1.基于数据和知识驱动的工业物联网设备协同管控系统，其特征在于，包括了物联网设备，知识获取模块，用于从知识产生源获取知识和记录知识产生的空间地点、产生时间，所述知识包括所述设备相关的知识，具体包括设备的名称、所属的知识产生源和/或用户、与设备相关的用途、技术原理、使用记录、历史与实时指标以及环境参数，设备管理信息，以及科学技术资源、社会人文科学资源，具体包括文献、图片、视频、音频，知识解析模块，与所述知识获取模块连接，用于构建复合异质图神经网络CHGNN，并利用接收到的知识产生源所输入的知识和空间地点，构建基于复合异质图神经网络的注意力机制CHGNNBAM，并在构建完成后，再次基于新输入的知识进行知识脉络的调取、并基于所述知识脉络给出注意力机制的分析结果，并且在预定的时间周期内更新CHGNN以及CHGNNBAM，输入模块，与计算机网络连接，用于接收用户所述新输入的知识，通过计算机网络输入到所述知识解析模块中，且所述知识聚类于带领域标签的预设的知识领域，并且在用户新输入知识时，需要对所述知识进行知识领域的选择，选择知识的领域标签，评价模块，用于对已经调取的知识脉络以及注意力机制的分析结果，进行综合分析，给出适配于用户搜索真实意思的最终评价，以及，显示模块，用于对知识脉络、注意力机制的分析结果以及综合分析的结果进行显示和对可视化的CHGNN进行操作，其中，所述知识产生源将根据密级划分而产生的知识定期输入到知识获取模块，传输到知识解析模块中用于所述更新；

构建复合异质图神经网络，并利用接收到的知识产生源所输入的知识和空间地点，构建基于复合异质图神经网络的注意力机制的方法包括：S1建立地理地图，在地理地图上将所述空间地点标定为异质图神经网络的节点，构建基于现实空间地点的异质图网络 ,形成现实空间地点的异质图神经网络，其中，为节点集合，一旦被记录则不可拖动和修改,但可以删除和恢复，为空间边集合；

S2构建基于 上的知识异质图网络 , 为不同知识领域的知识节点的集合、为知识边集合,并构建基于 上的物联网设备异质图网络 , 为代表单个设备或设备集合的设备节点的集合， 为设备边集合；

S3在 、 、 中分别构建元路径

、元路径 、元路径

、穿越元路径 并定义元

路径的邻居，即对于任一节点 ,则通过元路径连接 的所有节点即为邻居，其中， ， ， ， ，为自然数，且， 为节点的空间关系，每一个即

表示元路径 中相邻节点在所述地理地图上的双箭头矢量； 为知识之间的关联，每一个即表示元路径 中相邻节点在科学技术资源、社会人文科学资源的知识领域中的双箭头， 为物联网设备之间的关联，每一个即表示元路径 中相邻节点在设备相关的知识领域中的双箭头；

对于穿越元路径 邻居中定义穿越邻居，在 、 、 之一中选择关注节点 ,或 ，或 ,而 ，设 且 的值域小于等于 大于

0，设 ，则 ,其中，为 的值域补集, 为关注节点和穿越邻居之间以及穿越邻居之间的穿越关系，即表示成 与 之间的双箭头，形成穿越边，其中，对于 ，且 ， ，则 ，为 的值域补集，此时穿越元路径 称为全穿越元路径，非全穿越元路径称为局部穿越元路径；

S4首先 、 、中分别根据元路径 、元路径 、元路径 建立注意力机制，先构建节点注意力机制，再构建语义注意力机制,最后构建子图注意力机制，其次基于穿越元路径 ，在 、 、之间建立穿越注意力机制，先选择 、、 中一者选择关注节点，根据穿越元路径同样先构建节点注意力机制，再构建语义注意力机制，最后构建子图注意力机制，再依次选择 、 、中剩余两者中每一者的节点作为关注节点，再次根据穿越元路径同样先构建节点注意力机制，再构建语义注意力机制，最终得到所述CHGNNBAM，其中元路径 、元路径 、元路径 、穿越元路径 节点数在3 20之间均可调。

~

2.根据权利要求1所述的系统，其特征在于，所述知识产生源包括：行政部门、企事业单位、公司、学校科研机构、社会团体组织、以及个人。

3.根据权利要求1或2所述的系统，其特征在于，知识获取模块解析IP地址或者根据输入的知识产生源的名称和地址，来获取到空间地点，产生时间通过知识获取模块记录的接收知识的时间以获得，所述知识通过人工或计算机审核而决定是否采纳该知识并记录所述空间地点、产生时间，所述操作包括对可视化的CHGNN进行拖动、在其上点击弹出对话框或搜索栏进行知识的搜索和/或查看、修改、删除和/或恢复中至少一种。

4.根据权利要求1所述的系统，其特征在于，所述节点注意力机制构建方法如下：S4‑1对于元路径 、元路径 、元路径 、穿越元路径 连接的节点对 ,对于 元路径 、元路径 、元路径 、穿越元路径 ,分别构建四类节点注意力， ， ，

