工业智能的快速增长产生了大量的工业数据，这些数据通常由工业控制系统（ICS）收集。ICS中最热门的话题之一是如何从工业“大数据”中提取最有用的信息，并为监测工业生产过程的状况提供更全面的服务。随着工业环境的日益复杂，生产任务经常发生变化，恶意攻击也在增加。在高维、有噪声的工业数据中进行细粒度异常检测仍然是一个巨大的挑战。针对这个问题，我们提出了一个时空图神经网络异常检测框架，用于ICSs的细粒度状态监测。首先，基于先验知识，我们提出了一种特征降维和动态图建模的方法。然后，利用变分模分解（VMD）模块从工业数据中去除噪声。最后，我们提出了一个用于细粒度异常检测的时空特征提取模块。数值实验是在一个名为HAI的真实ICS数据集上进行的。结果表明，该框架能够有效地处理高维、高噪声和不平衡的工业数据。该框架的概念相互关联，可扩展到各种工业场景，包括冶金、智能车间等。在召回、精度和？？1-得分，将所提出的框架与八种有代表性的方法进行比较，揭示了所提出框架的优点。
