1.一种基于图注意力网络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)数据样本划分：利用傅里叶变换对电机的其中一相电流连续的电信号进行低通滤波，将滤波后的信号的相邻波峰对应的时间点作为划分依据，每两个相邻时间点为一个时间周期，在原始电流信号中依次截取一个时间周期的两相电流信号作为一个小样本，再将连续的n个小样本合并为一个大样本，这样可以让每个大样本包含更多信息并增加了样本数量；

2)数据预处理：对每个小样本中的两相电流分别进行带通滤波，得到去噪的状态特征电信号；

3)构建图网络：根据状态特征电信号的极值点构建电流图网络，再将大样本中两相电流的n个电流图网络融合得到该大样本的两相电流图网络；

4)构建基于图注意力网络的分类模型：基于两相电流图网络分别构建图注意力网络，再融合两个网络提取的特征进行分类。

2.如权利要求1所述的一种基于图注意力网络的电机故障诊断方法，其特征在于，所述步骤1)的过程为：首先，利用傅里叶对电机的第一相电流连续的电信号进行低通滤波，将滤波后信号的波峰对应的时间点作为划分依据，在原始电流信号中截取划分点之后第j个周期时间内的两相电流信号作为一个小样本 其中 表示第j个周期内第一、第二相电流数据，每个周期内单相电流的数据长度为N；再将从第j个周期开始连续的n个小样本合并为一个大样本Cj＝[cj,cj+1,…,cj+n‑1]，j＝0,1,2,…。

3.如权利要求2所述的一种基于图注意力网络的电机故障诊断方法，其特征在于，所述步骤2)的过程为：对每个小样本中的两相电流进行带通滤波，先对其中的两个电信号进行快速傅里叶变换：其中，FFT表示傅里叶变换， 表示电信号 在频域的结果；

原始电流信号中的采样频率为f，设置带通滤波范围为0.01f～0.3f：其中w表示频率，即只保留频率在0.01f～0.3f之间的数据；

再对滤波后的信号进行傅里叶逆变换(IFFT)，得到去噪的状态特征电信号：

4.如权利要求3所述的一种基于图注意力网络的电机故障诊断方法，其特征在于，所述步骤3)的过程为：根据状态特征电信号中的极值点建立图网络：令:

其中，将状态特征电信号中每个数据点的数值映射到 N表示数据点数量，和 表示状态特征电信号中的极大、极小值点的集合，这两个集合中的点就是图网络中的节点 分别在这两个集合中寻找相邻距离不超过d且电信号数值符号相同的两个点，并在图网络中为其添加连边关系， 表示图网络中第m个连边， 表示图网络中所有的连边集合， 表示根据第j个状态特征电信号的极值点建立的图网络；

对于一个大样本来说，每一相电流都包含了n个图网络，对其分别进行融合：其中， 表示大样本中由两相电流构建而来的图网络； 表示图网络 中的节点，由多个小样本中的图网络节点融合而来，若出现多次相同节点，则只保留一个， 表示图网络 中的连边关系，由多个小样本中的图网络连边融合而来，若出现多次相同连边关系，则只保留一次； 表示图网络 中节点的特征，由状态特征电信号经过融合并转置得到，大小为n×N， 表示特征向量，大小为n×1；Xj表示模型输入样本。

5.如权利要求4所述的一种基于图注意力网络的电机故障诊断方法，其特征在于，所述步骤4)的过程为：基于两相电流图网络分别构建图注意力网络，对于图网络令其中， 表示所有节点的特征向量， 表示第p个节点的特征向量，F表示节点特征向量的长度，即F＝n；

经过一层图注意力网络层提取特征后，得到新的节点特征向量集

其中，F′表示新的节点特征向量长度；

为了得到上述输入输出的转换，需要引入注意力机制，来表达其他节点对当前节点的影响，该影响即注意力系数的计算为：其中， 表示节点q对节点p的影响力， 表示权重矩阵，a表示注意力机制，且该机制只应用于节点p相邻的节点集Np上，即q∈Np，为了规范化注意力系数，先对注意力系数使用LeakyReLU激活函数，其小于零斜率设为0.2，再引入softmax对所有相关的注意力系数进行正则化：其中， 表示正则化后的注意力系数，综上所述，完整的注意力机制如下：其中，||表示矩阵融合操作， 是权重矩阵，在实验中，注意力机制a是一个单层的前馈神经网络；

得到正则化的注意力系数之后，根据每个节点所相关的节点特征来预测该节点的输出特征：其中，σ表示ReLU激活函数；

为了保证注意力机制的稳定性，扩展使用了多层注意力机制，每层注意力机制独立，然后将所有特征融合：其中，R表示独立注意力机制的层数， 分别表示第r层注意力机制的注意力系数和权重矩阵；

对于最后一层图注意力网络层也采用R平均来代替融合操作：

然后将基于两相电流的图注意力网络的输出 和 融合成一个特征矩阵Zj：其中， 为图注意力网络输出的特征维数，|||表示在新的维度将矩阵融合，即

然后对该融合矩阵Zj进行多次卷积，过程如下：

l l

其中，符号*表示二维卷积，W、b表示第l次卷积的权重和偏置，卷积中还包括卷积核数l l l量kn、卷积核大小ks和卷积步长s，并且每次卷积后使用ReLU激活函数；

最后，展开卷积结果为一维特征 并使用带有SoftMax激活函数的全连接层神经网络将特征映射到故障诊断分类结果中：其中，Dense()表示全连接层神经网络，resj表示第j个样本的故障诊断结果。