1.一種多源異構(gòu)儀器儀表數(shù)據(jù)融合及異常檢測的方法，其特征在于，該方法包括：
2.根據(jù)權(quán)利要求1所述的多源異構(gòu)儀器儀表數(shù)據(jù)融合及異常檢測的方法，其特征在于，在步驟s1中，定義異構(gòu)儀器儀表數(shù)據(jù)網(wǎng)絡(luò)圖，包括：
3.根據(jù)權(quán)利要求2所述的多源異構(gòu)儀器儀表數(shù)據(jù)融合及異常檢測的方法，其特征在于，在步驟s2中，儀表節(jié)點數(shù)據(jù)相似性學(xué)習(xí)，包括：
4.根據(jù)權(quán)利要求3所述的多源異構(gòu)儀器儀表數(shù)據(jù)融合及異常檢測的方法，其特征在于，圖卷積神經(jīng)網(wǎng)絡(luò)gcn中，各層的卷積操作如下：
5.根據(jù)權(quán)利要求4所述的多源異構(gòu)儀器儀表數(shù)據(jù)融合及異常檢測的方法，其特征在于，在第i-1層使用非負(fù)矩陣分解方法nnmf將gcn網(wǎng)絡(luò)每一層輸出的hi分解為2個低維矩陣的表達式為：
6.根據(jù)權(quán)利要求1所述的多源異構(gòu)儀器儀表數(shù)據(jù)融合及異常檢測的方法，其特征在于，在步驟s3中，儀器儀表時間序列數(shù)據(jù)的表示學(xué)習(xí)包括：
7.根據(jù)權(quán)利要求6所述的多源異構(gòu)儀器儀表數(shù)據(jù)融合及異常檢測的方法，其特征在于，在步驟s3中，利用多頭注意力機制捕捉時間序列數(shù)據(jù)中的重要特征，并結(jié)合圖注意力網(wǎng)絡(luò)的輸出，完成對儀器儀表數(shù)據(jù)的全局信息和歷史信息的融合表示，包括：
8.根據(jù)權(quán)利要求1所述的多源異構(gòu)儀器儀表數(shù)據(jù)融合及異常檢測的方法，其特征在于，在步驟s4中，異常檢測，包括：
9.一種多源異構(gòu)儀器儀表數(shù)據(jù)融合及異常檢測系統(tǒng)，其特征在于，該系統(tǒng)實施如權(quán)利要求1～8任意一項所述的多源異構(gòu)儀器儀表數(shù)據(jù)融合及異常檢測的方法，該系統(tǒng)包括：
10.根據(jù)權(quán)利要求9所述的多源異構(gòu)儀器儀表數(shù)據(jù)融合及異常檢測系統(tǒng)，其特征在于，所述多源異構(gòu)儀器儀表數(shù)據(jù)融合及異常檢測系統(tǒng)搭載在工業(yè)生產(chǎn)領(lǐng)域不同智能儀器儀表數(shù)據(jù)融合及異常檢測上應(yīng)用。