1.融合时序空间特征提取与强化学习的电机缺陷识别方法，其特征在于，包括：

搭建Transformer-GAT模型架构，学习时间序列关联性与空间拓扑结构特征，形成时空复合表征向量，增强电机故障检测的多维特征表征能力；

采用策略网络与价值网络并行架构，同时设计基于双网络架构的加权融合机制与策略函数，确定双网络架构输出的缺陷类型，有效防止单一网络偏倚及决策固化问题；

通过动态势能函数Φ(S)解析系统状态，融合差值计算构建奖励函数生成奖励r，平衡模型的即时诊断准确性与长期状态稳定性；

采用离线预训练与在线应用的双阶段模式，实现模型参数持续更新优化。

2.如权利要求1所述的融合时序空间特征提取与强化学习的电机缺陷识别方法，其特征在于，搭建Transformer-GAT模型架构，学习时间序列关联性与空间拓扑结构特征，形成时空复合表征向量，增强电机故障检测的多维特征表征能力，包括：①首先采用Transformer模块处理电流、噪声、温度等多源时序信号，通过多头注意力机制捕捉不同时间步的动态关联，生成电流、噪声、温度等多源时序信号的多维时序特征向量；②基于电机物理连接关系构建电机多参数空间关联拓扑图，将各传感器节点的Transformer输出的电流、温度、噪声的多维时序特征向量h1、h2、h3作为图节点特征，根据电气连接关系定义邻接矩阵，通过图注意力机制a12、a13、a14聚合邻居信息，生成中心节点特征T1；③将T1与原始时序特征h1-h3通过拼接操作形成包含电流波动、温升特性和噪声频谱的多维时空复合向量T1’。

3.如权利要求1所述的融合时序空间特征提取与强化学习的电机缺陷识别方法，其特征在于，采用策略网络与价值网络并行架构，同时设计基于双网络架构的加权融合机制与策略函数，确定双网络架构输出的缺陷类型，有效防止单一网络偏倚及决策固化问题，包括：①将多维时空复合向量T1’输入并联结构的策略网络Actor和值网络Critic中,其中策略网络生成故障概率分布 ，价值网络生成各缺陷的价值评分，形成价值评分矩阵，②同时通过策略熵函数计算策略分布的熵值，如式（1）所示，其中n为故障类别总数，为电机各缺陷；③而后通过置信度函数将熵值转换为[0,1]区间的置信度，如式（2）所示；④并将价值评分归一化后通过设计的伪策略函数转换为伪概率分布，如式（3）、式（4）所示，其中τ如式（5）所示；⑤随后设计权重生成函数生成权重α，如式（6）所示，其中为Critic伪策略的方差，σ为Sigmoid函数，输出权重α∈(0,1)；⑥最后构建策略融合函数生成最终的策略分布，如式（7）所示并选取综合概率最高的电机缺陷A；

（1）

（2）

（3）

（4）

（5）

（6）

（7）。

4.如权利要求1融合时序空间特征提取与强化学习的电机缺陷识别方法，其特征在于，通过动态势能函数Φ(S)解析系统状态，融合差值计算构建奖励函数生成奖励r，平衡模型的即时诊断准确性与长期状态稳定性，包括：①定义噪声特征得分：当噪声趋近最大阈值时得分趋近于0，噪声越低得分越高，如式（8）所示，其中，N为当前噪声测量值，为系统允许的最大噪声阈值；②定义电流特征得分：电流偏离正常值幅度越大得分越低，理想状态下得分为1，如式（9）所示，其中，I为实时电流，为额定电流，为最大允许电流；③定义温度特征得分：温度偏离正常值范围时得分下降，过热或过冷均触发预警，如式（10）所示，其中，T为当前温度，为正常运行温度，为最高允许温度；④定义势能函数：通过加权融合多模态特征得分，动态表征系统整体健康度，如式（11）所示，其中、、是权重；⑤定义奖励函数：基于势能函数差值构建奖励信号，促使模型在即时诊断准确性与长期运行稳定性间平衡，如式（12）所示，其中，为当前时刻势能值，为上一时刻势能值，γ为折扣因子，取值范围 0<<1，用于调节短期收益与长期目标的权重；

（8）

（9）

（10）

（11）

（12）。

5.如权利要求1所述的融合时序空间特征提取与强化学习的电机缺陷识别方法，其特征在于，采用离线预训练与在线应用的双阶段模式，实现模型参数持续更新优化，有效提高设备运行效能与状态可靠性，包括：①以奖励函数为目标，离线训练优化双网络架构的模型参数；②在线运行时通过策略融合函数生成最终的策略分布，并选取综合概率最高的故障类别后，将四元组存入回归经验池；③定时将模型进行离线微调，采用SAC算法更新网络参数具体包括：更新Q函数网络：通过最小化时序差分误差，如式（13）所示，其中为折扣因子，取值范围 0<<1，r为即时奖励，即输出电机缺陷a后通过公式得到的的实时奖励值， 为Q函数网络的损失函数，为动作值函数，表示在状态 s 下输出电机缺陷 a 的预期累积奖励，为目标值函数，表示在下一状态 s' 下的期望长期健康趋势，从而使Q函数能够准确预测在当前状态S下输出电机缺陷A；更新值函数网络，通过匹配状态S的期望累积奖励，如式（14）所示，其中α为熵系数，为值函数网络的损失函数，为值函数，表示状态 s 的期望累积奖励，从而使值函数网络学习设备在特定状态下的长期健康趋势；更新策略网络：通过最大化期望奖励并引入熵正则化，如式（15）所示，其中为策略网络的损失函数，α为熵系数，为在状态 S 下输出综合概率最高的电机缺陷A的概率，从而提升策略网络的精准性和稳健性，能快速响应特征异常并反馈出综合概率最高的电机缺陷A，避免对瞬时噪声和温度波动过度敏感；更新目标网络：通过软更新同步参数，如式（16）所示，其中为目标网络的参数，为软更新系数，取值范围 0<<1，从而使目标网络为Q网络和值网络提供延迟但稳定的参考目标；④通过循环执行步骤②至③，实现“特征感知-决策生成-奖励反馈-参数更新”的闭环优化，提升设备运行效率与可靠性；

（13）

（14）

（15）

（16）。