随着工业互联网的快速发展,工业领域拥有大量记录设备生产状态的传感器数据,通过对这些数据的挖掘与分析,可以帮助企业发现生产规律,节能增效,提高生产力。工业数据维数多,呈时间序列排布,且不同变量的数据之间依赖性强、关系复杂,可以归纳为共演进时序数据。由于图神经网络在处理依赖关系上表现出色,当前对共演进时序数据的研究通常把变量当做图节点,把变量间的关系建模为图结构来捕获不同变量之间的相互影响关系。变量间关系图的建立方式有两种:第一种是根据已知的变量间依赖关系建立固定的图结构;第二种是为变量之间随机建立图结构,模型训练时自适应优化该图结构。然而工业数据中,变量间的关系错综复杂,无论是人为建立关系图还是靠模型自动学习出关系图都不能全面挖掘出变量之间的隐藏关系,使特征挖掘受到限制。本文以工业领域中的共演进时序数据为研究对象,以如何高效挖掘共演进时序数据之间错综复杂的相互影响关系为研究重点,以工业系统的异常检测为具体研究问题,提出将描述变量间关系的先验信息与神经网络自适应特征挖掘功能结合起来以充分的挖掘变量之间的隐藏关系,并设计了一个异常检测模型。该模型首先用Deep Walk方法根据先验信息为每个传感器节点生成一个代表其行为特征的嵌入向量,建立传感器节点间的初始关系图,然后利用图注意力网络挖掘并聚合数据特征进而对下一时刻的多元数据做预测,根据预测误差反向传播调整图结构,达到自适应学习图结构的目的。最后将预测值与实际观测值比较,设计了一个异常分数计算方法,根据异常分数是否大于模型学习到的阈值来判断系统是否存在异常。本文在两个真实的公开工业数据集上建立实验,并与两个基线模型进行比较,结果表明,本文所提出的异常检测模型在两个数据集上的F1分数相较于当前最优模型分别提高了3.8%和7.7%。此外,本文还建立消融实验,分析模型各模块的贡献度和功能。