توسعه و پیاده‌سازی روش‌های پیشرفته نظارت و کنترل نیازمند اندازه‌گیری متغیرهایی است که تعیین آن‌ها به روش فیزیکی امکان‌پذیر نیست یا اینکه سنجش آن‌ها بسیار دشوار است. حسگرهای نرم می‌توانند با تخمین متغیرهای دشوار اندازه‌گیر بوسیله متغیرهای آسان اندازه‌گیر جایگزین مناسبی برای حسگرهای سخت‌افزاری باشند. در این مقاله حسگر نرم داده محور بر مبنای مدل‌سازی پارامتر وابسته به حالت با استفاده از تکنیک متغیر سودمند محلی (LIV) به منظور تخمین کیفیت در فرآیند تنسی ایستمن ارائه گردیده است. این تکنیک ساختاری ساده دارد و نسبت به سایر روش های مدلسازی به تعداد متغیرهای ورودی کمتری نیازمند است، قابلیت شناسایی متغیرهای تأثیرگذار بر روی متغیرهای هدف را نیز داراست. در این مطالعه، مدل‌های حسگر نرم مبتنی بر LIV به منظور پیش‌بینی غلظت اجزاء A و E توسط نرم افزار MATLAB توسعه یافتند. نتایج حاصل از ارزیابی مدل‌های ارائه شده بر روی مجموعه داده‌ی آزمون، خطای جذر میانگین مربع خطا (RMSE) را به ترتیب ۰/۳۱۹۱ و ۰/۰۱۷۴ برای جزء A و جزء E گزارش می‌دهد. مدل LIV پیشنهادی، خطای پیش‌بینی (RMSE) برای غلظت جزء E را نسبت به روش‌های کمینه مربعات جزئی (PLS) و کمینه مربعات جزئی درونی پویا (DiPLS) به ترتیب به میزان ۹۸/۱۸ % و ۹۷/۶ % کاهش داده است.