执行各种生产任务对工业过程的安全运行和高效生产至关重要。其中，关键质量变量的检测任务直接影响工业过程的运行优化和决策，但受到恶劣环境和检测仪器的严重限制。因此，关键质量变量的实时预测任务成为工业过程优化控制的基础。为了解决这个问题，本文提出了一种基于目标相关变换器（TR-Former）网络的面向任务的深度学习框架，用于工业质量预测任务。具体而言，开发了一种新的目标相关自我注意（'TR-sA）机制，通过在任务相关目标变量和其他变量之间添加注意分数来指导特征学习。结果表明，在这种情况下，学习到的特征将与目标变量相关，并可用于质量预测任务。此外，还可以捕获工业过程数据的长期动态，这可以进一步提高模型的预测性能。最后，在两个工业过程上进行了广泛的实验，以验证所提出的方法在质量预测任务方面的优越性。实验结果表明，与传统变压器和其他最先进的方法相比，所提出的TR- Former方法在平均绝对误差指标方面提高了3%至13%。关键词：深度学习、目标相关变换器、质量预测、工业过程
