1.一种基于多视角图神经网络的风电机组故障诊断方法，其特征在于：该方法包括如下步骤：

步骤S1：从风电场状态监视与数据采集系统获取多台风电机组健康和不同故障状态下的多变量传感器时间序列历史数据；

步骤S2：将处理后的多变量传感器时间序列数据从不同视角构建多视角图结构数据；

即将每个传感器作为一个节点，传感器的时间序列切片为该节点特征，计算两两传感器之间的相关性作为边，分别构建距离图 邻域图 功能图 因果图 形成多视角图结构数据集合

步骤S3：构建图表示学习模块；将步骤S2中得到的四种图结构数据分别输入到对应的图卷积神经网络进行特征学习，再经过图池化层，最后通过使用读出层来聚合节点特征得到每个图结构数据对应的图特征表示，分别为步骤S4：构建多图交互学习融合模块，将步骤S3得到多图特征 输入交互学习单元，定义交互学习权重系数矩阵α来对多图特征分配不同的权重，利用了多图特征之间的相关性和互补性，最终学习得到多图特征之间的共享表示 公式如下

其中，αAB＝αBA，αAC＝αCA，αAD＝αDA，αBC＝αCB，αBD＝αDB，αcD＝αDC；αAA,αBB,αCC,αDD分别表示距离图、邻域图、功能图、因果图的自相关性度量系数；αAB,αBA表示距离图和邻域图之间的相关性度量系数；αAC,αCA表示距离图和功能图之间的相关性度量系数；αAD,αDA表示距离图和因果图之间的相关性度量系数；αBC,αCB表示邻域图和功能图之间的相关性度量系数；αBD,αDB表示邻域图和因果图之间的相关性度量系数；αCD,αDC表示功能图和因果图之间的相关性度量系数；最后串联运算得到全局图表示f′，公式表示如下，其中，CONCAT表示串联运算；

步骤S5：故障分类模块，将融合后的全局图表示f′输入到全连接层，并用softmax分类器输出不同故障类型的概率，最终得到各状态的故障类型标签。

2.根据权利要求1中所述的一种基于多视角图神经网络的风电机组故障诊断方法，其特征在于步骤S2中构建多视角图结构数据具体包括：所述构建距离图 是通过高斯核权函数在样本的其他节点中找到该节点的k′个最近邻，计算两节点之间的边权值，公式如下其中， 表示节点xi和节点xj之间的边权值，ζ是高斯核的带宽；

所述构建邻域图 是根据风力发电机各传感器部件的实际空间位置定义的，如果两传感器相邻，则这两节点之间的边权值 定义为1；不相邻则为0，公式如下所述构建功能图 的边权值表示每两个传感器的功能相关性，边权值由两节点之间的皮尔森相关系数确定，计算公式如下

其中，xi,t和xj,t为节点i和节点j在时段t内的属性值， 为所有节点在t时段属性的均值，T表示时间序列总长度；

所述构建因果图 用于提取两节点之间的因果关系，两节点之间的边权值通过传递熵值计算，公式如下

其中， 表示因果图中传感器变量i到j的因果关系，P(xi+1,xi,xj)表示xi+1,xi,xj的联合概率；P(xi+1|xi)表示已知i时刻xi的情况下xi+1的条件概率；P(xi,xj)表示xi和xj的联合概率。

3.根据权利要求1中所述的一种基于多视角图神经网络的风电机组故障诊断方法，其特征在于：步骤S3中所述的读出层，考虑多视角图神经网络的全局均值特性和局部最大值特性，计算公式如下

其中，CONCAT表示均值池 和最大池 的串联运算，N为节点个数， 为第i个节点的特征表示，最终得到各图的图表示F。

4.根据权利要求1中所述的一种基于多视角图神经网络的风电机组故障诊断方法，其特征在于：αAC,αCA,αAB,αBA,αAD,αDA,αBC,αCB,αCD,αDC,αBD,αDB,这些系数是在网络训练过程中自动优化得到的。