1.一种基于信息熵特征加权模糊聚类方法，其特征在于，包括：利用信息熵计算特征指标集中每一特征指标的权重系数；

将所述特征指标按照所述权重系数降序排序，获得特征指标序列；

基于所述特征指标序列中前n个所述特征指标，构建特征权重向量；

基于所述特征权重向量，对GK模糊聚类算法进行加权；

执行加权后的GK模糊聚类算法；

所述方法的应用包括：

获取目标现场的设备运行信息；

基于加权后的GK模糊聚类算法，对所述设备运行信息进行聚类；

基于聚类结果，确定设备故障；

获取所述设备故障的处理指挥策略，并基于所述处理指挥策略，对所述目标现场进行处理指挥；

获取目标现场的设备运行信息，包括：获取所述目标现场内的现场设备的运行任务信息；

对所述运行任务信息进行特征提取，获得特征集；

将所述特征集与所述现场设备对应的预设的触发特征集进行匹配，获取匹配度；

若所述匹配度大于等于预设的匹配度阈值，将对应所述现场设备作为目标现场设备；

获取所述目标现场设备的设备运行信息；

获取所述目标现场设备的设备运行信息，包括：通过所述目标现场设备对应的预设的物联网节点获取设备运行信息；

和/或，

通过所述目标现场内的工作人员和移动小车搭配获取所述目标现场设备的设备运行信息；

通过所述目标现场内的工作人员和移动小车搭配获取所述目标现场设备的设备运行信息，包括：获取所述目标现场对应的预设的现场地图；

获取所述工作人员的在执行任务的任务执行路线；

获取所述目标现场设备的设备位置；

基于所述现场地图、所述任务执行路线和所述设备位置，确定任务执行完成后返程能够顺带采集所述目标现场设备的设备运行信息的工作人员，并作为目标工作人员，同时，将对应所述目标现场设备作为第一采集目标，并将其余所述目标现场设备作为第二采集目标；

调度所述目标工作人员在任务执行完成后返程顺带采集所述第一采集目标的设备运行信息；

基于所述第二采集目标的所述设备位置，规划移动采集路线；

基于所述移动采集路线，控制所述移动小车采集所述第二采集目标的设备运行信息；

其中，基于所述现场地图、所述任务执行路线和所述设备位置，确定任务执行完成后返程能够顺带采集所述目标现场设备的设备运行信息的工作人员，包括：在所述现场地图内以所述设备位置为圆心，预设的半径长度为半径作圆形；

确定所述圆形与所述任务执行路线的返程路线的交点；

当所述交点的数目大于等于二时，将所述交点中与所述圆心的直线距离最短的两个交点作为目标交点；

基于每一所述目标交点和由所述目标交点向所述圆心的直线方向，构建两个方向向量；

计算两个方向向量的向量夹角，若所述向量夹角小于等于预设的向量夹角阈值，确定对应所述工作人员在任务执行完成后返程能够顺带采集所述目标现场设备的设备运行信息；

获取所述设备故障的处理指挥策略，包括：获取所述设备故障对应的预设的处理难度的难度值；

若所述难度值小于等于预设的难度值阈值，获取所述设备故障对应的预设的第一处理指挥经验，并基于所述第一处理指挥经验确定处理指挥策略；

否则，获取所述设备故障对应的预设的多组一一对应的处理指标和指标权重；

基于所述多组一一对应的处理指标和指标权重，生成处理指挥经验要求；

从预设的处理指挥经验共享库中确定满足所述处理指挥经验要求的多个第二处理指挥经验；

获取所述设备故障对应的预设的信息获取模板和匹配情况评价模板；

基于所述信息获取模板，分别获取所述目标现场的第一现场信息和所述第二处理指挥经验对应的其他现场的第二现场信息；

将所述第一现场信息和所述第二现场信息进行匹配，获取匹配情况；

基于所述匹配情况评价模板，对所述匹配情况进行评价，获得评价值；

基于最大所述评价值对应的所述第二处理指挥经验，确定处理指挥策略。

2.如权利要求1所述的一种基于信息熵特征加权模糊聚类方法，其特征在于，利用信息熵计算特征指标集中每一特征指标的权重系数，包括：基于每一所述特征指标的故障类别和每一所述特征指标对应的预设的阈值，建立故障识别评价特征矩阵X：其中，xnm为第n类所述故障类别的第m个所述特征指标对应的所述阈值；

