遇的深刻了解以及对现代人工智能工具的深刻理解。该技能集可以通过流程工程师、控制专家和数据科学家组成的集成团队来提供。
部署先进的软传感器并不是一个没有风险的解决方案。如果数据不能涵盖所有的操作条件，仅依靠数据驱动的工具来开发软传感器会带来不可预见的挑战。此外，在大多数情况下，不存在具有适当大小和粒度的完美数据库。因此，从定义问题、发现和/或构建有用的数据库到开发模型、测试和部署解决方案，主题专家(sme)的参与对于帮助数据科学家在所有开发阶段都是至关重要的。
协作是如何发生的?下面是一步一步的介绍
1.它从问题定义开始。数据科学家和中小企业需要使用相同的语言，以所有利益相关者都能理解的术语来定义项目。数据科学家应该了解软传感器的需求是什么，以及用户如何应用它来推断KPI。另一方面，中小企业需要了解开发软传感器的方法，以便提供正确的输入。一旦双方达成了相互理解，他们就需要将项目分解为多个范围，并定义成功的衡量标准。测量成功与否取决于软传感器的精度和可靠性。
2.接下来是数据准备和理解变量、延迟、偏差、测量误差等之间的关系。了解变量之间的关系是防止误导数据科学家和在下一步选择正确的建模工具所必需的。
3.这就把我们带到了下一步:建模。根据选择的建模方法，中小企业将有不同的输入。例如，在开发基于深度学习的软传感器时，中小企业可以帮助定义不同的基于知识的归纳偏差(一组预测输出的假设)。然而，主要的贡献可能是混合建模，即物理模型与机器学习模型的结合。中小企业可以开发物理模型或带领团队使用合适的物理模型。有几种类型的混合建模。这些模型可以分为以下几类:
·补充:一方可以纠正另一方。
·嵌入式:一个模型可以嵌入到另一个模型中。
·代理:一方作为另一方的代理。
·互补:解决方案可以是两者的结合。
·集成输出:一个模型的输出可以作为另一个模型的输入。
·结构模拟:一个模型可以从另一个模型中绘制。
4.数据科学家有统计指标来验证模型的性能。然而，选择正确的度量标准需要中小企业的确认。此外，中小企业可以使用其他工具和指标(如模拟)验证机器学习或混合模型结果。在这个阶段，团队应该决定模型性能是否在准确性和可靠性方面满足要求。然后，他们可以决定向前推进并部署解决方案，或者返回并改进模型。
5.部署解决方案是下一步，需要大量的工作和其他涉众的参与。在这个阶段应该考虑数据可访问性、兼容性和安全性，以及系统架构、解决方案位置、用户体验、报告和定义的响应过程。
6.最后，校准和支持:与其他传感器一样，软传感器的校准需要通过自动校准方法或由中小企业完成。先进的软传感器很大程度上依赖于数据。因此，在某些情况下需要重建模型，特别是当流程发生重大变化并且历史数据不代表当前条件时。
本着创新的精神，我们所做的一切，行业应该利用先进的软传感器，以克服主要关键绩效指标的不足可见性，并进一步将其用作决策支持的工具。
阿里Vazirizadeh
数据科学全球实践领导
阿里在研究和工程方面拥有超过15年的经验，专门从事人工智能和机器学习。他通过设计和优化项目、咨询和研究带来了对数据科学、技术和创新解决方案开发的深入了解。