在工业过程中，长短期记忆（LSTM）通常用于软传感器的时间动态建模。由于连续的物理和化学反应，过程数据在不同时间尺度下通常具有各种时间相关性。然而，LSTM模型只能提取特定时间尺度的动态特征，这影响了特征学习能力和建模精度。本文提出了一种新的分层序列生成网络（HSGN），用于使用大量未标记的软测量过程数据挖掘多尺度动态特征。为了提取多尺度动态特征进行质量预测，过程数据以不同的采样率重新采样，然后用于在不同时间尺度上预训练相应的自学习LSTM模型。随后，它们可用于计算标记样本的多尺度隐藏特征状态，这些状态进一步与原始输入信息集成，并输入到深度信任网络（DBN）中，以构建输出变量的预测模型。因此，HSGN方法可以利用大量未标记的样本来挖掘多尺度动态隐藏特征，克服工业过程中的不规则采样问题。在实际工业场景中的应用表明了所提出方法的有效性。 关键词：深度学习、分层序列生成网络（HSGN）、多尺度动力学、质量预测、软测量。
