소프트 센서Soft Sensor
재기 어렵거나 결과가 늦게 나오는 품질 변수(성분 농도 · 순도)를, 늘 재는 공정 변수(온도 · 압력 · 유량)로 그 자리에서 추정하는 모델이다.
1요약
- 소프트 센서는 정유 · 화학 · 하수 · 제약 공정에서 보조 변수(온도 · 압력 · 유량)로 주 변수(성분 · 순도)를 1분 단위로 추정하는 모델로, 1978년 추론 제어(Joseph 1978)에서 출발해 지금은 PLS · 신경망 회귀가 그 위에서 돌며 그 출력이 제어기 · 감시 화면 · 분석기 대체 값으로 들어간다.
- 분석기 결과가 늦으면 제어는 지나간 공정을 보고 움직인다 — 공개 벤치마크인 정유 탈부탄탑은 가스 크로마토그래프가 다음 탑 위에 있어 측정 지연이 30 ~ 75분이고(Siddharth 2018), 본문의 합성 사례에서 분석기 마지막 값의 오차(RMSE 0.171 mol%)를 소프트 센서가 0.113 mol% 로 줄였다.
- 「소프트 센서가 안 맞는다」는 추정과 분석기 값의 어긋남이 시각 차이인가, 크기 차이인가로 가른다 — 모양은 같은데 앞뒤로 밀려 있으면 측정 지연 맞춤이 틀린 것이고, 어느 시점부터 한쪽으로 치우치면 학습 범위 밖 운전이라 모델 갱신으로 넘긴다.
2등장 배경
증류탑 하부 제품의 불순물 농도를 재는 가스 크로마토그래프는 시료를 뽑아 분석하는 데 수십 분이 걸리고, 실험실 분석은 교대 근무마다 몇 번뿐이다. 그 사이 원료가 바뀌면 운전원은 지난 결과를 보고 밸브를 움직이게 되고, 불순물이 규격을 넘은 제품이 결과가 나올 때까지 계속 나온다. 1978년 Joseph · Brosilow 는 재기 쉬운 보조 측정값(단 온도 등)으로 품질 변수를 추정해 그 추정값으로 제어하는 «추론 제어»를 정리했다(Joseph 1978).
2005년 Fortuna · Graziani · Xibilia 가 정유 탈부탄탑의 부탄(C4) 농도를 공정 변수 7개로 추정하는 소프트 센서를 냈고(Fortuna 2005), 2007년 책에 그 데이터와 황 회수 공정(SRU · 입력 5개 · 출력 H2S · SO2 · 1분 간격 10,081개) 데이터를 실어 지금도 공개 벤치마크로 쓰인다(Fortuna 2007 · Urhan 2019 3.1절). 2009년 Kadlec · Gabrys · Strandt 는 데이터 기반 소프트 센서의 쓰임을 온라인 예측 · 공정 감시 · 센서 고장 감지와 대체 세 가지로 묶고, 결측 · 이상값 · 측정 지연 · 드리프트를 풀어야 할 문제로 꼽았다(Kadlec 2009).
제약에서는 미국 FDA 가 2004년 PAT 지침에서 공정 데이터로 제품 품질을 판정하는 «실시간 출하»를 인정하고 그 수단으로 다변량 방법을 들었다(FDA PAT 2004 IV.C.4). 반도체에서 같은 생각을 웨이퍼 계측에 쓴 것이 가상 계측이고, 여기서는 연속 공정 일반의 소프트 센서를 다룬다.
3쉽게 이해하기 — 수영장 관리인의 염소 어림
동네 실내 수영장 관리인 한 명이 물의 염소 농도를 맞춘다. 물 한 컵을 떠서 구청 검사소에 보내면 결과지가 1시간 뒤에 오므로, 관리인은 지금 입장객 수 · 물 온도 · 넣은 약품 양을 보고 «지금 농도»를 어림해 약품을 더 넣거나 줄인다. 10시에 결과지가 오면 관리인은 10시의 어림이 아니라 물을 뜬 9시의 어림과 맞춰 보고, 검사소가 쉬는 날에는 어림만으로 하루를 버틴다.