对故障识别评价特征矩阵X进行归一化处理获得rij：利用信息熵计算每一特征指标的熵值Ej：其中，k为归一化系数，

计算每一特征指标的偏差度dj：

dj＝1‑Ej；

计算每一特征指标的权重系数为wj：

3.如权利要求1所述的一种基于信息熵特征加权模糊聚类方法，其特征在于，基于所述特征权重向量，对GK模糊聚类算法进行加权，包括：将所述特征权重向量组成对角矩阵W；

确定GK模糊聚类算法的聚类数目c、模糊指数d，并初始化GK模糊聚类算法中的隶属度矩阵U：其中，μab为第a个元素属于第b个聚类类别的隶属度，满足 μab∈[0,1]，

1≤a≤c，1≤b≤f；c为聚类数目，f为聚类样本数目；

更新GK模糊聚类算法的第b个聚类类别的聚类中心vb：其中，Gb为第b个聚类类别的聚类对象；

计算第b个聚类中心vb的协方差矩阵Fb：计算第b个聚类中心vb的正定对称矩阵Zi，并计算加权马氏距离其中，T为矩阵转置，w为加权马氏距离的固定表达；

(L+1) (L)

更新迭代所述隶属度矩阵U，若满足||U ‑U ||<η，则终止运算，否则增加所述隶属(L+1) (L) (L)度矩阵U的更新迭代次数，直至||U ‑U ||<η；其中，U 为所述隶属度矩阵U更新迭代L次(L+1)时的隶属度矩阵，U 为所述隶属度矩阵U更新迭代L+1次时的隶属度矩阵，η为终止允许误差，η＞0。

4.一种基于信息熵特征加权模糊聚类系统，其特征在于，包括：计算模块，用于利用信息熵计算特征指标集中每一特征指标的权重系数；

排序模块，用于将所述特征指标按照所述权重系数降序排序，获得特征指标序列；

构建模块，用于基于所述特征指标序列中前n个所述特征指标，构建特征权重向量；

加权模块，用于基于所述特征权重向量，对GK模糊聚类算法进行加权；

执行模块，用于执行加权后的GK模糊聚类算法；

所述系统的应用包括：

获取目标现场的设备运行信息；

基于加权后的GK模糊聚类算法，对所述设备运行信息进行聚类；

基于聚类结果，确定设备故障；

获取所述设备故障的处理指挥策略，并基于所述处理指挥策略，对所述目标现场进行处理指挥；

获取目标现场的设备运行信息，包括：获取所述目标现场内的现场设备的运行任务信息；

对所述运行任务信息进行特征提取，获得特征集；

将所述特征集与所述现场设备对应的预设的触发特征集进行匹配，获取匹配度；

若所述匹配度大于等于预设的匹配度阈值，将对应所述现场设备作为目标现场设备；

获取所述目标现场设备的设备运行信息；

获取所述目标现场设备的设备运行信息，包括：通过所述目标现场设备对应的预设的物联网节点获取设备运行信息；

和/或，

通过所述目标现场内的工作人员和移动小车搭配获取所述目标现场设备的设备运行信息；

通过所述目标现场内的工作人员和移动小车搭配获取所述目标现场设备的设备运行信息，包括：获取所述目标现场对应的预设的现场地图；

获取所述工作人员的在执行任务的任务执行路线；

获取所述目标现场设备的设备位置；

基于所述现场地图、所述任务执行路线和所述设备位置，确定任务执行完成后返程能够顺带采集所述目标现场设备的设备运行信息的工作人员，并作为目标工作人员，同时，将对应所述目标现场设备作为第一采集目标，并将其余所述目标现场设备作为第二采集目标；

