在工业生产中普遍存在时间序列样本不平衡的问题,即正常情况下的样本数量远远大于异常情况下的样本数量。在电解铝行业中这个问题更加的明显,因为在工业生产中发现异常样本是非常困难的,专家没有一个明确的准则来判断异常。近年来,生成对抗网络（GANs）在异常检测领域越来越流行,在本文中,我们利用生成对抗网络（GANs）能够对复杂的高维图像分布进行建模的能力,提出了一种基于输入样本自适应改变的对抗自编码器生成对抗网络（self-adaption AAE-GAN）时间序列异常检测方法。最后在异常检测的基础上,本文利用聚类算法对异常数据进行分类,使专家对异常有一个清晰的了解,能够做出适当决策减少损失,同时也提高了智能控制在铝电解行业的发展应用。具体的研究工作主要包括以下内容:1、本文针对铝电解领域中时间序列样本不平衡的问题,利用GAN学习复杂的高维图像分布的能力,提出了一种新型异常检测方法。为了增加模型的训练精度,本文提出了一种基于输入样本自适应改变的对抗自编码器生成对抗网络（self-adaption AAE-GAN）时间序列异常检测方法。模型在训练过程中仅需要正常样本,这是一个比其他现有网络更现实的网络,因为在实际的工业场景中,异常样本的数量通常不足。在测试阶段,模型通过生成器中的自编码器组产生异常分数,凭此分数判断样本是否出现异常,异常分数由生成器部分的样本和样本潜在表示的重构差异的加权平均组成。2、为了使专家对异常有一个清晰的了解,能够做出适当决策减少损失,本文应用了Mcinnes[114]提出的一种基于层次密度的加速聚类算法,将所有的异常样本进行分类。这个新算法在*的基础上进行了改进,结合改进的Boruvka算法,加快了聚类过程中生成最小生成树、修剪分枝和距离计算所需要的时间。*本身在质量上比流行的DBSCAN算法和现有的基于密度的聚类算法要好,因为其减少了模型超参数的设定,并且使模型的聚类结果更加准确。这使得加速的*算法成为基于密度聚类问题的默认选择。3、基于以上研究内容,本文设计与实现了应用在铝电解工业中的基于生成模型的铝电解槽状态异常检测分析系统,该系统包括了铝电解槽生产数据的多种展示方式,对铝电解槽状态的异常检测结果的展示,对铝电解槽状态的异常分类结果的展示,可视化的展示了本文异常检测算法研究在铝电解工业中的应用。