（1）, 、 、 、 分别为四类节

点注意力的深度神经网络， ， ， ， 分别为 元路径 、元路径 、元路径 、 穿越元路径 时的节点 的表示，其中， 为节点 选为关注节点 的表示，S4‑2计算节点 所有基于元路径 的邻居 的注意力，以下式（2）得到式（1）四类节点注意力归一化系数的统一表达式：（2），为表示的拼接算符， 为

元路径 的节点注意力向量上标 表示转置， 为节点 的邻居节点个数， 是激活函数, 和 分别为节点 在四类节点注意力的统一表达以及统一表示,S4‑3计算节点 基于四类元路径 的特征统一表示 ，最后将注意力机制重复 次，得到 （3）， 表示将注意力机制重复 次进行拼接；

语义注意力机制构建方法如下：

S4‑4计算四类元路径权重

（4）其中

表示相应节点集合的模，第四式中 根据穿越元路径上的所有节点所属的节点集合而作并集，具有上下标的 、具有下标的 、分别为相应的语义的注意力向量、权重、偏置表示，S4‑5对于 对应子图中，计算节点 所有基于每一条元路径 的注意力，以下式（5）得到四类语义注意力归一化系数的统一表达式： （5），其中 为式（4）的统一表达，

S4‑6构建四类元路径注意力 （6）,表示对于任一路径 下的元路径注意力为相应该路径下的 通过语义注意力的深度神经网络 学习得到，则语义注意力机制的特征统一表示为 （7）；

子图注意力机制构建方法如下：

S4‑7同节点注意力机制和语义注意力机制一样，对于知识产生源输入的知识所属的知识领域对应的各个子图中，构建子图注意力机制涉及到对应的如下公式（8）‑（11）：（8）， 为子图关联程度， 为

子图注意力的深度神经网络，

（9）， 为子图权重，具有上下

标的 、 、 分别为相应的子图注意力向量、权重、偏置表示，(10)，

（11），为子图注意力机制统一表示，

利用 代入 、 、 、 、 、 任

一者或其组合，即多层感应机制

中进行

计算交叉熵损失 ，其中 ，

；表示所述领域标签的编号，为领域标签

集合，为编号为 的领域标签，为节点分类器参数， ，通过训练各注意力深度神经网络，直至交叉熵损失趋稳最小，得到CHGNNBAM；

其中训练的方法包括：

S4‑8所述知识产生源将根据密级划分而产生的知识定期通过计算机网络输入到输入模块,由输入模块传输到所述知识获取模块中记录知识产生的空间地点、产生时间；

S4‑9知识解析模块通过步骤S4得到 、 、 中，以及 、 、之间穿越的四类元路径的各训练完毕的注意力机制，接收输入的知识，以及产生的空间地点，将其划分为训练集和验证集，将训练集处理形成节点表示，根据知识产生源输入的知识领域，形成领域标签，并定义的元路径节点数，得到知识对应节点的相应所有元路径，根据公式（1）‑（3）预测得到对应的归一化系数 和 ，并根据公式（4）‑（7）得到相应的归一化系数 和 ，并根据公式（8）‑（11）得到相应的子图关联程度，也即归一化系数 和 ，并且分别计算得到交叉熵损失值，S4‑10将交叉熵损失值反向传播优化各深度神经网络参数，采用验证集验证准确率，并循环进行步骤S4‑7‑S4‑9,优化网络参数，以及验证准确率。

5.根据权利要求4所述的系统，其特征在于，其中，基于新输入的知识进行知识脉络的调取、并基于所述知识脉络给出注意力机制的分析结果，具体方法是：S5将知识输入训练好的CHGNNBAM中，得到预测的知识领域，S6在预测的知识领域中，根据知识相应的空间地点、产生时间，进行知识脉络的绘制，并调取绘制好的知识脉络，S7在所述绘制好的知识脉络中标出与所述新输入知识对应的节点和/或子图；

所述综合分析包括，统计分析以下各类分布中的至少一种：在知识对应的预测的知识领域和其他至少一个领域中，在所述地理地图上的第一分布，即 分布，在可视化的 中的第二分布，即 分布，

在可视化的 中的第三分布，即 分布，

、 、之间的穿越分布，即 分布，以及，

根据用户所属知识产生源，显示所属知识产生源涉及知识领域对应在所述地理地图上的 分布、 分布、分布、 分布中至少一种，并且，统计分析选择的各类分布中的历史脉络 ，即在选择的各类分布中各属于 的节点中知识的历史脉络 ，适配于用户搜索真实意思的最终评价包括将预测的知识领域和所述其他至少一个领域对应的领域标签和用户输入知识的领域标签比较，将比较结果作为所述最终评价。

6.根据权利要求5所述的系统，其特征在于，其中，S5中所述得到预测的知识领域，具体是根据各领域标签下归一化系数最大者代表可能涉及到的领域标签所属的知识领域，S6中绘制的方法是，在地理地图、 、中选出属于预测的知识领域的所有节点和/或子图，并在预测的知识领域中，根据知识的产生时间顺序排序形成历史脉络 ，S7中标出是在地理地图以及可视化的 、中标出。

7.根据权利要求6所述的系统，其特征在于，选择绘制各领域标签下归一化系数非最大者中的其他至少一个领域对应的知识脉络，所述可视化是在属于 的节点在对应的地理地图上显示。