工业过程数据通常是传感器采集的时间序列数据，具有高度非线性、动态性和噪声等特点。许多现有的软传感器建模方法通常只关注单个时间点的主变量和辅助变量，而忽略了工业过程数据的时序特征。同时，基于深度学习的考虑时序特性的软测量方法通常面临梯度消失和并行计算的困难。因此，提出了一种新的基于门控卷积神经网络的变压器（GCT），用于工业过程的动态软传感器建模。GCT对时间序列数据的短期模式进行编码，并通过改进的门控卷积神经网络（CNN）自适应地过滤重要特征。然后，将多头注意力机制应用于建模任意两个矩之间的相关性。最后，通过具有高速公路连接的线性神经网络层获得预测结果。在本文中，聚丙烯和精对苯二甲酸工业过程的动态软传感器建模实验表明，与反向传播神经网络、极限学习机、长短期记忆（LSTM）和基于CNN的LSTM相比，该方法达到了最先进的水平。
