1.一种面向智慧园区的设备测量方法，其特征在于，所述方法包括：获取智慧园区中的预设的设备的多个原始测量数据，对所述原始测量数据进行数据清洗和格式转化，获取标准化的目标数据；

对所述目标数据进行时序分段，获取多个数据片段，提取每个所述数据片段的特征向量；

对每个所述数据片段进行分解，获取多个分量信号，计算每个所述分量信号对应的复杂度指标，在多个所述复杂度指标中确定异常复杂度指标；所述在多个所述复杂度指标中确定异常复杂度指标，包括：根据多个预设的异常检测算法构建基础检测器；根据网格搜索和交叉验证的方法优化所述基础检测器的参数；将每个所述复杂度指标输入至所述基础检测器，获取所述复杂度指标对应的异常评分；将所述异常评分大于预设的异常阈值的所述复杂度指标确定为所述异常复杂度指标；其中，所述异常评分的概率密度函数为:根据所述异常复杂度指标、所述异常复杂度指标对应的异常分量信号获取所述数据片段对应的故障信息，根据多个所述特征向量和每个所述特征向量对应的故障信息构建设备故障本体库；

获取待测量设备的实时测量数据，在所述实时测量数据中提取语义特征，将所述语义特征和所述设备故障本体库进行语义匹配和推理，获取所述实时测量数据对应的初步诊断结果；

将所述初步诊断结果中的多个子诊断结果进行融合分析，获取最终诊断结论，根据所述最终诊断结论和所述异常分量信号，生成测量策略，以确定对所述待测量设备的测量方法。

2.根据权利要求1所述的方法，其特征在于，所述对每个所述数据片段进行分解，获取多个分量信号，包括：获取所述数据片段对应的频谱的能量分布信息、局部极值信息和跳变点信息；

根据所述能量分布信息、局部极值信息和跳变点信息对所述数据片段对应的频谱进行自适应分段，获取多个频段；

构建每个所述频段对应的小波基函数；

基于经验小波变换的方法，根据每个所述小波基函数对所述频段进行分解，获取多个所述分量信号。

3.根据权利要求1所述的方法，其特征在于，所述计算每个所述分量信号对应的复杂度指标，包括：构建每个所述分量信号对应的距离矩阵；

对所述距离矩阵进行递归置换，获取所述距离矩阵对应的多个置换矩阵；

计算每个所述置换矩阵对应的置换熵；

根据多个所述置换熵获取所述分量信号的所述复杂度指标。

4.根据权利要求1所述的方法，其特征在于，所述在所述实时测量数据中提取语义特征，将所述语义特征和所述设备故障本体库进行语义匹配和推理，包括：根据预设的语义特征映射规则在所述实时测量数据中提取出所述语义特征；

将所述语义特征与所述设备故障本体库中的所述故障信息进行匹配，获取症状层匹配结果；

根据所述症状层匹配结果进行推理，获取所述待测量设备对应的故障模式，完成对所述语义特征和所述设备故障本体库的语义匹配和推理。

5.根据权利要求1所述的方法，其特征在于，所述子诊断结果包括多个语义匹配结果、所述语义匹配结果对应的所述异常分量信号和所述语义匹配结果对应的所述原始测量数据；所述将所述初步诊断结果中的多个子诊断结果进行融合分析，获取最终诊断结论，包括：计算所述语义匹配结果对应的异常分量信号和所述实时测量数据的匹配度；

根据所述匹配度对多个所述语义匹配结果进行筛选，获取筛选后的所述匹配结果与所述原始测量数据的相似度；

在多个所述相似度中确定目标相似度，所述目标相似度对应的所述语义匹配结果为所述最终诊断结论。

6.根据权利要求1所述的方法，其特征在于，所述测量策略包括采样频率、测点位置和测量范围；所述根据所述最终诊断结论和所述异常分量信号，生成测量策略，包括：根据所述最终诊断结论确定所述测点位置和测量范围；

根据所述异常分量信号的频率范围，确定所述采样频率。

7.根据权利要求1所述的方法，其特征在于，在所述根据所述最终诊断结论和所述异常分量信号，生成测量策略，以确定对所述待测量设备的测量方法之后，还包括：根据所述测量策略和所述最终诊断结论，确定所述待测量设备对应的故障预警阈值；

当所述实时测量数据对应的测量参数大于所述故障预警阈值时，生成预警信号，完成对所述待测量设备的预警和实时监控。

8.根据权利要求7所述的方法，其特征在于，在所述生成预警信号，完成对所述待测量设备的预警和实时监控之后，还包括：根据所述故障预警阈值、所述测量策略和所述最终诊断结论，确定所述待测量设备的设备维护策略；其中，所述维护策略包括维护周期、维护方式和维护资源配置；

获取所述待测量设备的健康信息、故障风险信息和预警等级信息；

根据所述健康信息、故障风险信息和预警等级信息优化所述维护周期、维护方式和维护资源配置。

9.一种计算机设备，其特征在于，包括：处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至8中任一项所述的面向智慧园区的设备测量方法的步骤。