Para satisfacer la alta demanda del sistema de reducción catalítica selectiva (selective catalytic reduction, SCR) de las unidades de carbón en la predicción de la concentración masiva de óxidos de nitrógeno (NO_x), se diseñó y propuso un esquema de medición blanda y despliegue que combina alta precisión y baja latencia. Basado en más de 110,000 conjuntos de datos operativos de alta dimensión de una unidad de carbón de 660 MW, en una plataforma unificada se compararon sistemáticamente dos modelos: aprendizaje profundo (deep learning, DL) y XGBoost (extreme gradient boosting), utilizando validación cruzada temporal junto con búsqueda en cuadrícula para optimizar los hiperparámetros, evaluándose integralmente en precisión predictiva, eficiencia computacional e interpretabilidad. Sobre esta base, se propuso una estrategia de despliegue colaborativa "borde-embebido", desplegando el modelo DL en servidores de borde para obtener resultados de alta precisión, y el modelo XGBoost integrado en sistemas de control distribuido (distributed control system, DCS) para garantizar la capacidad en tiempo real. Los resultados muestran que el modelo DL ofrece mejor respuesta dinámica y precisión predictiva, reduciendo el error cuadrático medio en el conjunto de prueba aproximadamente en un 10% respecto al modelo XGBoost y manteniendo la estabilidad en condiciones de operación volátiles; el análisis de importancia de variables mostró que el contenido de oxígeno en el gas de combustión, la temperatura de la pared del quemador y el flujo total de aire son factores principales que afectan la generación de NO_x. La arquitectura de despliegue colaborativo propuesta puede teóricamente lograr inferencias en milisegundos y cuenta con capacidad de tolerancia a fallos sin conexión.

Predicción de concentración masiva de NO_x;Aprendizaje profundo;Importancia de variables;Computación en el borde;Despliegue de modelos