Introducción: El desafío de medir lo inconmensurable

El control proporcional-intérprete-Derivativo (PID) sigue siendo la columna vertebral de la automatización industrial, se encuentra en todo desde reactores químicos y centrales de energía a los brazos robóticos y sistemas HVAC. Su popularidad duradera se deriva de su simplicidad, robustez y registro de pistas probado. Sin embargo, los controladores PID sólo son tan buenos como las señales de retroalimentación que reciben.

Entrar sensores virtuales]—también conocidos como sensores de software o sensores suaves. Estos son modelos algorítmicos que estiman variables de proceso no aseguradas o difíciles de medir utilizando datos de otros sensores disponibles y modelos de procesos. Proporcionando una estimación fiable y continua de la variable de interés, sensores virtuales pueden mejorar dramáticamente el rendimiento de los sistemas de control PID, permitiendo una mejor estabilidad,

¿Qué son los sensores virtuales?

Un sensor virtual no es un dispositivo físico sino una construcción matemática que infiere una variable de proceso de otras mediciones y conocimiento de proceso. El concepto está arraigado en la teoría de estimación del estado y ha estado alrededor durante décadas, pero los avances recientes en el aprendizaje de la máquina, la disponibilidad de datos y la potencia de cálculo lo han hecho mucho más accesible y preciso.

Cómo funcionan los sensores virtuales

En su núcleo, un sensor virtual toma entradas de uno o más sensores físicos (más señales de control o datos históricos) y aplica un modelo para predecir la variable de destino. El modelo puede basarse en:

  • Modelos de primer principio: Derivado de leyes físicas (saldos de masa/energía, termodinámicas, cineastas). Estos son exactos cuando el proceso es bien entendido pero pueden ser complejos y costosos.
  • ] Modelos basados en datos: Usando regresión, redes neuronales, máquinas vectoriales de soporte u otras técnicas de aprendizaje automático formadas en datos históricos. Son flexibles y pueden captar relaciones no lineales sin requerir una profunda visión física.
  • Modelos de Hybrid: Combinando ambos enfoques para aprovechar la comprensión física utilizando datos para ajustar los parámetros residuales o inciertos.

Una vez entrenado y validado, el sensor virtual funciona en tiempo real (o en tiempo real) junto a los sensores físicos, proporcionando una estimación que puede ser utilizada para la vigilancia, control o detección de fallas.

Tipos de sensores virtuales

Los sensores virtuales pueden clasificarse por su propósito:

  • Sensores inferenciales: Estimar una variable de calidad (por ejemplo, composición de producto) que es difícil de medir en línea utilizando proxies fáciles de medir (por ejemplo, temperatura, presión, flujo).
  • Sensores de redundancia: Proporcionar una estimación de respaldo de una variable ya medida, ayudando a detectar la deriva del sensor o el fallo.
  • Sensores de detección y aislamiento por defecto (FDI): Estimar los residuos o indicadores de salud para diagnosticar fallas en sensores o actuadores físicos.
  • Sensores predictivos: Pronostica los valores futuros de una variable, permitiendo potenciar el control de alimentación o predictivo modelo.

Cómo los sensores virtuales mejora el control PID

Los controladores PID generan una salida de control basada en el error entre un punto de ajuste y la variable de proceso medido. La calidad de esa medición afecta directamente el rendimiento de control. Los sensores virtuales mejoran los bucles PID de varias maneras distintas.

1. Reducción de ruido y filtración de señales

Los sensores físicos suelen recoger ruido eléctrico, vibración o turbulencia de flujo. Un sensor virtual puede fusionar múltiples señales ruidosas para producir una estimación más suave y fiable. Alternativamente, el sensor virtual en sí puede diseñarse con un filtro de baja velocidad integrado que no introduce el retraso de fase como un filtro analógico tradicional. Por ejemplo, en un circuito de control de flujo, combinando una señal de rendimiento ruidoso o de válvulas más

2. Indemnización por la drifa del sensor y la falla

Con el tiempo, los sensores físicos se derivan debido a la pérdida de calibración, la manipulación o el envejecimiento. Un sensor virtual bien diseñado puede detectar la deriva (al comparar su salida con el sensor físico) y alertar al operador o cambiar automáticamente a la estimación virtual cuando la señal física se desvía más allá de un umbral. Este control de tolerancia predeterminado asegura que el bloqueo de PID siga funcionando de forma segura

3. Medición de variables inaccesibles

Muchos bucles PID están diseñados para controlar una variable que no puede medirse directamente. Por ejemplo, en un reactor de agua hirviendo, la fracción de vacío (burbujas de vapor) afecta la moderación de neutrones y por lo tanto la potencia del reactor, pero es poco práctico medir la fracción de vacío en cada canal de combustible. Un sensor virtual puede estimar la fracción de vacío de la temperatura, presión y lecturas de flujo de neutrones, proporcionando una señal de retroalimentación para un sistema de control de energía basado en PID que no tendría medidas directas.

