1.一种基于残差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：以第一相电流信号的波峰为划分依据，将电流信号划分成单周期小样本，每个小样本包含了两相电流的单周期数据；

2)故障特征信号提取：对小样本中的两相电流分别进行带通滤波，滤除信号中都存在的正弦分量和高频噪声，获得信号中的波动分量，即故障特征电信号；

3)构建电流图网络：以故障特征信号的极值点为图网络的节点，并定义节点之间相关性的规则，从而完成电流图网络构建，然后分别融合10个连续的小样本中的电流图网络作为模型输入样本，每个输入样本包括两个电流图网络，分别对应两相电流；

4)构建ResGAT：通过将残差网络ResNet和GAT进行结合，利用ResNet中的恒等映射思想来保证图信息在特征传递时的完整性；

5)构建基于ResGAT的分类模型：对于输入样本中的两个电流图网络，都通过一层ResGAT和一层GAT提取特征，然后融合这两个特征图，再利用CNN提取特征并实现故障分类。

2.如权利要求1所述的基于残差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)中，以第一相电流信号的波峰为划分依据，将电流信号划分成单周期小样本其中p∈{1,2}表示电流相位，M表示小样本总数，则每个小样本包含了两个周期电流信号

3.如权利要求1或2所述的基于残差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)中，对小样本中的两相电流分别进行带通滤波，首先对其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，频率低于0.01f的部分为正弦分量，频率高于0.3f的部分为高频噪声，然后对该结果进行快速傅里叶逆变换(IFFT)，获得故障特征信号

4.如权利要求3所述的基于残差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)中，以故障特征信号的极值点为图网络的节点，并定义节点之间相关性的规则，从而完成电流图网络构建：

令:

其中， 是故障特征信号中每个数据点的数值映射，N表示数据点数量，和 表示故障特征信号中的极大、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n个故障特征信号的极值点建立的图网络；

然后分别融合10个连续的小样本中的电流图网络作为模型输入样本：令

其中， 表示输入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， 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，节点和连边在融合时分别取并集； 表示图网络中节点的特征，由故障特征信号经过融合并转置得到， 表示N个节点的特征向量，每个节点特征大小为1×10；Xn表示模型输入样本。

5.如权利要求4所述的基于残差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)中，首先，构建图注意力网络，对于图网络G＝(V,E),它含有一系列节点特征l

其中N是节点数量，F是当前层每个节点特征的数量，为了获得l+1

更高级的特征，GAT利用一个共享权重矩阵 将输入特征转换到维度为F 的特征l+1

空间，F 是新特征的数量，然后在所有连边上执行注意力机制a: 来计算注意力系数：

其中， 表示第l层节点j对节点i的重要性，且注意力机制a只应用于节点i相邻的节点集Ni上，即j∈Ni；注意力机制a是一个单层前馈神经网络，由权重向量 参与计算，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归一化：T

其中， 是归一化后的注意力系数，·表示矩阵转置，||表示矩阵拼接操作；将归一化的注意力系数用于节点特征的更新过程中，并经过非线性激活函数σ，得到新的节点特征：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，然后将所有特征进行拼接：

其中，K表示独立注意力机制的层数， 是第l层中通过第k个注意力机制计算的归一化l,k l+1

注意力系数，W 是对应的权重矩阵，且新的节点特征 的长度为KF ；

l+1

此外，还可以采用K平均来代替拼接操作，则新的节点特征 的长度为F ：那么，经过GAT提取特征后得到新的节点特征ResGAT结合了ResNet和GAT，利用ResNet中的恒等映射思想来保证图信息在特征传递时的完整性，过程如下：

r+1 2 r

H ＝h+H         (18)r 2

其中，H 是第r层ResGAT的输入节点特征，h是该输入经过两层GAT提取特征的结果，且这两层GAT中多层注意力机制采用平均的方式进行融合，因此ResGAT的输出特征尺寸于输入相同。

6.如权利要求5所述的基于残差图注意力网络的电机故障诊断方法，其特征在于，所述步骤5)中，对于输入样本Xn中的两个电流图网络，都通过一层ResGAT和一层GAT提取特征，

0 (p)

ResGAT的输入为 即H ，ResGAT的输出为 即GAT的输入，令GAT的输出为Z ，然后将(1) (2)

得到的两个特征图Z 和Z 在新的维度拼接起来：

0 (1) (2)

Z＝Z |||Z          (19)其中， 是拼接后的结果，F是经过GAT后的特征长度，|||表示在新的维度将特征图进行拼接，最后经过CNN提取特征并进行分类：t‑1

其中，符号*表示二维卷积，Z 是第t层卷积层的输入，每一层卷积层都包含若干个卷积核， 和 分别是第t层卷积层的第s个卷积核的权重矩阵和偏置，并且每次卷积后使用ReLU激活函数和池化操作；

最后，将卷积后的特征进行一维展开得到一维特征Z，并通过全连接神经网络和SoftMax激活函数进行故障分类：y＝SoftMax(W*Z+b)       (21)其中，y表示最终的分类结果，W和b分别是全连接神经网络的权重矩阵和偏置。