La calidad del clínker de cemento está fuertemente relacionada con su contenido de óxido de calcio libre (f-CaO). Por lo tanto, la detección en tiempo real del contenido de f-CaO es crucial para reducir el consumo de energía y estabilizar la calidad del clínker. Este trabajo presenta una Red Neuronal Convolucional Temporal (TCN) que incorpora un mecanismo de autoatención para manejar datos de series temporales acopladas de variables de proceso. Este modelo utiliza TCN para capturar la relación de acoplamiento de series temporales entre múltiples variables de entrada y extraer características de series temporales multivariables que afectan el contenido de f-CaO. Sobre esta base, se introduce un mecanismo de autoatención para centrarse en características no lineales que tienen un impacto significativo en la variable de salida. El mecanismo de autoatención mejora la capacidad del modelo a través de tres aspectos clave: ponderación dinámica de características, conciencia del contexto global y selección de características interpretables. Combinado con la extracción de características temporales de TCN, se construye un marco robusto de predicción del contenido de f-CaO. Finalmente, se establece una relación de mapeo entre características no lineales y salida a través de una capa completamente conectada, lo que permite la medición en tiempo real del contenido de f-CaO. Comparaciones experimentales con sensores suaves existentes basados en aprendizaje profundo demuestran el rendimiento superior de nuestro modelo.