4. Respuesta dinámica mejorada

Los sensores físicos tienen retrasos en el tiempo debido a la inercia térmica, los retrasos en el transporte o los tiempos de integración de medición. Un sensor virtual, especialmente el que incorpora un modelo de proceso, puede proporcionar un valor estimado con menos retraso, "pronosticando" efectivamente el valor actual. Esto reduce el retraso de fase en el circuito de control, permitiendo al controlador PID utilizar un aumento mayor sin sacrificar la estabilidad.

5. Costo de Instrumentación Reducida

En muchas instalaciones, el costo de hardware de sensores de alta calidad (por ejemplo, cromatografías de gas, espectros de masa, monitores de radiación) es prohibitivo, especialmente para pequeñas y medianas empresas. Los sensores virtuales pueden estimar la misma variable utilizando sensores más baratos, más comunes (temperatura, presión, conductividad) con suficiente precisión. Esto permite un control avanzado de PID en aplicaciones donde el presupuesto de sensores es limitado.

Aplicaciones clave en sistemas complejos

Los sensores virtuales han encontrado una adopción generalizada en industrias donde los procesos son multivariables, no lineales o están sujetos a condiciones extremas. A continuación se presentan tres dominios ilustrativos.

Procesos químicos y polimerización

Este sensor de calidad de la historia de la FLT se convierte en el retroalimentación de un sensor de calidad más cercano al sistema de la FD. Este sensor de calidad de la FCI tradicional, que permite un control de calidad más estricto, se convierte en la retroalimentación de un controlador de PID que ajusta el sensor de calidad de catalizador o de un sensor de calidad de la FLT.

Generación de energía: Torbinas de gas y Ciclos de vapor

Las turbinas de gas operan a altas temperaturas y presiones donde los sensores físicos son propensos a falla. Un sensor virtual puede estimar la temperatura de entrada de turbina (TIT) de mediciones de presión de descarga de compresores, flujo de combustible y temperatura de gases de escape, una variable que de otro modo es demasiado caliente para cualquier sensor práctico. Los controladores PID que utilizan esa señal TIT virtual pueden regular el flujo de erosión para mantener condiciones de operación seguras y maximizar la eficiencia.

Vehículos aéreos y aéreos no tripulados (VNU)

En los sistemas de control de vuelo, ángulo preciso de ataque (AoA) y velocidad de aire son esenciales para los pilotos autos basados en PID. Los sensores AoA físicos son vulnerables a la localización, los escombros y los daños durante maniobras agresivas. Sensores virtuales que fusionan datos de unidad de medición inercial (IMU), velocidad GPS y mediciones estáticas de pitot pueden estimar AoA con alta fidelidad, proporcionando una señal de seguridad que mantiene el controlador des redundantes.

Consideraciones de implementación para sensores virtuales en los circuitos PID

Integrar un sensor virtual en un circuito de control PID no es simplemente cuestión de añadir un bloque de software. Los ingenieros deben abordar varios problemas prácticos para garantizar un funcionamiento seguro y fiable.

Model Development and Validation

La precisión del sensor virtual depende de la calidad del modelo y de los datos utilizados para construirlo.

  • Colección de datos: Los datos históricos deben cubrir el rango completo de funcionamiento, incluyendo los transitorios, el inicio/desintegración y las condiciones anormales. Los regímenes perdidos harán que el modelo extrapole mal.
  • Selección de características: Elegir las variables de entrada correctas es crítico. La información física ayuda, pero se pueden utilizar métodos automatizados como información mutua o regresión LASSO.
  • validación modelo: El modelo debe ser probado en datos no visibles y, idealmente, con un sensor físico dedicado durante un período de prueba. Las métricas como error cuadrado de raíz (RMSE) y el error absoluto máximo son estándar, pero para los propósitos de control, la ] trayectoria dinamica (cuán bien los cambios de las señales estimados

Supercabezamiento y Latencia Computacional

Los controladores PID funcionan en tiempo real, a menudo con tiempos de muestra en el millisecond a segundo rango. El modelo de sensor virtual debe ejecutarse lo suficientemente rápido como para proporcionar una estimación actualizada dentro de ese intervalo de muestra. Los modelos lineales y las redes neuronales simples (por ejemplo, poco profundas de alimentación) suelen estar bien; los modelos de aprendizaje profundo pueden requerir aceleración de hardware.

Manejo de modelo-Planta de error

Las condiciones del proceso cambian con el tiempo debido a la desactivación, la manipulación o cambios ambientales catalíticos. Un sensor virtual entrenado en datos antiguos puede llegar a ser poco exacto. Las estrategias positivas pueden ayudar:

  • Reentrenamiento periódico utilizando datos recientes.
  • Corrección de sesgo en línea: compare la salida del sensor virtual a una medición física cuando esté disponible (por ejemplo, de una muestra de laboratorio) y ajuste la estimación.
  • Técnicas de estimación Recursive (p. ej., filtros Kalman) que actualizan continuamente los parámetros del modelo.

