具有动态和时变特征的复杂工业过程以及不同的操作条件，对开发关键绩效指标（KPI）的准确实时在线预测模型提出了挑战。为了应对这些挑战，本研究提出了一个KPI预测框架，该框架利用了基于动态归因图注意力网络（DAGAT）的多模式结构化预测模型。首先，设计了一种基于高斯混合模型的多模式聚类方法来划分和定位工业多模式操作数据。其次，为了解决传统深度网络模型在准确捕捉过程变量与KPI之间复杂关系方面的局限性，使用图结构对多传感器时间序列数据进行建模。随后，提出了一种新的DAGAT，以提高节点预测性能和工业图数据的解释。考虑到大型设备的累积效应，DAGAT结合了工业过程的知识，使其能够捕捉化学反应变量的影响。同时，利用Huber损失函数对预测结果进行进一步优化。此外，该模型可以实时计算每个过程变量对KPI的贡献，为最优控制提供指导。最后，通过一个工业实例验证了该方法的有效性和优越性。
