1.一种基于图神经网络与知识图谱的气缸盖多故障整体诊断方法，采集气缸盖在故障运行状态下的信号数据并处理，得到重构数据集，对重构信号数据作解调处理得到故障特征{X1,X2,...,XP}，P表示故障特征的个数，故障特征{X1,X2,...,XP}划分为训练集和样本集，其特征是还包括以下步骤：

步骤(1)：确定出不同故障特征{X1,X2,...,XP}所对应的故障模式{F1,...,Fn}，建立故障辨识框架Φ(Γ)＝{F1,...,Fn,{F1,F2},...,{F1,...,Fi},...,{F1,...,Fn}}，Γ是所有故障模式子集的集合，i＝1,2,...,n，n是故障模式的个数，n

步骤(2)：根据故障特征{X1,X2,...,XP}以及故障辨识框架Φ(Γ)包含的2 ‑1个故障模式子集间的语义关系创建故障实体文本，根据气缸盖的故障实体间的对应关系筛选出故障三元组＜h,r,t＞，h是头实体，r是关系，t是尾实体；

步骤(3)：对于每个故障三元组＜h,r,t＞，将实体空间内的实体投影到关系r所在的空间，构建知识表示模型CTransR，步骤(4)：将所述的知识表示模型CTransR嵌入所述的故障辨识框架Φ(Γ)中，运用所述的知识表示模型CTransR及故障辨识框架Φ(Γ)搭建故障知识图谱，向故障知识图谱中插入故障实体以及故障实体间的语义关系，形成完整的故障知识图谱；

步骤(5)：建立关系图卷积网络模型，网络的每个节点，周围所有与之相连的关系r都表示为一个矩阵，加入节点更新公式中更新；

步骤(6)：采用所述的关系图卷积网络模型，对所述的训练集和验证集中的故障特征{X1,X2,...,XP}同时进行编码训练，得到训练后的故障特征{X1,X2,...,XP}；

步骤(7)：使用所述的关系图卷积网络模型抽取所述的故障实体文本中的头实体h和尾实体t之间的关系并对实体及实体关系进行学习，以更新故障知识图谱；。

步骤(8)：构建故障模式{F1,...,Fn}与故障知识图谱中的故障实体之间的映射表，通过映射表，将关系图卷积网络与故障知识图谱通过映射关联，得到关联后的故障知识图谱；

步骤(9)：采集任意待诊断的气缸盖的样本，将其故障特征{X1,X2,...,XP}输入所述的关联后的故障知识图谱中进行检索，得到故障知识图谱中对应的故障实体的解释，从而判定出故障。

2.根据权利要求1所述的基于图神经网络与知识图谱的气缸盖多故障整体诊断方法，其特征是：步骤(9)中，当采集的样本不能被关联后的故障知识图谱识别时，重复步骤步骤(6)‑(8)，完成数据的扩充以及故障知识图谱的更新，直到得到对应故障实体的解释为止。

3.根据权利要求1所述的基于图神经网络与知识图谱的气缸盖多故障整体诊断方法，其特征是：对气缸盖在故障运行状态下的信号数据划定样本长度，根据信号数据中的一个周期信号的数据点数量NT和样本的个数NS确定样本长度NL范围为： N为所有样本中的信号数据点的总数量N，根据样本长度NL的范围以及样本的个数NS，将样本划分为训练集和验证集。

4.根据权利要求1所述的基于图神经网络与知识图谱的气缸盖多故障整体诊断方法，其特征是：步骤(5)所述的节点更新公式是； 为节点在第l层的特征表达，σ为非线性激活函数， 为在关系r的节点的邻居集的索引，ci,r为一个正则化常量， 是一个用来正则化的系数， 为初始权重， 为r类型节点的变换权重参数，只有相同关系类型r的边才使用相同的映射权重

5.根据权利要求1所述的基于图神经网络与知识图谱的气缸盖多故障整体诊断方法，其特征是：步骤(3)中，将实体空间内的实体通过Mr矩阵投影到关系r所在的空间，得到hr和tr，使hr+t≈tr，所有实体对(h,t)以偏移量(h‑t)为依据被聚类为多组，每组实体对有相似的r，每一类关系的r有一个映射矩阵Mr和向量rc，

6.根据权利要求5所述的基于图神经网络与知识图谱的气缸盖多故障整体诊断方法，k d

其特征是：实体空间表述为：(h,t)∈R ，关系空间表述为：r∈R ，对于每一个关系有一个投k×d d

影矩阵Mr∈R ,(k≠d)，将h和r投影在关系空间R中，hr＝h·Mr，tr＝t·Mr，则模型的评价函数为： ||h||2≤1，||r||2≤1，||t||2≤1，||hMr||2k d

≤1，||tMr||2≤1，R为实体空间(图3的左半部分)，R 为关系空间，hr,c为头实体投影向量，tr,c为尾实体投影向量，Mr为映射矩阵，rc为关系向量；α为控制系数。

7.根据权利要求1所述的基于图神经网络与知识图谱的气缸盖多故障整体诊断方法，其特征是：步骤(4)中，对故障知识图谱可视化展示，对各种故障数据作增减查找以及聚类搜索。

8.根据权利要求1所述的基于图神经网络与知识图谱的气缸盖多故障整体诊断方法，其特征是：步骤(8)中，对经过关系图卷积网络训练后的故障特征{X1,X2,...,XP}赋予类名，步骤(9)中，将赋予故障特征{X1,X2,...,XP}的类名输入所述的关联后的故障知识图谱中进行检索。