그림 1 · 관리인은 입장객 · 물 온도로 지금 농도를 어림해 약품을 넣고, 1시간 뒤 오는 결과지는 물을 뜬 시각의 어림과 맞춰 본다.
그림 2 · 10시에 온 결과지는 9시 물의 값이다 — 10시 어림과 견주면 0.4 가 틀린 것처럼 보이고, 물을 뜬 9시 어림과 견주어야 어림이 맞았는지 알 수 있다.
| 비유 속 역할 | 실제 이름 | 실제로 하는 일 |
|---|---|---|
| 입장객 · 물 온도 | 보조 변수 | 1분마다 재는 단 온도 · 압력 · 유량 |
| 관리인의 어림 | 소프트 센서 모델(PLS · 신경망) | 보조 변수로 지금의 성분 농도를 추정한다 |
| 약품 넣기 | 추론 제어 · APC | 추정값으로 리보일러 열량 · 환류량을 고친다 |
| 9시에 뜬 물 한 컵 | 시료 채취 | 분석기 · 실험실이 재는 시료가 공정에서 빠지는 시각 |
| 검사소 1시간 | 측정 지연 · 분석 주기 | 시료가 분석기에 닿고 분석이 끝나기까지 30 ~ 75분(탈부탄탑) |
| 9시 어림과 맞춰 보기 | 시간 맞춤 · 검증 | 보고값을 채취 시각으로 당겨 학습 정답 · 오차 확인에 쓴다 |
| 검사소 쉬는 날 | 분석기 정지 · 대체 운전 | 분석기 정비 중에는 추정값이 측정값을 대신한다 |
⚠ 비유가 맞지 않는 곳: 관리인의 어림은 경험이지만 소프트 센서는 학습 기간의 데이터가 덮은 운전 범위 안에서만 맞는 통계 모델이라, 원료 · 촉매가 학습 때와 다르면 어림이 한쪽으로 치우친다. 또 검사소 결과는 하루 몇 번이 아니라 분석기라면 10분마다 오므로, 맞춰 보기도 사람 손이 아니라 모델 갱신 규칙이 자동으로 한다.
4구조 — 보조 변수 · 시간 맞춤 · 추정 모델 · 기준 측정
소프트 센서는 공정 변수를 모아 다듬는 앞단, 지연을 맞춘 학습 데이터로 만든 추정 모델, 추정값을 쓰는 제어 · 감시 · 대체, 그리고 분석기 · 실험실의 기준 측정으로 나뉜다(Kadlec 2009). 기준 측정은 학습 정답이자 운전 중 치우침을 알려 주는 유일한 값이라, 소프트 센서가 생겨도 분석기는 남는다.
그림 3 · 1분마다 오는 보조 변수가 추정 모델을 거쳐 제어 · 감시로 가고, 50분 늦게 오는 분석기 값은 채취 시각으로 당겨진 뒤에야 학습 정답과 치우침 확인에 쓰인다.
| 요소 | 입력 → 출력 | 사례 값(그림 4 · 5) | 근거 |
|---|---|---|---|
| 보조 변수 | 현장 계기 → 1분 값 | 5개(민감단 온도 · 탑저 온도 · 환류량 · 원료량 · 탑정 압력) | Fortuna 2005(탈부탄탑 7개) |
| 지연 입력 | 보조 변수 → 지금 · 15분 전 · 30분 전 값 | 5 × 3 = 15개 | Kadlec 2009(동특성) |
| 시간 맞춤 | 보고값 → 채취 시각 값 | 지연 50분(교차 검증으로 찾음) | Siddharth 2018(30 ~ 75분) |
| 추정 모델 | 표준화 입력 → 성분 농도 | PLS 3성분 · 학습 쌍 1,977개 | Geladi 1986 |
| 기준 측정 | 시료 → 보고값 | 분석기 10분 주기 · 교정 중 값 28개 제외 | Kadlec 2009(이상값 · 결측) |
| 쓰임 | 추정값 → 조작 · 경보 · 대체 | 경보 한계 2.6 mol%(가정) · 분석기 정지 4시간 | Joseph 1978 · Kadlec 2009 |
🔑 소프트 센서의 학습 정답은 분석기가 «보고한 시각»이 아니라 시료를 «뜬 시각»에 붙어야 한다 — 그러지 않으면 모델은 50분 전 공정을 지금 값으로 배운다.
