توسعه و پیاده سازی روش های پیشرفته نظارت و کنترل نیازمند اندازه گیری متغیرهایی است که تعیین آن ها به روش فیزیکی امکان پذیر نیست یا اینکه سنجش آن ها بسیار دشوار است. حسگرهای نرم می توانند با تخمین متغیرهای دشوار اندازه گیر بوسیله متغیرهای آسان اندازه گیر جایگزین مناسبی برای حسگرهای سخت افزاری باشند. در این مقاله حسگر نرم داده محور بر مبنای مدل سازی 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، مدل های حسگر نرم مبتنی بر LIV به منظور پیش بینی غلظت اجزاء A و E توسط نرم افزار MATLAB توسعه یافتند. نتایج حاصل از ارزیابی مدل های ارائه شده بر روی مجموعه داده ی آزمون، خطای جذر میانگین مربع خطا (RMSE) را به ترتیب 0/3191 و 0/0174 برای جزء A و جزء E گزارش می دهد. مدل LIV پیشنهادی، خطای پیش بینی (RMSE) برای غلظت جزء E را نسبت به روش های کمینه مربعات جزئی (PLS) و کمینه مربعات جزئی درونی پویا (DiPLS) به ترتیب به میزان 98/18 % و 97/6 % کاهش داده است.