1.一种基于图注意力网络与LSTM自动编码模型的工业系统异常检测方法，其特征在于，所述方法包括以下步骤：

1)样本划分和标准化：采用滑动窗口将原始工业系统数据划分为样本；

2)异常检测模型构建：采用图注意力网络和LSTM自动编码机构建异常检测模型；

3)实时异常检测：基于重构误差计算异常程度分数，在此基础上进行异常状态判定；

所述步骤1)中，给定原始多维时序的工业系统数据 其中，T是数据容量，F是数据维度，样本划分和标准化的步骤如下：(1‑1)样本划分：基于宽度为W、步长为S的滑动窗口将X划分成由多个样本组成的样本集XS，其中，划分后样本的个数为N，每个样本(1‑2)标准化：基于Z‑Score方法对数据进行标准化操作，使得每个窗口中每个维度上的数据的均值为0、标准差为1；

所述步骤2)中，异常检测模型构建的步骤如下：

(2‑1)关联图构建：将每个样本x转化为关联图的形式Gx＝(V,E,A)，其中，V、E、A分别为节点集合、边集合、属性集合，描述如下：首先，V中每个节点vi代表样本数据的一个维度，一个维度对应工业系统中的一个监测设备；其次，E中每条边eij代表节点vi和vj之间存在关联，为每一对节点都设置一条边，即Gx是一个全连接图；再次，A中每个元素ai为vi所指示的维度上的样本数据向量，代表vi的属性；

(2‑2)模型构建：异常检测模型为一个深度神经网络，包含交互层、编码层、解码层和重构层；

(2‑3)模型训练：为实现无监督的模型训练，将解码器产生的重构样本y和原始样本x之间的均方误差作为模型的损失函数，在此基础上采用梯度下降方式对模型进行优化训练；

所述交互层使用图注意力网络来处理模型的输入，交互层的输入为步骤(2‑1)中得到的关联图形式的样本Gx，处理步骤为：step1对于Gx中任意一条边eij设置一个可学习的权重wij，其计算方法如式(1)所示，其中，q为可学习的参数向量，σ()为一个非线性激活函数，⊕用于拼接多个向量，L为vi的邻居节点个数；step2针对每个节点vi，计算其与所有邻居节点的加权平均向量作为vi的表征向量gi，如式(3)所示；step3将所有节点的表征向量拼接为一个矩阵 作为交互层的输出，其中z的行是节点表征向量的维度，列是节点的个数；

所述编码层使用LSTM网络处理连续N个样本的交互层输出z1、z2、…、zN，处理过程如式(4)所示，即当前隐状态矩阵ht由其前一个隐状态矩阵ht‑1和当前输入状态矩阵zt共同生成；

ht＝LSTM(ht‑1,zt) (4)

所述解码层使用LSTM网络处理编码层的输出h1、h2、…、hN，处理策略与编码层一致，输出特征矩阵序列r1、r2、…、rN；

所述重构层使用神经元数量为F的全联接层处理解码层的输出r1、r2、…、rN，得到与原始样本 的维度一致的重构样本

2.如权利要求1所述的基于图注意力网络与LSTM自动编码模型的工业系统异常检测方法，其特征在于，所述步骤(3)中，实时异常检测的步骤如下：(3‑1)异常程度打分：给定实时样本x，首先将其输入训练好的异常检测模型，得到重构样本y；然后，计算x和y的均方误差，作为x的异常程度分数px；

(3‑2)异常判定：如果px大于指定阈值，则判定x为异常。