1.一种基于自学习图卷积网络的工程机械智能故障诊断方法，其特征在于：包括如下步骤：步骤1：采集了液压泵实际工况下的信号数据作为输入序列X；步骤2：根据工况类型和采集的多元时序数据划分工况；分为单一工况序列x a 和复合工况序列x b ；并划分出训练集D train 和测试集D test ；步骤3：利用基于空间的RGCN来对数据的空间信息进行编码；x a 和x b 输入到两个具有不同邻接矩阵但节点关系相同以及线性变换对应权重相同的RGCN中，利用自适应分类器d(x)区分空间特征 和 步骤4：对基于RGCN生成的空间特征 和 利用LSTM进一步编码时间特征信息，生成时间特征 和 并组合成特征集F；步骤5：假设特征集F＝f(z)， 的先验服从多元高斯分布，即p θ (z)＝N(z；0,I)；近似后验是多元高斯分布，即q φ (z|x a )＝N(z；μ,σ 2 I)，则使用重新参数化技巧对z～q φ (z|x a )进行采样；步骤6：信号重构，对LSTM和RGCN组成的p θ (x R |z)进行重构，重构后的序列表示为x R ，并计算相应的损失函数；步骤7：计算重构误差，如果时间戳t的重构误差大于定义的阈值，将该数据点标记为异常。
2.根据权利要求1所述的一种基于自学习图卷积网络的工程机械智能故障诊断方法，其特征在于：所述步骤1中采集的信号数据主要包括主泵压力信号、主泵流量控制压力、主泵流量控制电流、主泵压力传感器电压、动臂提升先导压力、动臂下降先导压力、斗杆外摆先导压力、斗杆内收先导压力的数据。
3.根据权利要求1所述的一种基于自学习图卷积网络的工程机械智能故障诊断方法，其特征在于：所述步骤2的具体步骤：步骤2.1：划分工况序列，划分出液压泵单一工况和复合工况下的数据，生成单一工况序列x a 和复合工况序列x b ；步骤2.2：划分数据训练集 和测试集 其中 是N V 传感器/执行器在时间戳t上记录的数据；为检测的结果分配标签y t ∈{0,1}，1表示x t 是异常数据点，否则为0；步骤2.3：数据预处理，从训练数据集D train 中提取 个多元序列到 中，窗口大小为ω，步幅为s，每个多元序列X n 定义为X n ＝[x (n-1)·s ,x (n-1)·s+1 ,...,x (n-1)·s+ω-1 ]，测试数据D test 同方式处理，得到M个多元序列 步骤2.4：计算邻接矩阵，给定一个图G＝(V,E)，其中V和E分别表示顶点/节点和边，结构信息用邻接矩阵 表示，其中 ω(i,j)是节点i和j之间的权重，N V 是节点数；步骤2.5：计算激活函数，RGCN通过相同的图卷积层对图进行更新，给定当前第l层的节点特征H l ，下一层的激活计算为 其中σ是表示为 的sigmoid激活函数，W l 是要学习的权重， 其中I是大小为N V 的单位矩阵， 为 的度矩阵；步骤2.6：优化邻接矩阵，采用自适应方式自动学习图结构，即邻接矩阵被初始化为 其中σ是sigmoid运算，W A' 是学习邻接矩阵的权重，并且从均匀分布U(0,1)中随机初始化，A'既是半正定的又是对称的，并且每个元素A' ij ∈(0,1)；步骤2.7：为A'添加约束，添加稀疏性约束L L1-norm 和不确定性约束L entropy ， 在邻接矩阵上应用稀疏约束L L1-norm 以使A'稀疏并保持贡献相关性；对于不确定性约束L entropy ，通过熵损失量化并减少预测概率的不确定性。
4.根据权利要求1所述的一种基于自学习图卷积网络的工程机械智能故障诊断方法，其特征在于：所述步骤3的具体步骤：步骤3.1：利用基于空间的RGCN来对x a 和x b 的空间信息进行编码生成空间特征 和 步骤3.2：利用自适应分类器d(x)区分空间特征 和 步骤3.3：计算d(x)损失函数， 其中L y 为交叉熵损失函数， 和 为第n个序列的生成特征，其类别标签为0或1。
5.根据权利要求1所述的一种基于自学习图卷积网络的工程机械智能故障诊断方法，其特征在于：所述步骤6的具体步骤：步骤6.1：信号重构，对LSTM和RGCN组成的pθ(x R |z)进行重构，重构后的序列表示为x R 。步骤6.2：计算损失函数，变分自动编码器的损失函数是L VAE ＝L rec +L KLD ，其中L rec 是重构损失；步骤6.3：计算重构损失， 其中MSE表示均方误差；L rec 同时考虑RGCN输入x a 和LSTM输入 的重构损失；步骤6.4：计算KL散度， 其中N z 是潜在变量z的维数；步骤6.5：计算整体损失函数，L＝λ 1 (L rec +L KLD )+λ 2 L discr +λ 3 L entropy +L L1-norm ，其中λ 1 、λ 2 和λ 3 是用于平衡这些损失项的超参数；将L rec 和L KLD 的因子固定为相同，并将L L1-norm 的因子设置为1；步骤6.6：超参数调整，采用动态加权损失方案对超参数λ 1 、λ 2 和λ 3 调整。
6.根据权利要求1所述的一种基于自学习图卷积网络的工程机械智能故障诊断方法，其特征在于：所述步骤7的具体步骤：步骤7.1：计算重构误差，将每个测试数据点的重构误差或异常分数定义为 其中 和 是x t 在 和 中的对应数据点；所有包含x t 的多元数据中x t 的重构误差被累加和归一化；步骤7.2：如果时间戳t的重构误差大于定义的阈值，则将该数据点标记为异常；否则为正常数据点。
