1.一种基于图结构掩码自编码器的制糖厂数据异常检测方法，其特征在于所述方法包括以下步骤：1)数据的获取和整合：提取正常数据设置为训练集，提取异常数据设置为测试集，并设置滑动窗口；2)建立因果有向图：根据生产流程图，对其变量之间构建因果有向图；3)建模训练：构建基于图结构掩码自编码器的数据异常检测模型；步骤3)的具体过程如下：步骤3.1：是基于图注意力和Transformer构建异常检测模型；对于图G， 其中V是节点数，T是每个节点中的特征数；使用权重矩阵 对每个节点进行线性变换，F表示线性变换后的维度；在节点上执行自注意机制 以计算注意力系数e ij ：e ij ＝a(x i W,x j W) (1)e ij 表明了节点j的特征对节点i的重要性；该公式允许每个节点关注其他所有节点，通过掩码将图结构融入到该机制中，仅计算节点 的e ij ，其中 是图中节点i的邻域；为了使不同节点之间的系数易于比较，使用softmax函数对j的所有选择进行归一化，公式如下：其中，σ(.)为LeakyReLU激活函数；其中，h表示头的数量，α ij 表示两个节点间的注意力系数，W h Q 、W h K 和W h V 分别是将Q、K和V投影到h th 线性空间的映射权重；B为比例因子，表示数据时间步；Q、K、V经过线性变换后，利用多头注意力机制构建它们的长期依赖关系；步骤3.2：将步骤3.1中的层按顺序堆叠，获得一个不对称的自编码器结构；4)检测异常：计算将测试集输入模型得到的重构结果与输入数据之间的差，并对输入数据是否异常进行判定；步骤4)的具体过程如下：步骤4.1：建立变量拓扑图A T 和变量学习图A L ，并以变量拓扑图为主导，结合变量学习图生成变量关系图A G ；对数据分成不同token并且随机遮掩50％的token获得遮掩数据 d是嵌入维度，c是token的数量；步骤4.2：将本征嵌入展平得到 随机初始化一个掩码向量 并在第一维度复制V×c/2次得到被掩码数据 将本征嵌入与被掩码数据根据第一个维度拼接，随后堆叠多层注意力解码层的多头注意力机制对本征嵌入进行解码；步骤4.3：通过KL损失对模型进行训练，使得重构数据的分布于输入数据趋于一致；最后计算重构数据与输入数据之间时刻级重构损失，完成对异常的检测和定位。
2.如权利要求1所述的一种基于图结构掩码自编码器的制糖厂数据异常检测方法，其特征在于，所述步骤1)的具体过程如下：步骤1.1：选取制糖厂一段时间内的数据作为数据集进行测试；步骤1.2：将数据集中的异常数据取出后作为测试集，并将剩余的正常数据作为训练集；步骤1.3：设置滑动窗口，对滑动窗口的长度及步长进行选取；步骤1.4：对获取的数据进行标准化处理，以便于模型进行处理和运算，具体公式如下：其中，X’是经标准化处理后的数据，X是未经标准化处理的原数据，μ是数据的均值，γ是数据的标准差。
