在深入创新驱动发展战略的背景下,亟需大力推进数字化制造建设,随着制造业智能水平的日益提高与生产手段不断增强,生产过程以前所未有的速度产生海量的工艺数据。在复杂的生产制造环境中,催生了一种新的科学范式:从数据分析的角度,形成有意义的信息和知识来探讨制造问题,从数据流演化中获取有用知识,合理利用生产新奇模式运行参数,有效降低生产成本、提高生产效率,对于实施智能制造战略和深化企业应用具有重要的理论意义和现实意义。针对制造过程中工艺数据流演化分析和奇异性监测困难等问题,即在复杂生产环境下,无法对工艺数据流进行实时跟踪和奇异性监测。因此,本文提出了基于深度学习和神经网络的数据流演化分析和奇异性监测方法。主要研究如下:（1）研究了生产工艺数据流特征,综述了聚类与动态监测相关理论和方法,阐释了生产奇异性概念,同时探究了生产奇异性与数据流概念漂移之间的内在关联,进一步引出生产工艺数据流的演化分析和奇异性动态监测的关键问题。（2）针对生产工艺数据流演化分析问题,本文提出了一种基于密度聚类算法——Chrono Clust-A,该算法实现了对演化数据流的实时跟踪与可视化展示,通过聚类可以生成任意形状的聚类簇。在实际应用中,结合磷酸生产工艺数据,分析了磷酸原料投入和产物数据的演化规律,数据流演化分析为生产工艺数据奇异性监测奠定理论基础。（3）针对生产工艺数据流的奇异性监测问题,本文提出了一种基于层次增长神经气网络GHNG的自适应无监督聚类模型GHNG-A,该模型包含神经元自适应学习权重、节点删除、节点增长和检测机制。分别利用静态数据和动态数据对GHGN-A算法进行性能测试,结果显示GHNG-A具有更高准确性和鲁棒性。最后通过铝电解生产工艺数据监测实例展示了该算法良好的拓扑结构和聚类准确度,同时提高了铝电解过程奇异性数据实时监测的可靠性。（4）借助以上研究成果,基于面向对象技术开发生产工艺数据流演化分析与奇异性监测系统。在Matlab环境下基于GUI开发框架,开发工艺数据流采集、演化分析、奇异性数据监测与动态可视化等应用模块,根据用户需求输入参数实现对实时数据流的奇异性监测,进一步满足数据流处理的实时性、稳定性和高速性等实际需求,同时为生产者/监管者高效管理提供决策支持。