Soft sensing: hoe software grootheden 'meet' die geen sensor kan zien

Bijgewerkt: 6 augustus 2026 · 7 min leestijd

Stel je voor: een operator bij een bierbrouwerij wil precies weten hoeveel suiker er op elk moment nog in een gistingstank zit, zonder steeds een monster te nemen en naar het lab te sturen. Een fysieke sensor die het suikergehalte in troebele, gistende vloeistof continu en betrouwbaar meet, bestaat eigenlijk niet — of is duur en storingsgevoelig. Toch kan de operator dit cijfer wél continu op zijn scherm zien verschijnen. Dat komt door iets dat 'soft sensing' heet: een softwareprogramma dat het suikergehalte niet meet, maar berekent uit andere signalen die wél makkelijk te meten zijn, zoals temperatuur, druk en de hoeveelheid CO2 die vrijkomt.

Soft sensing — ook wel virtuele sensor of inferentiële sensor genoemd — is dus geen apparaat dat je ergens inbouwt, maar een wiskundig model dat 'meet' met behulp van gegevens die er al zijn. De term 'soft' staat tegenover 'hard': een hardware-sensor registreert een fysiek signaal (temperatuur, druk, licht), terwijl een soft sensor met rekenkracht en historische data een grootheid schat die anders alleen met trage, dure of destructieve laboratoriumtests te achterhalen is. Het is geen nieuwe hype-technologie, maar een decennia oude discipline uit de procesindustrie die dankzij kunstmatige intelligentie een nieuwe impuls krijgt.

Wat is het precies?

Een fabriek of installatie zit vol hardware-sensoren: thermokoppels die temperatuur meten, drukopnemers, flowmeters voor doorstroomsnelheid, en elektrodes die pH of geleidbaarheid registreren. Deze signalen zijn goedkoop, snel en betrouwbaar te verzamelen. Sommige grootheden zijn echter veel lastiger te meten: de exacte samenstelling van een mengsel, de kwaliteit van een eindproduct, de hoeveelheid biomassa in een bioreactor, of de resterende capaciteit van een batterij. Om die te bepalen is vaak een laboratoriumanalyse nodig die minuten tot uren duurt, of een dure specialistische sensor die snel vervuilt of kapotgaat.

Een soft sensor lost dit op door een wiskundig verband te leggen tussen de moeilijk meetbare grootheid en de signalen die wél continu beschikbaar zijn. Dat verband kan op drie manieren tot stand komen. Bij een first-principles model wordt gebruikgemaakt van bekende natuurkundige en chemische wetten, zoals massa- en energiebalansen, om de onbekende waarde af te leiden. Bij een data-gedreven model wordt in plaats daarvan gezocht naar statistische patronen in historische meetgegevens: welke combinatie van temperatuur, druk en debiet hoorde in het verleden bij welke labwaarde? Klassieke technieken hiervoor zijn regressiemethoden als partial least squares (PLS) en principal component analysis (PCA), die sinds de jaren negentig veel gebruikt worden in de procesindustrie. Steeds vaker worden hiervoor ook machinelearningmodellen ingezet, zoals neurale netwerken, random forests of — voor tijdreeksen — recurrent netwerken (LSTM's), die complexere en niet-lineaire verbanden kunnen leren. Een derde, hybride aanpak combineert beide: een fysisch model voor de grote lijnen, aangevuld met een datagedreven correctie voor details die de natuurkunde niet volledig vangt.

Om zo'n model te bouwen, verzamelt men historische data waarin de moeilijk meetbare grootheid wél af en toe direct is bepaald, bijvoorbeeld via een laboratoriumsteekproef. Die steekproeven dienen als 'grondwaarheid' waarmee het model getraind en gevalideerd wordt. Eenmaal getraind, berekent de soft sensor continu een schatting, ook tussen de schaarse labmetingen door. Een verwante, oudere techniek is het Kalman-filter, in 1960 beschreven door de Hongaars-Amerikaanse wiskundige Rudolf Kálmán. Dit filter combineert een dynamisch model van een systeem met ruizige metingen om voortdurend een optimale schatting van een onbekende toestand te geven, en wordt sindsdien toegepast in navigatie, ruimtevaart en — relevanter hier — in soft sensors.

Wat wil men ermee bereiken?

Het belangrijkste doel van soft sensing is continuïteit: veel productieprocessen worden pas echt goed bestuurbaar als er een ononderbroken signaal is, in plaats van een steekproef die één keer per uur of dag beschikbaar komt. Regelsystemen die een proces automatisch bijsturen, hebben voortdurend actuele informatie nodig; een labresultaat van een uur geleden is voor realtime bijsturing vaak al verouderd.

Daarnaast spelen kosten en snelheid een grote rol. Laboratoriumanalyses kosten geld, tijd en mankracht, en sommige metingen zijn destructief — het monster is na de test niet meer bruikbaar. Dure specialistische sensoren kunnen soft sensors soms goedkoper vervangen of aanvullen. Ook veiligheid is een motivatie: soms is directe meting fysiek lastig of gevaarlijk, bijvoorbeeld diep in een chemische reactor onder hoge druk en temperatuur, terwijl afgeleide grootheden aan de buitenkant wel goed te meten zijn.

Tot slot biedt soft sensing een vangnet: wanneer een fysieke sensor uitvalt of fout gaat meten, kan een soft sensor als reservewaarde of controlemiddel dienen om afwijkingen te signaleren. In de context van voorspellend onderhoud helpen soft sensors bovendien om slijtage of degradatie in te schatten uit indirecte signalen, zodat onderhoud tijdig kan worden gepland.

