对精馏过程的异常工况进行监测与识别有助于从源头上预防和控制精馏事故的发生,是保障精馏过程“安稳长满优”运行的关键支撑技术之一。深度学习网络作为新型的数据分析方法,能够实现特征的自动提取,无需依靠人工经验。因此,有必要使用深度学习网络实现精馏过程异常工况的自动识别,降低人工误判断的风险。本文首先提出了以卷积神经网络(Convolutional Neural Networks,CNN)为生成器和以深度自编码器(Deep Auto-Encoders,DAE)为判别器的生成式对抗网络(Generative Adversarial Networks,GAN),解决数据采集过程中出现的数据缺失问题。以重建数据集与真实数据集之间的相似度为衡量指标,探讨了GAN网络超参数对重建结果的影响。随后提出了Spearman秩相关系数(Spearman’s Rank Correlation Coefficient,SRCC)和深度置信网络(Deep Brief Networks,DBN)相结合的异常工况识别模型,并以模型训练时间和识别准确率为衡量标准,对Spearman秩相关系数、皮尔逊相关系数(Pearson Correlation Coefficient,PCC)、互信息(Mutual Information,MI)三种不同特征变量选择方法以及深度置信网络的激活函数、网络层数等超参数进行了研究。以田纳西-伊斯曼(Tennessee Eastman,TE)流程对GAN和SRCC-DBN模型的性能进行了验证,并在某工业乙烯热区分离精馏过程中进行了测试。结果表明,利用本文所提出的基于GAN和SRCC-DBN的异常工况识别模型能够很好地实现对精馏过程异常工况的识别,准确率达到94%以上。