1.一种融合多图神经网络的工业系统异常数据流检测与诊断方法，其特征在于，所述融合多图神经网络的工业系统异常数据流检测与诊断方法，包括：步骤1、工业系统的拓扑结构图构建：基于工业系统中各设备之间的直接连接关系建立拓扑结构图；

步骤2、工业系统的功能结构图构建：基于工业系统中各设备之间的功能相似度建立功能结构图；

步骤3、融合多图神经网络的异常检测：融合多个图神经网络建立工业系统数据流预测模型，并根据预测数据与真实数据的差异实现异常检测；

步骤4、基于注意力机制的异常诊断：通过注意力权重的反向计算，得到影响异常产生的时间因素、语义因素和设备因素；

步骤4‑1、诊断异常的时间因素：取工业系统数据流预测模型的循环层所计算的注意力权重向量γt，选择注意力权重最大的历史时刻K作为对异常产生影响最大的时间因素；

步骤4‑2、诊断异常的语义因素：取工业系统数据流预测模型的融合层所计算的历史时刻K的注意力权重TatK和FatK，记注意力权重最大的语义因素对应的结构图为MG；

步骤4‑2、诊断异常的设备因素：取工业系统数据流预测模型的图注意力层所计算的历史时刻K的注意力权重矩阵TGAtK和 FGAtK，如果结构图MG为工业系统的拓扑结构图，则计算使得TGAtK[n][I]最大的n的值，n取1到N；如果MG为工业系统的功能结构图，则计算使得FGAtK[n][I]最大的n的值，其中，I为在异常检测中检测出存在异常的设备标号，则Rn为对异常产生影响最大的设备因素；

其中，所述融合多个图神经网络建立工业系统数据流预测模型包括：融合图注意力网络、注意力机制、循环神经网络构建工业系统数据流预测模型，所述工业系统数据流预测模型的网络结构如下：输入层：对输入数据Dt，采用大小为w的滑动窗口将数据Dt分割成M个N × w维的小矩阵Dt1, Dt2, ..., DtM，N表示设备个数；

图注意力层：对每个小矩阵Dtk，k表示时刻且k=1,2, ...,M，将Dtk和拓扑结构图TG，以及Dtk和功能结构图FG分别输入两个图注意力网络，输出两个N × d1维的特征矩阵TGMtk和FGMtk以及两个N × N维的注意力权重矩阵TGAtk和FGAtk；

融合层：基于注意力机制对特征矩阵TGMtk和FGMtk进行加权求和，得到一个N × d1维的矩阵GMtk，以及特征矩阵TGMtk的注意力权重Tatk和特征矩阵FGMtk的注意力权重Fatk；

循环层：采用循环神经网络对融合层的输出进行处理，即将所有小矩阵Dt1, Dt2,  ..., DtM经过图注意力层后和融合层的输出矩阵GMt1, GMt2,  ..., GMtM按顺序分别输入一个LSTM单元，生成M个N × d2维的隐状态矩阵HMt1, HMt2, ..., HMtM；采用注意力机制对所有隐状态矩阵进行加权求和，得到一个N × d2维的输出状态矩阵HMt，以及一个M维的注意力权重向量γt；

输出层：将输出状态矩阵HMt输入一个全连接层，然后将全连接层的输出输入一个softmax层，最终softmax层的输出为一个N维向量Yt。

2.如权利要求1所述的融合多图神经网络的工业系统异常数据流检测与诊断方法，其特征在于，所述基于工业系统中各设备之间的直接连接关系建立拓扑结构图，包括：步骤1‑1、将工业系统中每个设备Ri创建为一个节点，若设备Ri与设备Rj之间存在直接连接关系，则在节点Ri和节点Rj之间创建一条边，记建立的无向图为TG；

步骤1‑2、采用一个邻接矩阵TM表示无向图TG，完成拓扑结构图的构建。

3.如权利要求1所述的融合多图神经网络的工业系统异常数据流检测与诊断方法，其特征在于，所述直接连接关系为物理连接或处于同一局域网。

4.如权利要求1所述的融合多图神经网络的工业系统异常数据流检测与诊断方法，其特征在于，所述基于工业系统中各设备之间的功能相似度建立功能结构图，包括：步骤2‑1、将工业系统中各设备按照功能进行分类，若设备Ri与设备Rj属于同一类型，则在节点Ri和节点Rj之间创建一条边，记建立的无向图为FG；

步骤2‑2、采用一个邻接矩阵FM表示无向图FG，完成功能结构图的构建。

5.如权利要求1所述的融合多图神经网络的工业系统异常数据流检测与诊断方法，其特征在于，所述工业系统数据流预测模型的训练如下：步骤3‑1、令训练样本St为当前时刻为t且跨度为W个时刻的数据，则St = (WDt, Xt)；其中，WDt为St的数据部分，代表工业系统在[t – W, t ‑ 1]时间内的数据流，表示为一个N × W维的矩阵，WDt[i]代表设备Ri在[t – W, t ‑ 1]时间内的数据流，表示为一个W维的向量，N表示设备个数，Xt为St的标注部分，代表工业系统在t时刻的真实数据，表示为一个N维向量，Xt[i]为设备Ri在t时刻的真实数据，对工业系统的历史数据流进行分割得到大量训练样本，从而建立训练样本集；

步骤3‑2、取训练样本中的数据部分WDt输入至工业系统数据流预测模型，得到工业系统数据流预测模型输出的N维向量Yt；

步骤3‑3、根据工业系统数据流预测模型输出的N维向量Yt，以及训练样本集中的标注部分Xt计算损失函数，并通过反向传播更新工业系统数据流预测模型的参数；

步骤3‑4、若达到训练结束条件，则输出加载最新参数的工业系统数据流预测模型，并接收训练；否则返回步骤3‑2继续训练。