关键质量指标的多步提前预测是优化和控制工业过程的基石。在长期预测范围内进行精确的多步预测，在提高工业过程的生产性能方面具有巨大的潜力。然而，提取历史特征对于实现这一目标具有重要意义。最近的进展表明，变压器网络为这一挑战提供了一种有前景的技术解决方案。然而，缺乏样本简化机制使得深度特征提取变得困难。它需要大量的计算成本，这使得传统的变压器网络在工业过程中不太适用。为了探索克服这些障碍的策略，并提高变压器网络对有效多步预测的适用性，本文提出了一种新的关键样本定位和分解变压器网络（KSLD-TNet）。具体来说，它首先使用注意力得分矩阵定位具有强交互作用的关键样本。然后，在KSLD TNet编解码器结构中逐层过滤非关键样本。这样，每层的输入样本数量可以呈指数级下降，显著降低了深度特征提取的难度和计算量。值得注意的是，本文还设计了一种信息存储结构，以避免样本分离过程中的信息丢失。利用两个工业过程数据集构建了广泛的实验，以证明所提出方法的有效性。关键词：深度学习、工业过程、关键样本定位（KSL）和蒸馏变压器、多步预测
