数据驱动的软传感器技术已被广泛开发用于估计与质量相关的变量，但以下困难仍然限制了其在批处理过程中的应用，如不同的初始条件、不均匀的批长度以及批内多相特征的提取。为了解决这些问题，提出了一个质量预测和监测框架。首先选择与质量相关的变量，并提出了一种数据堆叠策略，将三维批处理数据转换为可输入软传感器模型的时滞序列。为了提取多相特征，将差分运算嵌入长短期记忆神经网络，建立了一种新的差分递归神经网络。此外，为了确保盈利能力，采用预测残差进行质量监测。通过模拟数据集和工业规模青霉素发酵过程的案例研究，证明了所提出方法的有效性及其在专业研究和工业操作中对间歇过程监测和控制的适用性。
