1.一种基于时空图注意力网络的工业时序数据异常检测方法，其特征在于，包括以下步骤：

1)数据预处理：将各传感器数据进行归一化处理，并进行时序数据划分；

2)时序全连接图构建：将工业传感器数据节点两两相连构成全连接图，节点表示传感器数据，边权重表示传感器之间的依赖关系；

3)时空图注意力网络框架：提取时序数据空间特征，提取时序数据时间特征，并进行时空特征融合；

4)基于预测的工业时序数据异常检测：建立能捕捉时序数据趋势、周期性和模式的预测模型，通过训练集进行模型训练，并对测试集中的异常数据进行阈值设定，根据异常阈值进行异常检测。

2.根据权利要求1所述的一种基于时空图注意力网络的工业时序数据异常检测方法，其特征在于，所述步骤1)具体如下：

1.1)数据归一化：

将各传感器数据分别进行归一化处理，计算公式如下：i

其中 是第i个传感器的归一化值，s表示第i个传感器采集的数据， 和 分别表示第i个传感器原始测量值的均值和方差；

1.2)时序数据划分：

在t时刻，模型的输入是每个传感器t时刻之前的历史时间序列数据，使用大小为w的滑动窗口对窗口内的数据进行平均值计算，其表示为：

3.根据权利要求1所述的一种基于时空图注意力网络的工业时序数据异常检测方法，其特征在于，所述步骤2)具体如下：时序全连接图表示为G＝(V,E)，其中V是节点集合，每个节点分别代表传感器的时间窗口数据；E是边集，eij∈E表示节点i与节点j之间的带权连边，边的权值计算公式如下：其中Ci表示除了i节点之外的候选节点集合；x表示时间窗口数据；

N个传感器的时序全连接图的邻接矩阵表示为 矩阵中元素的值为上述计算的权重，表示如下：Aij＝eij,for j∈Ci          (5)。

4.根据权利要求1所述的一种基于时空图注意力网络的工业时序数据异常检测方法，其特征在于，所述步骤3)具体如下：

3.1)时序数据空间特征提取：

首先采用图卷积网络GCN提取时序数据的空间特征，通过节点特征的自适应聚合，将不同类型的传感器数据整合到一个统一的向量表示中，图卷积的计算公式表示如下：(l)

其中v 表示各节点在第l层的特征，δ表示非线性变换，I表示单位矩阵，表示邻接矩(l)阵，表示 对应的度矩阵，W 表示第l层的权重矩阵；

全连接时序图通过GCN得到的各传感器空间特征向量表示如下：其中 表示t时刻第i个传感器的空间特征向量，d表示向量的维度，N表示传感器节点数量；

3.2)时序数据时间特征提取：

采用TimesNet提取时序数据中的周期性变化特征，具体步骤如下：

3.2.1)：将时序数据分别输入到1x1的卷积层和Embedding层中，然后将它们各自的嵌入结果相加得到一维时序向量X1D；

3.2.2)：利用快速傅里叶变化提取一维时序向量X1D的周期性信息，然后将周期信息叠加到一维时序向量上，对于长度为T的一维时序向量其变化过程表示为：Z＝Avg(FFT(X1D))                (9){f1,…,fk}＝argTopk(Z)                     (10)其中 代表一维时序向量中每个频率分量的强度，FFT表示快速傅里叶变换，argTok代表选取前k个频率强度最高的周期信息{f1,…,fk}，Padding(·)表示在一维时序向量末尾补零，使得Reshape后的二维时序向量长度符合选取的周期信息长度；

通过公式(9)‑(11)，得到k个蕴含不同周期信息的二维时序向量 其列表示相邻时刻，其行表示相邻的周期；

3.2.3)：对于每个得到的二维时序向量 利用ResNext卷积策略整合残差信息以更好的提取传感器时间特征，提取到的二维时序特征向量表示为：

3.2.4)：将二维时序特征向量 转换回一维空间并进行信息聚合，其表示如下：其中，公式(13)中的Trunc表示将公式(11)中补充的0去除，Reshape表示将二维时序特征向量转换回一维形式，公式(14)和(15)表示利用对应的频率强度进行SoftMax加权求和，i通过以上步骤，得到时间特征向量X；

3.3)时空特征融合：

时空图注意力网络STFGAT将空间特征与时间特征进行融合，得到融合时空特征的向量zi，融合过程表示如下：i

其中Wz为可学习的权重矩阵，X为步骤3.2)中通过TimesNet学习到的时间特征向量，N(i)＝Topk(Aij)表示从权重矩阵A中提取结点i权重最大的k个邻居；k是超参数，决定i结点所选择的邻居个数；时空融合注意力系数αi,j计算公式如下：其中 表示向量拼接操作，Wg为线性变化权重矩阵，vi为步骤3.1)中通过GCN卷积得到的空间特征向量，a表示用于注意力机制学习的系数向量，使用LeakyReLU()非线性激活函数计算注意力系数θ(i,j)，exp()为softmax()归一化函数；

经上述特征提取步骤，N个传感器节点的最终时空融合特征向量表示为

5.根据权利要求1所述的一种基于时空图注意力网络的工业时序数据异常检测方法，其特征在于，所述步骤4)具体如下：

4.1)模型训练：

将时空融合特征向量 输入到输出维度为N的堆叠全连接层中以预测时间步为t的传感器值，其表示如下：其中，MLP表示堆叠的全连接层， 是第i个传感器在t时间步的预测值；

根据上述计算出的传感器预测值 通过损失函数与传感器真实值 进行损失计算；采用均方误差损失函数并通过Adam优化器来最小化损失函数，损失函数计算公式如下：其中，w为滑动窗口大小，T为训练集；

不断迭代以上训练过程，使传感器时空融合向量表示收敛，得到最终的准确预测模型；

4.2)阈值设定：

对于测试集中的异常数据，即在异常工作状态下产生的数据，其中包含了传感器监测到的异常值，采用Boxplots统计学方法自适应计算异常阈值，其计算方法如下：UpperThreshold＝Q3+1.5IQR (22)LowerThreshold＝Q1‑1.5IQR (23)其中，Q3为75％分位数，Q1为25％分位数，IQR为四分位差，UpperThreshold表示异常阈值上边界，LowerThreshold表示异常阈值下边界；

4.3)异常检测：

根据预测值与异常监测值，计算每个传感器的个体异常值，并将它们组合为每个时间刻度的总体异常分数，当总体异常分数超过设定的异常阈值时，判断该时间点发生了异常情况；个体异常值与异常分数的计算过程如下：其中Errori(t)表示个体异常值，As(t)表示t时刻的总体异常分数，IQR和m分别表示异常值在时间刻度上的四分位值与中值；

最终，当异常分数As(t)处于阈值范围外时则认为在t时刻发生异常，输出异常标签为1，经过以上步骤，完成多变量时序数据异常检测。