1.一种基于动态时间归整和图卷积网络的工业过程故障诊断方法，其特征在于：将仿真实验数据集中的正常数据的所有不同变量之间进行动态时间归整DTW得到距离的倒数矩阵作为邻接矩阵A，将故障数据进行标准化处理，然后滑动窗口截取得到节点特征矩阵X，然后构建DTW‑GCN模型，将邻接矩阵A和节点特征矩阵X用于训练和测试DTW‑GCN模型，将实时采集到的工业生产现场数据经过标准化处理和滑动窗口截取后输入训练和测试好的DTW‑GCN模型中进行故障诊断，最终得到实时的诊断结果。

2.根据权利要求1所述的一种基于动态时间归整和图卷积网络的工业过程故障诊断方法，其特征在于：

所述邻接矩阵A的获取过程为：给定所述正常数据 取其中l长度时序数据进行计算得到数据 其中，S＝{s1,s2,...,sN}， i＝1,2,...,N，N为自然数；

对于数据S中任意两条长度为l时序数据si,sj∈S，令si＝{a1,a2,...,al}，sj＝{b1,b2,...,bl}，采用曼哈顿距离d(am,bn)＝|am‑bn|构造一个l×l的距离矩阵，矩阵元素(m,n)表示am和bn两个点之间的距离d(am,bn)，两条时序数据si、sj的曼哈顿距离矩阵以左下角为起始点，动态时间规整DTW为在起始条件Lmin(1,1)＝d(1,1)下，通过动态规划方法：Lmin(m,n)＝min{Lmin(m,n‑1),Lmin(m‑1,n),Lmin(m‑1,n‑1)}+d(m,n)，寻找到一条路径，得到最小的Lmin(l,l)；

对于数据S中所有N条时序数据之间计算动态时间归整距离，得到N×N距离矩阵，然后N×N距离矩阵内的所有元素取其倒数作为衡量变量之间相关权重的参数，得到距离的倒数矩阵 作为邻接矩阵A。

3.根据权利要求2所述的一种基于动态时间归整和图卷积网络的工业过程故障诊断方法，其特征在于：

所述节点特征矩阵X的获取过程如下：对所述故障数据进行标准化处理和移动滑窗截取，给定原始数据 其中，N*

为特征变量数，T为原始数据的时序长度；对其进行标准化处理，Data＝(Data2‑μ)/σ，其中，μ和σ分别为每一维特征变量的均值和方差；然后用t的窗口长度，以1为步长进行移动截取，可得到T‑t+1组N×t的数据集X＝{x1,x2,...,xT‑t+1}作为节点特征矩阵X，其中 i＝

1,2,...,T‑t+1。

4.根据权利要求3所述的一种基于动态时间归整和图卷积网络的工业过程故障诊断方法，其特征在于：

基于图卷积构建所述DTW‑GCN模型，依次包括输入层、第一图卷积层GCN Layer1、第二图卷积层GCN Layer2、第一全连接层Dense Layer1、丢弃层Dropout Layer、第二全连接层Dense Layer2和输出层；：输入层包括所述节点特征矩阵X和所述邻接矩阵A；第一图卷积层GCN Layer1和第二图卷积层GCN Layer2均以ReLU作为激活函数且均为图卷积层，第一图卷积层(GCN Layer1)的计算过程为：

(1) ‑1/2 ‑1/2 (1) (1)H ＝ReLU(D AD XW )，其中，H 表示第一图卷积层GCN Layer1的输出，A＝A+IN表示对邻接矩阵A加入自连接，IN为单位矩阵；D是A的对角度矩阵，对角线元素为‑1/2 ‑1/2 (1)

其余元素为0；A＝D AD 为A的归一化矩阵，W 为第1层的权重；

第二图卷积层GCN Layer2的计算过程为：(2) ‑1/2 ‑1/2 (1) (2) (2) (2)H ＝ReLU(D AD H W )H 第二图卷积层GCN Layer2的输出，W 为第2层的权重。

5.根据权利要求4所述的一种基于动态时间归整和图卷积网络的工业过程故障诊断方法，其特征在于：

所述仿真实验数据集为田纳西‑伊斯曼TE过程数据集，设置分为训练集和测试集两部分，利用训练集对所述DTW‑GCN模型进行训练，以交叉熵作为损失函数，Adam算法作为优化算法，并且加入早停机制来寻找最佳模型；训练之后将测试集输入，并利用误差率和F1分数来评估DTW‑GCN模型从而获得所述训练和测试好的DTW‑GCN模型。