5동작 — 탈부탄탑 꼴 합성 공정 14일 학습과 하루 운전
설명용 합성 데이터를 Python 3.14.0 · NumPy 2.4.3(학습 default_rng(0) · 시험일 default_rng(1000))으로 만들어 직접 실행한 사례다. 탈부탄탑 하부 제품의 C4 농도(mol%)를 추정하며, 분석기 지연 50분 · 분석 주기 10분 · 경보 한계 2.6 mol% 는 모두 가정 값이고, 합성 데이터라 분석기가 재지 않은 순간의 실제 농도도 알아 오차를 1분마다 잰다. 추정 모델은 PLS1(NIPALS 반복)을 NumPy 행렬 연산으로 짜서 썼다(Geladi 1986).
- 14일 동안 1분 공정 변수 5개(20,160행)와 분석기 보고값 2,016개를 모으고, 하루 한 번 20분 교정 중에 나온 보고값 28개를 뺀다.
- 공정은 원인이 바뀐 뒤 15분 안팎에 걸쳐 따라 바뀌므로, 각 변수의 지금 · 15분 전 · 30분 전 값을 입력으로 써서 15개 입력을 만든다.
- 보고값을 «가정 지연 d 분 전»의 입력과 짝지어 d = 0 ~ 90분을 10분 간격으로 10겹 교차 검증한다 — R² 가 0분 0.836 에서 50분 0.929 로 가장 높아 50분을 지연으로 고른다(학습 쌍 1,977개).
- PLS 성분 1 · 2 · 3 · 4개의 교차 검증 RMSE 가 0.246 · 0.236 · 0.091 · 0.086 mol% 라, 크게 떨어지는 3개에서 멈춘다 — 셋째 성분이 원료 조성을 담은 민감단 온도 쪽 정보를 잡는다.
- 시험일 10:00 원료 조성이 바뀌어 실제 C4 가 10:46 에 2.6 mol% 를 넘는다. 소프트 센서는 11:36, 분석기 마지막 값은 11:40 에 경보를 낸다(10분 연속 초과 기준) — 바뀐 조성(0.48 ~ 0.88)이 학습 범위(최대 0.46) 밖이라 추정이 평균 0.11 mol%p 낮게 나와 앞선 시간이 4분뿐이다.
- 14:00 ~ 18:00 분석기를 정비로 세우면 마지막 보고값을 그대로 쓴 오차는 RMSE 0.217 mol%, 소프트 센서 추정은 0.127 mol% 다.
- 하루(01:00 ~ 24:00) 전체로는 소프트 센서 0.113 mol%, 분석기 마지막 값 0.171 mol% 이고, 외란 뒤 남은 −0.11 mol%p 치우침은 맞춘 보고값과의 잔차로 드러나 모델 갱신(드리프트 대응)이 맡는다.
그림 4 · 소프트 센서는 실제 농도를 1분마다 따라가고 분석기 마지막 값은 50분 늦은 계단으로 따라간다 — 다만 학습 범위 밖 조성에서는 추정이 0.11 mol%p 낮아 경보가 4분만 앞선다.
