对于基于深度学习的软测量来说，缺乏可解释性以及随之而来的不可靠性已经成为最重要的问题之一。在这篇文章中，神经网络计划称为深度多注意力软传感器（DMASS），它完全由注意力机制，提出了开发一个自解释的软测量。DMASS的建立是为了确保数据选择和传感器建模的自解释性，并试图将这些原本独立的阶段整合到单一的方案中。首先将现有注意机制的核心实现步骤归纳为统一的形式，然后提出了可变注意机制和时滞注意机制。当DMASS的训练完成时，所获得的注意力权重提供可自解释的数据选择结果。然后，提出了一种自注意力激活结构（SAAS）来提取数据的非线性时空特征。所提取特征的数学表达式、SAAS的注意力矩阵、DMASS训练的信息路径图以及不确定性感知的区间预测显示了传感器建模的自解释性。最后，将DMASS应用于空气预热器转子热变形的预测，通过已知机理分析和信息瓶颈理论验证了DMASS自解释能力的有效性。同时，通过与其他新型软测量方法的比较，验证了DMASS的良好传感性能。