Voorbeelden uit de praktijk

Olieraffinaderijen en destillatiekolommen. In de petrochemische industrie is dit een van de oudste en meest wijdverbreide toepassingen. Raffinaderijen gebruiken al sinds de jaren negentig zogeheten inferentiële sensoren om de samenstelling van een productstroom uit een destillatiekolom continu te schatten op basis van temperatuurprofielen, druk en debiet, in plaats van te wachten op een gaschromatografie-analyse die tientallen minuten kan duren. Softwareleverancier AspenTech, gespecialiseerd in procesindustrie-software, biedt al decennialang commerciële pakketten voor dit soort inferentiële modellen.

Farmaceutische productie. In 2004 introduceerde de Amerikaanse toezichthouder FDA het Process Analytical Technology (PAT)-initiatief, met als doel productiekwaliteit te bewaken tijdens het proces zelf in plaats van achteraf op basis van steekproeven. Dit initiatief gaf een flinke impuls aan soft sensors in de farmaceutische industrie, waar ze onder meer worden gebruikt om celdichtheid of eiwitconcentratie in bioreactoren te schatten uit signalen als zuurstofverbruik, pH en spectroscopische metingen.

Chipfabricage. In de halfgeleiderindustrie bestaat het begrip 'virtual metrology': het schatten van de kwaliteit van een siliciumwafer op basis van procesparameters van de machine, in plaats van elke wafer apart fysiek te meten. Omdat fysieke metingen tijdrovend zijn en de doorvoersnelheid in een chipfabriek vertragen, onderzoekt en gebruikt de sector dit sinds de jaren 2000, mede gestimuleerd door onderzoeksconsortium SEMATECH.

Waterzuivering. Rioolwaterzuiveringsinstallaties gebruiken soft sensors om moeilijk continu meetbare grootheden zoals de ammonium- of stikstofbelasting van het effluent te schatten op basis van goedkopere, robuustere metingen zoals zuurstofgehalte, pH en redoxpotentiaal. Dit helpt waterschappen om beluchting energiezuiniger te sturen, wat relevant is omdat beluchting doorgaans de grootste energiepost van een zuiveringsinstallatie is.

Batterijmanagement in elektrische voertuigen. De 'State of Charge' (resterende laadtoestand) en 'State of Health' (resterende capaciteit ten opzichte van nieuw) van een batterij zijn niet direct meetbaar; ze worden geschat uit spanning, stroom en temperatuur met behulp van Kalman-filters of, recenter, neurale netwerken. Vrijwel elk batterijmanagementsysteem in elektrische auto's bevat zo'n soft sensor, en onderzoeksgroepen zoals die van de universiteit van Oxford publiceren actief over verbeterde schattingsmethoden.

Hoe ver is de techniek?

Het fundament van soft sensing is allerminst nieuw: de klassieke, op statistiek of fysica gebaseerde varianten zijn al tientallen jaren gemeengoed in de procesindustrie en zitten standaard ingebouwd in regelsoftware van grote automatiseringsbedrijven. Dat deel van de technologie is volwassen en breed bewezen.

Wat wél sterk in ontwikkeling is, is de machinelearninggeneratie van soft sensors. Sinds ongeveer 2015-2020 verschijnen er in vakbladen steeds meer studies naar diepe neurale netwerken die complexere, niet-lineaire processen beter kunnen schatten dan klassieke statistische modellen. Deze aanpak worstelt echter nog met een aantal praktische obstakels.

Ten eerste hebben machinelearningmodellen veel historische, kwalitatief goede trainingsdata nodig, terwijl fabrieken vaak juist relatief weinig gelabelde labmetingen hebben. Ten tweede verandert een productieproces in de loop van de tijd — sensoren vervuilen, katalysatoren verouderen, grondstoffen wisselen — waardoor een eenmaal getraind model geleidelijk minder nauwkeurig wordt, een probleem dat in de vakliteratuur 'concept drift' heet en periodiek hertrainen noodzakelijk maakt. Ten derde zijn met name diepe neurale netwerken lastig te doorgronden: in streng gereguleerde sectoren zoals de farmacie of chemie willen toezichthouders en operators kunnen begrijpen waaróm een model een bepaalde waarde voorspelt, en dat maakt zogeheten 'black box'-modellen minder aantrekkelijk dan transparantere statistische methoden.

Kortom: de basistechniek is beproefd en op grote schaal in gebruik, terwijl de AI-gedreven variant zich nog in een fase van actief onderzoek en voorzichtige industriële opschaling bevindt.

Wie werken eraan?

Aan de commerciële kant zijn het vooral de grote leveranciers van industriële automatisering en procesindustrie-software die soft sensor-functionaliteit aanbieden binnen hun regel- en monitoringsystemen, waaronder Siemens, ABB, Honeywell, Yokogawa, Schneider Electric en het gespecialiseerde AspenTech.

Aan de onderzoekskant is soft sensing onderdeel van het bredere vakgebied 'process systems engineering'. In Nederland doet onder meer de TU Delft, met de onderzoeksgroep Delft Center for Systems and Control, werk op het raakvlak van procesregeling en schattingstechnieken, en werkt Wageningen University & Research aan soft sensors voor bioprocessen zoals fermentatie. In België is de KU Leuven met haar bioprocestechnologie-onderzoek actief op dit terrein. Internationaal publiceren onderzoeksgroepen aan onder meer McMaster University (Canada) — van oudsher sterk in statistische procesregeltechnieken — en diverse Amerikaanse en Aziatische technische universiteiten veel in dit veld.

De ontwikkeling van AI-gedreven soft sensors wordt daarnaast gevoed door de bredere 'Industry 4.0'-beweging, waarin fabrieken hun bestaande sensordata combineren met machine learning om processen slimmer te sturen — een trend die zowel door technologiebedrijven als door nationale en Europese onderzoeksprogramma's wordt gestimuleerd.