그림 5 · 보고값을 몇 분 앞 입력과 짝짓느냐에 따라 같은 데이터 · 같은 모델의 R² 가 0.836 에서 0.929 까지 바뀌고, 가장 높은 50분이 분석기의 실제 지연이다.
🔑 소프트 센서가 분석기를 이기는 것은 더 정확한 측정이어서가 아니라 같은 순간의 값을 지연 없이 내기 때문이다 — 그래서 운전 범위가 학습 때와 같을 때만 그 이점이 남는다.
6비교 — 실험실 분석 · 온라인 분석기 · 두 가지 소프트 센서
| 기준 | 실험실 분석 | 온라인 분석기(GC 등) | 데이터 기반 소프트 센서 | 기본 원리 모델 소프트 센서 |
|---|---|---|---|---|
| 값이 나오는 간격 | 교대마다 몇 번 | 분석 주기(사례 10분) | 공정 변수 주기(사례 1분) | 공정 변수 주기 |
| 지연 | 시료 운반 · 분석 시간 | 30 ~ 75분(탈부탄탑 · Siddharth 2018) | 거의 없음 | 거의 없음 |
| 정확도의 근거 | 표준 분석법 | 장비 교정 | 학습 데이터와 운전 범위 | 물질 · 에너지 수지 모델 |
| 무너지는 때 | 시료 채취 실수 | 정비 · 교정 · 고장 정지 | 학습 범위 밖 원료 · 촉매(사례 −0.11 mol%p) | 모델 변수(효율 · 오염) 변화 |
| 만드는 데 드는 것 | 분석 인력 | 장비 · 시료 배관 · 정비 | 기준 측정 수천 개 · 지연 맞춤 | 공정 설계 자료 · 상태 추정(Kalman) |
| 주로 쓰는 곳 | 출하 판정 · 분석기 교정 | 제어 · 감시의 기준값 | 추론 제어 · 감시 · 분석기 대체 | 신규 공정 · 데이터가 적을 때 |
분석공정이 오래 같은 원료로 돌고 기준 측정이 쌓여 있으면 데이터 기반, 운전 이력이 짧거나 운전 범위를 자주 넘으면 기본 원리 모델을 고르고, 둘 다 분석기를 없애지 않고 그 사이를 메운다. 근거는 표의 「무너지는 때」 행 — 데이터 기반 모델은 학습 범위 밖에서 치우치고(사례 5단계), Kadlec 2009 는 이를 데이터 기반 소프트 센서의 유지 문제로 꼽았다.
반도체 웨이퍼 계측을 대신하는 같은 방식은 가상 계측이 맡고, 학습 뒤 치우침을 기준 측정으로 고치는 방법은 모델 갱신(드리프트 대응)이 맡는다.
7실무 진단 — 소프트 센서 오차의 단계 가르기
분석입력 → 시간 맞춤 → 모델 → 운전 범위 순으로 본다. 입력 계기 하나가 틀리면 지연 · 모델을 아무리 고쳐도 추정이 맞지 않고, 지연이 틀리면 모델 성분 수를 바꿔도 R² 가 오르지 않기 때문이다(사례 3단계 · Kadlec 2009 의 센서 고장 대체).
