1.一种基于时空融合的图卷积网络工业过程故障诊断方法，其特征在于：采集工业生产过程中的故障数据，然后将故障数据进行z‑score标准化处理和滑动窗口截取得到节点特征矩阵Xonline，将节点特征矩阵Xonline输入到训练和测试好的ST‑Res‑GCN模型中获得故障分类结果；

所述ST‑Res‑GCN模型包括依次连接的输入层、第一批量归一化层BN Layer1、第一图卷积层GCN Layer1、三个残差图卷积模块Res‑GCN、第五批量归一化层BN Layer5、第一一维卷积层CNN Layer1、二个时空特征提取模块ST、全局最大池化层GMP Layer、丢弃层Dropout Layer和输出层；

所述残差图卷积模块Res‑GCN包括批量归一化层BN Layer、图卷积层GCN Layer和加法层Add Layer；

所述时空特征提取模块ST包括批量归一化层BN、长短记忆网络LSTM、批量归一化层BN、一维卷积层CNN和加法层Add Layer。

2.根据权利要求1所述的一种基于时空融合的图卷积网络工业过程故障诊断方法，其特征在于：所述ST‑Res‑GCN模型的训练和测试过程为：

(1)将仿真实验数据分为训练集和测试集两部分，每部分均包含正常数据和故障数据；

(2)计算训练集的正常数据中不同变量之间的MIC值作为邻接矩阵A，将训练集的故障数据进行z‑score标准化处理后使用滑动窗口截取得到训练集的节点特征矩阵X，然后将训练集的邻接矩阵A和节点特征矩阵X输入所述ST‑Res‑GCN模型进行训练，以交叉熵作为损失函数，Adam算法作为优化算法，并且加入早停机制来寻找最佳模型，获得训练好的ST‑Res‑GCN模型；

(3)将测试集的故障数据进行z‑score标准化处理后使用滑动窗口截取得到训练集的节点特征矩阵X，将测试集的节点特征矩阵X输入训练好的ST‑Res‑GCN模型，评价指标为误差率和F1分数，调整ST‑Res‑GCN模型的参数直到评价指标满足预设的评价标准，获得所述训练和测试好的ST‑Res‑GCN模型，其中测试时的邻接矩阵A与训练时所用的邻接矩阵A相同。

3.根据权利要求2所述的一种基于时空融合的图卷积工业过程故障诊断方法，其特征在于：所述邻接矩阵A的获取过程为：

(1)数据截取

对所述正常数据 进行z‑score标准化处理，然后选取长度为l的时序数据得到数据集 其中，S＝{s1,s2,...,si,...,sN}， N为数据集S中时序数据的条数；

(2)MIC值计算

依次选取数据集S中的2条时序数据si,sj∈S，计算两条数据之间的MIC值：其中，p(si,sj)为si,sj的联合分布，p(si)、p(sj)分别为si和sj的边缘分布，I(si,sj)为

0.6

si,sj的互信息，B为网格上限，通常取B＝n ，n为样本数量，a和b为a×b网格的a行和b列；

(3)邻接矩阵计算

对 中所有N条时序数据之间按式(1)的计算最大信息系数MIC值，得到对称的N×N矩阵，设定一个阈值λ，将N×N矩阵中小于λ的MIC值替换为0，其余值保持不变，获得MIC矩阵作为邻接矩阵

4.根据权利要求3所述的一种基于时空融合的图卷积网络工业过程故障诊断方法，其特征在于：所述滑动窗口截取的过程如下：

对所述z‑score标准化处理后的故障数据用t的窗口长度、以1为步长进行移动截取，得到T‑t+1组N×t的数据集X＝{x1,x2,...,xT‑t+1}作为所述节点特征矩阵X，其中 T为故障数据的时序长度，i＝1,2,...,T‑t+1。

5.根据权利要求4所述的一种基于时空融合的图卷积网络工业过程故障诊断方法，其特征在于：所述输入层包括所述节点特征矩阵X和所述邻接矩阵A；

所述残差图卷积模块Res‑GCN包括第一残差图卷积模块Res‑GCN 1、第二残差图卷积模块Res‑GCN 2、第三残差图卷积模块Res‑GCN 3；

所述时空特征提取模块ST包括第一时空特征提取模块ST 1、第二时空特征提取模块ST2。

6.根据权利要求5所述的一种基于时空融合的图卷积网络工业过程故障诊断方法，其特征在于：所述第一图卷积层GCN Layer1)的计算过程为：

其中， IN为单位矩阵； 是 的对角度矩阵， 为 的归一化矩阵，W1为权重，σ为激活函数；fBN为批量归一化层的计算输出，X为输入。

7.根据权利要求6所述的一种基于时空融合的图卷积网络工业过程故障诊断方法，其特征在于：所述第一残差图卷积模块Res‑GCN 1包括：第二批量归一化层BN Layer2、第二图卷积层GCN Layer2、第一加法层Add Layer1，计算过程为：O1＝H1+H2， (10)

其中，O1和H2分别表示第一残差图卷积模块Res‑GCN 1的输出和第二图卷积层GCN Layer2的输出，所述第二残差图卷积模块Res‑GCN 2包括：第三批量归一化层BN Layer3、第三图卷积层GCN Layer3、第二加法层Add Layer2，计算过程为：O2＝O1+H3 (11)

其中，O2和H3分别表示第二残差图卷积模块Res‑GCN 2的输出和第三图卷积层GCN Layer3的输出，所述第三残差图卷积模块Res‑GCN3包括：第四批量归一化层BN Layer4、第四图卷积层GCN Layer4、第三加法层Add Layer3，计算过程为：O3＝O2+H4 (12)

其中，O3和H4分别表示第三残差图卷积模块Res‑GCN3的输出和第四图卷积层GCN Layer4的输出，其中，W2、W3和W4均为权重。

8.根据权利要求7所述的一种基于时空融合的图卷积网络工业过程故障诊断方法，其特征在于：所述第一时空特征提取模块ST 1包括：第六批量归一化层BN Layer6、第一长短记忆网络LSTM Layer1、第七批量归一化层BN Layer7、第二一维卷积层CNN Layer2、第四加法层Add Layer4，计算过程为：STO1＝R1+R2 (22)

其中，STO1、R1和R2分别表示第一时空特征提取模块ST 1的输出、第一一维卷积层CNN Layer1的输出和第二一维卷积层CNN Layer2的输出；

R1＝fConv(fBN(O3)) (14)

R2＝ReLU(fConv(fBN(fLSTM(fBN(R1))))) (21)其中，fConv表示一维卷积层计算，fLSTM表示长短记忆网络的计算；

所述第二时空特征提取模块ST 2包括：第八批量归一化层BN Layer8、第二长短记忆网络LSTM Layer2、第九批量归一化层BN Layer9、第三一维卷积层CNN Layer3、第五加法层Add Layer5，计算过程为：R3＝ReLU(fConv(fBN(fLSTM(fBN(STO1))))) (23)STO2＝STO1+R3  (24)

其中，STO2、STO1和R3分别表示第二时空特征提取模块ST 2的输出、第一时空特征提取模块ST 1的输出和第三一维卷积层CNN Layer3的输出。