电极电导率传感器会以少数几种可预测的方式失效。当电流密度过高时，它会极化；随着电池常数因结垢或磨损而变化，它会发生漂移；当样品成分与补偿曲线所假设的不符时，其温度校正就会出错。虚拟传感器模型——基于工厂数据训练的软传感器——是在物理测量受损时保持有用电导率信号继续工作的一种方法。
Table of Contents
电极测量在哪里遇到困难
- 极化和电池常数漂移。 在高电导率下，电极间的电流密度上升，除非驱动频率和电池几何结构与量程相匹配，否则测量误差随之而来。四电极电池通过将载流电极和感测电极分开来解决部分问题。
- 结垢。 水垢、生物膜和油膜会改变有效电池常数。这种失效模式具有迷惑性，因为它是渐进的：读数在错误的同时仍显得合理。
- 温度补偿。 对于典型水体，电导率大约每°C上升2%。标准补偿曲线对天然水是很好的近似，但对浓缩盐水和非标准工业流体则很差，而这恰恰是测量被要求承担控制工作的地方。
- 化学侵蚀。 腐蚀性流体和CIP循环会随着时间推移使电极和密封件退化。
管线尺寸和安装也会增加问题：无论电子设备多好，安装在死支管中或带有气穴的水平管道中的电极都会读数不正确。
虚拟传感器实际上是什么
软传感器是一种模型，它从易于测量的变量来估计难以测量的变量。在电导率应用中，这意味着从相关的过程变量——温度、流量、pH、压差、加药速率以及相邻仪表的读数——再加上仪表自身的历史数据，来估计电导率（或对测得电导率的校正）。
有三种常见形式，在指定其中一种时这些区别很重要：
- 第一性原理模型。 围绕单元操作的质量和电荷平衡。它们能合理外推且透明，但需要工厂的化学性质已知且稳定。
- 数据驱动模型。 在历史数据库上训练的回归、PLS或神经网络。它们能很好地拟合局部行为，但当操作条件超出训练集时会无声地退化。
- 混合模型。 带有对残差进行数据驱动校正的物理模型。这是工业实践中通常有效的形式，因为物理项使模型在数据边缘保持合理，而数据项吸收现场特定行为。
具体到电导率，有用的第一性原理组件通常是混合或掺混模型——例如，从各股流的电导率和流量估计混合流的电导率——再加上针对温度和成分效应的数据驱动项。
软传感器在哪里增加价值
污垢检测和校准排程。 与其按固定日历进行校准，不如将测量值与模型估计值进行比较，并根据偏差采取行动。模型估计值不能替代校准，但两者之间持续存在的差距是一个很好的触发信号：它表明结垢、电极退化或补偿误差。在实践中，这将工作从常规校准转向有针对性的干预，并为每次干预产生有记录的原因。
关键点的冗余。 在电导率用于控制或合规回路的地方，与传感器并行运行的模型提供了交叉检查。当一管仪表空气或堵塞的样品管线使传感器失效时，模型可以让回路保持在安全的保持状态，而不是降级为手动。
电极无法存活的场合的覆盖。 安装不切实际的点——严重结垢的流体、无法隔离的点、临时测量——通常可以从相邻数据推断得足够好，用于趋势分析，即使不能用于合规。
软传感器不是什么
它们不是测量值。虚拟值没有计量溯源性，也无法满足指定方法的许可要求。它们不应用作合规记录，而一个悄悄将建模值替换进报告数据的工厂，制造的是审计问题，而不是解决了测量问题。
它们的好坏也仅取决于其所依据的相关性。在操作稳定且参数变化很小的应用中，模型没有什么可学习的：如果电导率除了传感器漂移时从不变化，模型就会学到传感器的漂移。候选应用往往是成分变化且多个独立测量对其有响应的流体——浓缩倍数变化时的冷却塔排污、回收率变化时的RO浓缩液，以及掺混或中和流体。
实施说明
数据前提条件。 一个具有一致时间戳、有记录的单位以及哪些读数是温度补偿的记录的历史数据库。基于来源不明数据构建的模型，在操作员第一次不同意它们时就会失去信任。
重新训练。 工艺条件会变化——新的膜元件、不同的阻垢剂、生产组合的变化——模型需要针对这些进行重新训练。像仪器维护一样为模型维护做预算，否则准确性会悄悄衰减。
部署位置。 云托管模型适合离线分析、报告和优化。馈入控制或保护逻辑的模型应位于边缘，这样在网络中断时它们仍能运行。许多工厂正是沿着这条线划分工作。
验证。 从训练中留出一段时间的数据用于测试。报告误差带，而不是单一准确度数字，并在每次重新训练后重新测试。
总结
虚拟传感器是对良好仪表的补充，而不是避免使用仪表的方法。它们能发挥价值的应用是那些条件多变、有多个相关测量，并且失去信号会带来实际成本的应用。在底层传感器安装和维护良好的地方，软传感器主要成为一个有用的不一致检测器——仅这一点通常就足以证明其努力是值得的，因为电导率测量中的渐进失效模式正是造成最大损害的那些。
