1.一种基于图卷积的电机故障诊断方法，其特征在于，所述方法包括以下步骤：

1)划分数据样本：利用傅里叶变换和逆变换将定子电流数据参照单个周期正弦函数划分单位样本；

2)构建电流图网络：在每个单位周期样本中，首先根据电流数值正负以及样本周期将样本划分为两个部分，然后分别确定两个部分中的数据点是否存在联系，并以数据点为节点创建节点关系矩阵，最后根据节点关系矩阵和电流数值波动特征构建电流图网络；

3)构建图卷积神经网络并分类：将电流图网络作为模型训练数据，设计图卷积神经网络分类模型，并进行故障分类；

所述步骤1)的过程如下：

首先，对各种电机故障的定子电流数据Xi进行快速傅里叶变换：ffti＝FFT(Xi)  (1)

其中，ffti表示第i种电机故障的定子电流数据经过快速傅里叶变换的结果，FFT表示快速傅里叶变换；

其次，记ffti中所有高幅值分量为ampi，对此分量集合进行傅里叶逆变换：fiti＝IFFT(ampi)  (2)

其中，fiti表示经过傅里叶逆变换得到的第i种故障的拟合的光滑曲线，根据此曲线中每个正弦函数的时间段，在原始定子电流数据上划分单位样本xij，样本数据长度为一个周期，j表示样本数；

所述步骤2)的过程如下：

每个样本xij中都有n个数据点，令:

xij＝f(t) t∈[1,2,…,n]  (3)其中，f(t)表示xij中第t个点的电流值，且每个样本的数值分布都类似于一个相位为0‑

2π的正弦函数，再根据电流数值正负以及样本周期，将每个样本划分为S1,S2两部分：对于S1部分，首先取t1和t3两个点，且1≤t1＜t3≤n/2，对于任意的一个点t2，t1＜t2＜t3，都满足以下关系时，则定义t1和t3之间存在联系：对于S2部分，首先取t1和t3两个点，且n/2+1≤t1＜t3≤n，对于任意的一个点t2，t1＜t2＜t3，都满足以下关系时，则定义t1和t3之间存在联系：此外，样本中每个数据点与其自身及相邻点也视为存在联系，然后将所有数据点作为n×n节点，根据节点之间的联系创建节点关系矩阵：Aij∈{0，1} ，n表示节点数量，1表示存在联系，0表示无联系，并对该关系矩阵进行归一化：‑1

其中D 表示节点关系矩阵Aij的度矩阵，I表示单位矩阵；

另外，由于所有样本的电流数据分布近似正弦函数，且在正弦函数上下一定范围内波动，而故障特征主要体现在此波动上，该波动特征提取方法如下：x′ij＝xij‑fitnormal  (9)其中，fitnormal表示经过傅里叶逆变换得到的电机正常状态的拟合的光滑曲线，x′ij表示样本中各种状态的波动特征，并对该波动特征进行归一化得到因此，电流图网络表示为 其中 d表示特征数量。

2.如权利要求1所述的一种基于图卷积的电机故障诊断方法，其特征在于，所述步骤3)的过程如下：图卷积神经网络可以经过多次迭代，来不断抽象图网络的特征，其过程表示为：(k) (k) (k)

其中，xij 表示第i种故障第j个样本在第k层图卷积神经网络中的特征值，W 和b 分别表示第k层图卷积神经网络的可训练权重矩阵和偏置，且每层结果都会经过ReLU激活函数；

然后将最后一层图卷积特征进行展开，得到一维特征F1，以便后续使用全连接神经网络进行分类：C＝Softmax(F1·W1)  (12)其中，W1表示全连接神经网络的可训练权重，C表示电机故障的分类结果。