Nuevo modelo probabilístico mejora la precisión de los sensores virtuales industriales

Investigadores de la Línea de Modelado y Control de Procesos del Instituto de Automática (INAUT, CONICET – UNSJ), en colaboración con Jiangnan University y Tongji University (China), presentaron un nuevo artículo titulado “Semi-Supervised Probabilistic Learning Networks for Industrial Soft Sensors”, publicado en la revista Engineering Applications of Artificial Intelligence (Elsevier, 2025).
El trabajo aborda uno de los principales desafíos en el desarrollo de sensores virtuales industriales: mejorar la precisión en la estimación de variables críticas cuando se dispone de datos parcialmente etiquetados. Los denominados soft sensors basados en aprendizaje profundo suelen enfrentar tres limitaciones esenciales: la dificultad para inferir variables latentes a partir de covariables, las inconsistencias entre las distribuciones probabilísticas teóricas y sus implementaciones prácticas, y la escasez de datos etiquetados que restringe el desempeño predictivo.
El artículo introduce una red de aprendizaje probabilístico semi-supervisada (SS-PLN) que combina de forma eficiente datos etiquetados y no etiquetados. El enfoque se apoya en la formulación de un problema de optimización como objetivo de aprendizaje, en la representación de distribuciones probabilísticas mediante media y covarianza, y en la integración de redes supervisadas y no supervisadas dentro de un único marco unificado.
La validación experimental se llevó a cabo en procesos industriales de cristalización de azúcar y fabricación de acero. Los resultados demostraron un aprovechamiento más eficiente de los datos no etiquetados, un incremento significativo en la precisión de las predicciones y un desempeño superior respecto de otros métodos semi-supervisados recientes.
El modelo SS-PLN constituye un avance en la integración de técnicas probabilísticas y de aprendizaje profundo aplicadas al desarrollo de sensores virtuales industriales, favoreciendo sistemas de monitoreo más robustos, precisos y escalables.
Referencia:
Semi-Supervised Probabilistic Learning Networks for Industrial Soft Sensors. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S0952197625021633
Autores: Xudong Shi, Ronghuan Li, Humberto Morales, Adriana Amicarelli, Wangya Huang y Weili Xiong.