大型污水处理厂是典型的工业物联网系统之一，其中大量传感器的存在产生了大量的动态时间序列数据，而这种多变量时间序列数据通常是随时间变化和随机的。因此，在拟合真实世界数据的潜在异常时存在一定的风险，这将给异常检测带来巨大挑战。在本文中，我们提出了一种时间序列相互对抗网络（TMAN），这是一种用于多变量时间序列异常检测的新的重建模型。它基于对抗性学习的思想，由两个相同的子网络组成。在训练过程中，两个子网络可以独立完成对工业时间序列数据正态样本的时间分布的学习，以实现相互对抗。在检测过程中，我们获得了不同时间序列样本重构的TMAN残差值，以区分异常。我们将TMAN和异常确定机制相结合，构建了一个新的工业时间序列异常检测框架TMANomaly。此外，我们使用灰色关联算法选择数据集特征，以在少量特征的情况下实现非常高的性能。实验结果表明，我们提出的TMANomaly优于五种常用的异常检测方法，有效地提高了工业多变量时间序列异常检测的准确性。