Integración de Failsafe con PID

El sistema de control debe manejar el caso en que la salida del sensor virtual se vuelve incongruente (por ejemplo, debido a la pérdida de señales de entrada). Un enfoque típico es tener un mecanismo transferencia sin tropiezos]: cuando el sensor virtual es saludable, su salida alimenta el PID; de lo contrario, el sistema se vuelve a un valor de salida infalible o cambia al sensor físico (si está disponible).

Desafíos y limitaciones

A pesar de su promesa, los sensores virtuales no son una bala de plata. Los ingenieros deben estar conscientes de los siguientes obstáculos:

  • ] dependencia de datos:] Los sensores virtuales basados en datos requieren conjuntos de datos grandes y representativos. Si el proceso es nuevo o raramente operado a lo largo de su gama completa, es difícil construir un buen modelo.
  • ]Overfitting: Los modelos complejos (por ejemplo, redes neuronales profundas) pueden memorizar el ruido en el conjunto de entrenamiento, lo que conduce a una mala generalización. La regularización y la validación rigurosa son esenciales.
  • Explicabilidad: En las industrias reguladas (farmacéuticas, nucleares), los operadores pueden necesitar entender por qué un sensor virtual dio una estimación particular. Los modelos de caja negra pueden ser difíciles de justificar.
  • Cybersecurity:] Como los sensores virtuales son software, pueden ser vulnerables a los ciberataques. Un actor malicioso podría manipular los datos de entrada o el modelo mismo para causar estimaciones incorrectas, lo que conduce a acciones de control inseguro.
  • ]Mantenimiento de sobrecabezamiento: Los sensores virtuales requieren ciclos de monitoreo, reentrenamiento y actualización continuos. Sin especialización, pueden degradarse silenciosamente.

Instrucciones futuras: AI, Gemelos Digitales y Computación de Edge

La próxima generación de sensores virtuales será más potente y más fácil de implementar gracias a varias tendencias convergentes.

Aprendizaje profundo y aprendizaje autosupervisado

Mientras que los métodos lineales todavía dominan en la industria, el aprendizaje profundo —especialmente redes neuronales recurrentes (RNNs) y transformadores— puede capturar dependencias temporales complejas en datos de procesos. Las técnicas de aprendizaje autosupervisadas pueden preentrenar modelos sobre grandes cantidades de datos de procesos no etiquetados, luego ajustarlos para sensores virtuales específicos con datos etiquetados limitados. Esto reduce la carga de recoger mediciones de tierra costosas.

Gemelos digitales como plataformas de sensores virtuales

Un gemelo digital es un modelo completo de alta fidelidad de todo un proceso o activo. Puede servir como un sensor virtual maestro, proporcionando estimaciones de cada variable en el sistema, incluyendo las necesarias para los bucles PID. El gemelo digital también puede simular escenarios "si" y optimizar los puntos. La integración de los gemelos digitales con sistemas de control es un área activa de investigación; los primeros adoptadores reportan mejoras significativas en rendimiento y eficiencia energética.

Computación de bordes y aprendizaje federado

El funcionamiento de sensores virtuales en dispositivos de bordes (PLCs, gateways de bordes) reduce latencia y el uso de ancho de banda. El aprendizaje federado permite que varios nodos de borde colaboren en el entrenamiento de modelos sin compartir datos brutos, lo cual es ventajoso para procesos sensibles a la privacidad o propietarios. Este enfoque también permite la adaptación en tiempo real: el modelo de sensor virtual puede actualizarse localmente sobre datos recientes, luego consolidados en sitios.

Integración con control avanzado más allá del PID

Aunque este artículo se centra en PID, los sensores virtuales son complementos naturales al control predictivo modelo (MPC), donde un modelo de proceso se utiliza explícitamente para la optimización. Los sensores virtuales proporcionan las estimaciones estatales que MPC necesita. Podemos ver arquitecturas de control híbrido donde un bucle PID es supervisado por una capa MPC que aprovecha salidas de sensores virtuales, creando un sistema robusto y de alto rendimiento que combina la simplicidad de PID con el predictivo.

Conclusión

Los sensores virtuales han evolucionado desde un concepto académico nicho a una herramienta práctica que mejora el control de PID en sistemas industriales complejos. Al proporcionar una estimación más limpia, más fiable y a menudo más rápida de las variables clave del proceso, se abordan las limitaciones fundamentales de los sensores físicos: ruido, deriva, coste e inaccesibilidad. El resultado es una mayor precisión de control de inversión, mayor estabilidad y mayor resistencia a fallas de sensores.

Recursos externos: