1.一种面向生产过程的分布式迁移图学习方法，其特征在于：包括以下步骤：步骤A、根据生产过程确定分布式迁移图学习的需求，然后根据分布式迁移图学习的需求确定总节点、分布式节点和各个所述分布式节点的节点粒度；

步骤B、确定区块链网络的分布式节点的个数，并搭建区块链网络；

步骤C、确定需要训练的分布式节点的节点粒度，并根据所述节点粒度收集各分布式节点的生产过程参数，然后根据所述生产过程参数搭建图神经网络模型，并将所述图神经网络模型部署到区块链网络的总节点和各个分布式节点；

步骤D、设置参数更新阈值update和总训练次数epoch,所述参数更新阈值update和总训练次数epoch分别为常数；

设置计数变量和训练次数，所述计数变量和所述训练次数的初始值均为0；所述步骤D包括以下步骤：

步骤D1、判断所述训练次数是否不小于所述总训练次数epoch，若是，则进入步骤D2，否则模型训练结束；

步骤D2、判断所述计数变量是否等于所述参数更新阈值或者为所述参数更新阈值的整数倍，若是，则进入步骤D5，否则进入步骤D4；

步骤D4、对部署于所述分布式节点的图神经网络模型进行一次模型训练；所述计数变量和所述训练次数分别加1；然后返回所述步骤D2；

步骤D5、所述计数变量归零；然后分别导出部署于各所述分布式节点的所述图神经网络模型的网络权重参数pi，然后将所述网络权重参数pi和所述生产过程参数上传至所述区块链网络，接着进入步骤D6；

步骤D6、所述总节点从所述区块链网络上获取各个所述分布式节点的网络权重参数pi和所述生产过程参数，然后对所述网络权重参数取加权平均值 其中，n为所述分布式节点的个数，wi为第i个节点的权重；然后将所述加权平均值pa加载到所述总节点的图神经网络模型中，并将所述加权平均值pa发布至所述区块链网络；然后进入步骤D7；

步骤D7、各个所述分布式节点分别从所述区块链网络上获取所述加权平均值pa，然后将所述加权平均值pa加载至所述分布式节点的图神经网络模型中，并对所述图神经网络模型进行更新；然后进入步骤D8；

步骤D8、所述训练次数加1，并返回所述步骤D1；

将所述生产过程作为一个有向图结构G，所述步骤C包括：生产过程参数收集阶段，收集与所述分布式节点对应的图神经网络模型的训练数据，其中：

所述有向图结构G中的每一个生产工序分别作为一节点v，所述节点v中包含的若干加工特征属性用高维张量表示；

所述有向图结构G中的各个生产工序之间的流转关系作为边e，所述边e中包含的若干运输特征属性用高维张量表示；

所有的所述节点v构成所述有向图结构的节点集V，所有的所述边e构成所述有向图结构的边集E，则所述有向图结构G＝(V,E)；

图神经网络模型搭建阶段，其中；

0

设定一个维度为N×F 的特征矩阵X来表示所述有向图结构G的各个所述节点v，其中，N0

表示有向图结构中的节点v的数量，F表示每个所述节点v的加工特征属性；

设定一个维度为N×N的邻接矩阵A来表示所述有向图结构G的各个所述节点v之间的连接关系；

则所述图神经网络模型的输入为所述特征矩阵X和所述邻接矩阵A，根据所述特征矩阵X和所述邻接矩阵A搭建图神经网络模型；

图神经网络模型部署阶段，将所述图神经网络模型部署到区块链网络的总节点和各个分布式节点。

2.根据权利要求1所述的一种面向生产过程的分布式迁移图学习方法，其特征在于：在所述步骤C中，设定所述图神经网络模型的前向传播方式为：(l) (0) (l)

其中，σ为激活函数ReLU，H 为所述有向图结构在第l层卷积的表示状态，H ＝X，W为第l层卷积的权重矩阵，D是一个对角矩阵，对角线上每个元素分别表示所述有向图结构G中的节点的度。

3.根据权利要求2所述的一种面向生产过程的分布式迁移图学习方法，其特征在于：在所述步骤C中，获取历史生产数据，然后在所述历史生产数据中选择多个原始数据，并对各个所述原始数据分别打上分类标签，并对所述原始数据按照训练集：验证集：测试集＝7：2：

1的比例随机切分。

4.根据权利要求3所述的一种面向生产过程的分布式迁移图学习方法，其特征在于：在所述步骤C中，所述图神经网络在前向训练过程后，对所述图神经网络模型的问题性质进行判断，然后根据所述问题性质选择交叉熵损失函数：若所述问题性质为二分类性质，则所述交叉熵损失函数为：其中，是所述图神经网络预测数据样本是正例的概率，y是数据样本的分类标签，如果数据样本的分类标签为正例，则y＝1；若数据样本的分类标签为负例，则y＝0；

若所述问题性质为多分类性质，则所述交叉熵损失函数为：其中，J是数据样本的个数，j是数据样本中的第j个数据样本， 是所述图神经网络模型的预测样本是第j个数据样本的概率，yj是第j个数据样本的分类标签。