随着现代控制理论的发展,神经网络逐渐被用来预测流程工业控制数据的变化趋势,然而由于网络模型黑盒化且该数据具有时间跨度长、参数维度高和机理复杂等特征,导致建模过程难以理解。可视化和可视分析在提高上述建模过程的可解释性方面发挥着重要作用,但是现有的面向神经网络建模的可视分析工具通常是针对特定实例开发的,缺乏较好的普适性与可扩展性,且构建面向流程工业控制数据神经网络建模的可视分析系统面临诸多特殊性,而通用的可视化开发工具及组件颗粒度较小,在构建面向不同应用需求的可视分析系统时耗时较长。为此,本文通过对流程工业控制领域应用循环神经网络（Recurrent Neural Networks,RNNs）及其变体的建模过程进行抽象,提出了面向流程工业控制数据建模的RNN可视分析框架,并设计开发了相应的可视化关键组件,以此支持工业控制数据建模的RNN可视分析系统的快速生成,从而更好地满足领域专家对RNN建模过程进行理解、诊断及优化的多样性需求。主要研究内容为:（1）可视分析框架的抽象,根据流程工业控制数据RNN建模的构建、评估及优化过程,提炼对应阶段的可视分析任务,设计出完整、可行的可视分析框架;（2）关键组件设计,以RNN可视分析框架为线索,面向模型结构、神经元激活模式、模型表现和数据特征设计可视化组件,并从层次划分、接口封装和调度关系角度构建组件体系;（3）关键组件开发,通过组件设计过程中对组件进行多层次、多颗粒度的划分,建立组件实现的技术架构,并实现关键组件的功能,支持可视化开发人员的使用。通过应用于实际流程工业控制数据建模的可视分析案例的设计与实现,证明了本文所提的RNN可视分析框架是可行的,并从开发、设计人员的使用反馈中验证了可视化关键组件在开发流程中的可用性和可扩展性,为类似建模过程的可视分析工具开发提供支持。