| # | 증상 | 의심 원인 | 단계 | 확인 자료 | 판정 기준(근거) |
|---|---|---|---|---|---|
| 1 | 추정이 혼자 튀거나 한 값에 멈춤 | 입력 계기 고장(열전대 단선 · 고착) | 입력 | 입력 변수별 값 · 변화량 | 한 변수만 물리 범위 밖 또는 변화 0 → 그 입력을 다른 변수로 재구성(Kadlec 2009) |
| 2 | 모양은 같은데 분석기보다 앞서거나 늦게 움직임 | 지연 맞춤 틀림(분석기 위치 · 주기 변경) | 시간 맞춤 | 가정 지연별 교차 검증 R² | 최고점 지연이 쓰는 값과 10분 넘게 다르면 다시 맞춤(사례 50분 · 문헌 30 ~ 75분) |
| 3 | 학습 오차는 작은데 운전에서 흔들림 | 공선성 · 성분 과다 | 모델 | 성분 수별 교차 검증 RMSE | 더 줄지 않는 최소 성분 수(사례 3개 · Geladi 1986) |
| 4 | 어느 시점부터 한쪽으로 치우침 | 원료 · 촉매 · 운전 방식이 학습 범위 밖 | 운전 범위 | 입력별 학습 최소 · 최대 · 잔차 이력 | 입력이 학습 범위 밖이면 표시하고 모델 갱신(사례 조성 0.48 > 0.46 · −0.11 mol%p) |
진단은 첫 행부터 한다. 계기 한 개의 고장은 그 입력만 보면 바로 보이지만, 그것을 모르고 모델을 다시 학습하면 고장 난 값까지 학습해 다음 운전이 더 틀린다.
8시험 대비
시험에서는 보조 변수로 주 변수를 추정하는 원리와 쓰임을 묻는 정의 · 특징형, 그리고 심층 학습 · 적응형으로 가는 흐름을 묻는 동향 · 발전형이 나올 수 있다. 정의에 «측정 지연»과 «시간 맞춤»을 함께 쓰고 지연별 R² 처럼 수치를 붙이면 다른 답안과 갈린다.
- 개요 — 정의(주 변수 · 보조 변수) · 필요성(분석기 지연 30 ~ 75분 · 실험실 저빈도) · 등장(Joseph 1978 추론 제어)
- 구성 — 그림 3 보조 변수 → 전처리 · 지연 입력 → 추정 모델 → 추정값 → 추론 제어 · 감시 · 대체 · 기준 측정 고리
- 모델링 방식 — 기본 원리 모델 ↔ 데이터 기반(PLS · 신경망) · 성분 수 교차 검증(0.236 → 0.091 mol%)
- 측정 지연 보정 — 그림 5 가정 지연별 R²(0분 0.836 → 50분 0.929)
- 적용 효과와 한계 — 그림 4 RMSE 0.113 ↔ 0.171 mol% · 분석기 정지 대체 · 학습 범위 밖 치우침
- 동향 — 심층 학습(LSTM · Transformer 계열 · 공개 벤치마크 탈부탄탑 · SRU) · 적응형(모델 갱신) · 제약 PAT 실시간 출하
꼭 쓸 키워드
주 변수보조 변수추론 제어측정 지연시간 맞춤PLS공선성탈부탄탑분석기 대체학습 범위 밖 입력
다른 답안과 차이를 내는 한 가지는 그림 5 처럼 «지연을 맞추지 않으면 같은 모델도 R² 가 0.84 에 머문다»를 보이는 것이다 — 모델 이름을 늘어놓는 대신 데이터를 짝짓는 법이 정확도를 정한다는 점을 근거로 댄다. 동향은 공개 벤치마크(탈부탄탑 · SRU)에서 LSTM · Transformer 계열 신경망을 견주는 연구가 이어진다는 사실(Wang 2024 3.1절)로 붙인다.
9오해와 사실
- 오해소프트 센서를 달면 분석기를 없앨 수 있다.사실학습 정답과 운전 중 치우침 확인은 분석기 · 실험실 값만 주며, 사례의 −0.11 mol%p 치우침도 맞춘 보고값과의 잔차로만 드러났다(Kadlec 2009 · 유지 문제).
- 오해분석기 값과 같은 시각의 공정 변수로 학습하면 된다.사실분석기 결과는 시료를 뜬 뒤 30 ~ 75분 늦게 나오므로(Siddharth 2018) 그대로 짝지으면 사례 R² 가 0.836, 지연 50분을 맞추면 0.929 다.
- 오해입력 변수를 많이 넣을수록 정확해진다.사실온도 · 유량은 서로 강하게 얽혀 있어 PLS 성분 수를 교차 검증으로 정하며, 사례에서 4개 이상은 오차를 0.005 mol% 밖에 줄이지 못했다(Geladi 1986 · PLS 성분 선택).
