在信息系统与物理系统深度融合的工业4.0背景下,急需改革的制造业享受着数据信息带来的便利,基于大数据与传统车间衍生的智能制造成为行业研究热点。传感器应用普及为生产车间带来丰富数据资源,而数据信息能直接或间接反应整个车间运行状况,如工件加工工序、机床健康状况、产品质量、人员调配、订单调整等。为充分挖掘海量数据隐藏信息,神经网络、深度学习等人工智能技术与车间生产被紧密结合,并且数据分析能力成为了生产车间是否具备高度智慧性能的重要评价指标之一。工业数据分析主要依赖于应用聚类、分类、回归分析等技术。随着传统制造车间智能化迅猛提升,衍生出的数据流具备多源、不间断、时序性、新颖性等特征,传统数据分析方法出现低适应性、泛化能力差、精度降低等缺陷。针对智能车间中数据流动态信息无法被充分挖掘的问题得到学者重视,如复杂装备故障诊断、数据异常监督、智能调度等问题。由于实际应用场景复杂多样,动态环境下数据流信息挖掘的工作具备挑战性,尤其对时间序列与概念漂移等动态特征分析逐渐成为领域内研究热点。针对生产车间非平稳环境下的数据流分析,本文进行动态数据流特征的监测与异常感知研究。主要研究如下:（1）针对车间动态生产过程中数据流监督问题,本文基于增长神经气模型（Growing Neural Gas,GNG）提出适应性更高的GNG-L模型,该模型主要包含权值自适应、节点删除及生成机制。首先,权值自适应机制的提出是基于对数据流局部特征改变的分析;其次,节点自适应删除机制会淘汰并移除由于数据流演化而不再更新的节点;最后,当数据流演化特征需要在特征空间新区域中被描述时,便会触发节点自适应生成机制。提出的GNG-L模型被公共数据集验证,结果显示该模型能够高效跟踪非平稳环境下数据流动态分布特征。（2）结合某加工工艺案例分析,搭建基于改进GNG模型的氮氧化物排量、原料燃烧效率监测模型,利用主成份分析法完成多指标筛选,提出监督结果与核心指标控制相结合的思路,完成对加工工艺实时动态监测与控制,同时在理论上为加工车间提供生产指导意见。（3）基于动态数据流特征监测模型分析结果,完成数据异常感知分析与研究。在研究内容（1）、（2）基础上,提出了混合预测模型GS-GMDH,该模型能及时、准确对时序数据进行特征监测与奇异点识别,并基于神经网络完成预测工作。在铝电解生产中,GS-GMDH模型完成对电解产物中杂质元素铁、硅含量精准预测,为后续生产过程提供理论支持与智能决策。