基于深度学习的数据驱动建模对于工业过程中的在线产品质量预测至关重要。从传感器变量中提取潜在的数据交互是各种数据驱动建模应用的核心。通常，由于操作条件的变化和传感器调谐问题，观察到的变量表现出非平稳特性。这些波动不可避免地影响了传统特征提取方法的可靠性，从而阻碍了它们的应用。因此，本文提出了一种名为横向感知深度注意力图卷积网络（RaDA-GCN）的新方法来探索传感器变量之间的潜在相互作用，RaDA-GPN巧妙地将注意力机制融入图卷积层中，根据其重要性提取非线性变量相关特征，然后设计了一种新的残差感知连接模块来减少数据不确定性并减轻过度平滑。通过巧妙地堆叠多个注意力图卷积层并集成残差感知连接，可以获得深层结构特征，从而有效地量化和揭示数据变量之间的潜在关系。最后，基于所提出方法的预测建模框架的应用验证了其在实际工业过程数据中的有效性。“实验结果表明，与传统的图卷积网络方法相比，所提出的RaDA-GCN方法的R平方（R'）指标提高了23%，均方根误差（RMSE）降低了13%。 关键词：深度学习、质量预测、图卷积网络、注意力机制、残差感知连接、工业过程
