越来越多的行业正在寻找一种不使用传感器测量物理量（压力、温度……）的方法。
这种方法便是软传感器。
而软件传感器的挑战在于：如何在不测量物理量的情况下获得其值？
1. 什么是软传感器？
传感器是将观察到的物理量的状态转换为可用量的装置。例如，传感器将汽车的速度测量值转换为仪表盘上的显示值，供驾驶员使用。一般而言，传感器可分为两种：物理现实中的传感器与软传感器。
物理传感器是测量物理量的设备，例如：压力传感器（气压计）、 速度传感器（转速表）和温度传感器（温度计）等等。
而软传感器，也称为虚拟传感器，是软件的通用名称，其可以同时处理多个测量。通常，软传感器基于控制理论，有时也被称为 “观察者”，它是通过间接使用的，可能有数十个甚至数百个测量值。
软传感器在数据融合中特别有用，它将不同特性和动态的测量结合在一起。因此，软传感器可以用于故障诊断以及控制应用。典型的软传感器包括卡尔曼滤波器，而最新的软传感器会使用神经网络或模糊计算。
软传感器应用示例：卡尔曼滤波器用于估计位置、电动机速度估算器、使用自组织神经网络估算过程数据、过程控制中的模糊计算、食品质量评估。
综上所述，软传感器是一种利用其他传感器的信息来估计物理量的软件程序，而不是直接测量。
2.软传感器是如何运作的？
软传感器经常被用于在线估计，基于对硬件传感器的测量信号的分析，用软件实现数学模型。通常情况下，建模采用第一原理模型、回归模型或人工神经网络进行。软传感器已经成功地应用于大规模工业过程的监测和控制。
软传感器需要测量、模型和估计算法来工作。
测量：
由于软传感器技术的无限可能实现，对所需硬件的确切需求是逐一研究的。利用系统知识的优势，可以使用更经济的仪器来获得所需精度的测量。软传感器可以共享一些现有的硬件能力。
模型：
软传感器中使用的模型代表了系统的知识，这些知识被用来提高测量的质量。所需模型的复杂度取决于软传感器开发的目标和系统的复杂度，范围从无到数千个动态变量。
简单的模型只需要很少的计算能力来执行估计算法。如果是更复杂的模型，可能需要安装额外的计算能力。许多模型允许作为嵌入系统来实现。
这些模型可能是基于 1)有关过程变量的物理过程知识——即所谓的第一原理模型或白箱模型；2)从系统运行数据中确定，但对系统结构几乎没有洞察力——即所谓的黑箱模型；3)混合灰箱模型，合并前两种方法。
估计算法：
同样，在模型的情况下，可以应用广泛的估计算法来计算感兴趣的变量。从Lueneberger Observer或Kalman Filter等简单的线性滤波技术开始，到Extended Kalman Filter或Moving Horizon State Estimation等最先进的非线性估计算法，将软传感器的适用范围扩大到在频繁变化的工作点上运行的具有挑战性的高度非线性系统。
3.应用：从物理传感器到软传感器
软传感器为工业中遇到的许多问题提供解决方案，这些问题涉及可用性，成本，质量和测量的实用性。通过改进的过程控制，操作和故障检测，改进的措施可以提高产品或系统性能的质量。
在由于经济或技术限制（例如，空间不足，恶劣的环境条件，极端的操作条件）而无法使用经典仪器完全或频繁地测量这些变量的情况下，软传感器可提供所需的过程变量的估计值。这些估计值可以解决以下问题。
问题1：测量非常昂贵，因此只能定期执行。
解决方案：软传感器为变量提供连续的估计。
问题2：仪器过于昂贵且尚未安装，因此该过程更加难以控制。
解决方案：软传感器提供廉价的变量近似值估计值，从而改善了操作。
问题3：没有仪器可以直接测量感兴趣的过程变量，例如系统的热负荷。
解决方案：软传感器使用可用的测量值来提供变量的估计值，例如，结合系统动力学的知识以及冷却剂质量流量和系统温度的测量值来计算热负荷。
问题4：由于恶劣的条件或仅缺少空间，无法在目标位置安装任何仪器，例如，在目标位置没有放置温度计的地方。
解决方案：软传感器提供了变量的估计，使用在不同地点进行的测量，与感兴趣的地点相关联，例如，使用感兴趣点周围的温度知识和系统模型允许估计该地点的温度。