10핵심 정리
| 구분 | 맡는 일 | 주기 · 단위 | 사례 값 | 근거 | 흔한 실패 |
|---|---|---|---|---|---|
| 보조 변수 | 지금의 공정 상태 | 1분 · ℃ · bar · m³/h | 5개 · 지연 입력 15개 | Fortuna 2005 | 고장 계기를 그대로 입력 |
| 기준 측정 | 학습 정답 · 치우침 확인 | 10분 주기 · mol% | 보고값 2,016개 · 28개 제외 | Kadlec 2009 | 교정 중 값까지 학습 |
| 시간 맞춤 | 보고값을 채취 시각으로 | 분 | 50분 · R² 0.836 → 0.929 | Siddharth 2018 | 지연 0 으로 짝지음 |
| 추정 모델 | 보조 변수 → 주 변수 | mol% | PLS 3성분 · RMSE 0.091 | Geladi 1986 | 성분 과다 · 범위 밖 외삽 |
| 추론 제어 · 감시 | 추정값으로 조작 · 경보 | 1분 | 경보 한계 2.6(가정) | Joseph 1978 | 치우친 추정으로 경보 늦음 |
| 분석기 대체 | 정비 중 측정 대신 | 시간 | 4시간 RMSE 0.127 ↔ 0.217 | Kadlec 2009 | 검증 없이 대체 운전 길어짐 |
11참고 문헌
- 먼저 볼 문헌
- ★ Data-driven Soft Sensors in the process industry (Computers and Chemical Engineering 33(4) 795-814) — 데이터 기반 소프트 센서의 쓰임 세 가지와 데이터 문제(결측 · 이상값 · 지연 · 드리프트)를 볼 때
- ★ Real-time quality monitoring in debutanizer column with regression tree and ANFIS (Journal of Industrial Engineering International 15(1) 41-51) — 공개 벤치마크 탈부탄탑 데이터(2,394개 · 분석기 지연 30 ~ 75분)의 구성을 볼 때
- ★ Inferential control of processes: Part I. Steady state analysis and design (AIChE Journal 24(3) 485-492) — 보조 측정값으로 품질을 추정해 제어하는 추론 제어의 출발점을 볼 때
- ★ Guidance for Industry PAT - A Framework for Innovative Pharmaceutical Development, Manufacturing, and Quality Assurance — 제약 공정에서 공정 데이터로 품질을 판정하는 실시간 출하(real time release)를 볼 때
- 본문 근거
- Soft sensors for product quality monitoring in debutanizer distillation columns (Control Engineering Practice 13(4) 499-508) — Elsevier · 2005-04 ·
doi.org/10.1016/j.conengprac.2004.04.013· 확인 2026-11-12 - Soft Sensors for Monitoring and Control of Industrial Processes (Advances in Industrial Control) — Springer · 2007 ·
doi.org/10.1007/978-1-84628-480-9· 확인 2026-11-12 - An Exploratory Analysis of Biased Learners in Soft-Sensing Frames (arXiv 1904.10753) — arXiv · 2019-04 ·
arxiv.org/abs/1904.10753· 확인 2026-11-12 - Approximated Orthogonal Projection Unit: Stabilizing Regression Network Training Using Natural Gradient (arXiv 2409.15393) — arXiv · 2024-09 ·
arxiv.org/abs/2409.15393· 확인 2026-11-12 - Partial least-squares regression: a tutorial (Analytica Chimica Acta 185 1-17) — Elsevier · 1986 ·
doi.org/10.1016/0003-2670(86)80028-9· 확인 2026-11-12 - NumPy 2.4 Reference Random Generator — NumPy Developers · 2026-11 ·
numpy.org/doc/2.4/reference/random/generator.html· 확인 2026-11-12