调度所述目标工作人员在任务执行完成后返程顺带采集所述第一采集目标的设备运行信息；

基于所述第二采集目标的所述设备位置，规划移动采集路线；

基于所述移动采集路线，控制所述移动小车采集所述第二采集目标的设备运行信息；

其中，基于所述现场地图、所述任务执行路线和所述设备位置，确定任务执行完成后返程能够顺带采集所述目标现场设备的设备运行信息的工作人员，包括：在所述现场地图内以所述设备位置为圆心，预设的半径长度为半径作圆形；

确定所述圆形与所述任务执行路线的返程路线的交点；

当所述交点的数目大于等于二时，将所述交点中与所述圆心的直线距离最短的两个交点作为目标交点；

基于每一所述目标交点和由所述目标交点向所述圆心的直线方向，构建两个方向向量；

计算两个方向向量的向量夹角，若所述向量夹角小于等于预设的向量夹角阈值，确定对应所述工作人员在任务执行完成后返程能够顺带采集所述目标现场设备的设备运行信息；

获取所述设备故障的处理指挥策略，包括：获取所述设备故障对应的预设的处理难度的难度值；

若所述难度值小于等于预设的难度值阈值，获取所述设备故障对应的预设的第一处理指挥经验，并基于所述第一处理指挥经验确定处理指挥策略；

否则，获取所述设备故障对应的预设的多组一一对应的处理指标和指标权重；

基于所述多组一一对应的处理指标和指标权重，生成处理指挥经验要求；

从预设的处理指挥经验共享库中确定满足所述处理指挥经验要求的多个第二处理指挥经验；

获取所述设备故障对应的预设的信息获取模板和匹配情况评价模板；

基于所述信息获取模板，分别获取所述目标现场的第一现场信息和所述第二处理指挥经验对应的其他现场的第二现场信息；

将所述第一现场信息和所述第二现场信息进行匹配，获取匹配情况；

基于所述匹配情况评价模板，对所述匹配情况进行评价，获得评价值；

基于最大所述评价值对应的所述第二处理指挥经验，确定处理指挥策略。

5.如权利要求4所述的一种基于信息熵特征加权模糊聚类系统，其特征在于，所述计算模块利用信息熵计算特征指标集中每一特征指标的权重系数，包括：基于每一所述特征指标的故障类别和每一所述特征指标对应的预设的阈值，建立故障识别评价特征矩阵X：其中，xnm为第n类所述故障类别的第m个所述特征指标对应的所述阈值；

对故障识别评价特征矩阵X进行归一化处理获得rij：利用信息熵计算每一特征指标的熵值Ej：其中，k为归一化系数，

计算每一特征指标的偏差度dj：

dj＝1‑Ej；

计算每一特征指标的权重系数为wj：

6.如权利要求4所述的一种基于信息熵特征加权模糊聚类系统，其特征在于，所述加权模块基于所述特征权重向量，对GK模糊聚类算法进行加权，包括：将所述特征权重向量组成对角矩阵W；

确定GK模糊聚类算法的聚类数目c、模糊指数d，并初始化GK模糊聚类算法中的隶属度矩阵U：其中，μab为第a个元素属于第b个聚类类别的隶属度，满足 μab∈[0,1]，1≤a≤c，1≤b≤f；c为聚类数目，f为聚类样本数目更新GK模糊聚类算法的第b个聚类类别的聚类中心vb：其中，Gb为第b个聚类类别的聚类对象；

计算第b个聚类中心vb的协方差矩阵Fb：计算第b个聚类中心vb的正定对称矩阵Zi，并计算加权马氏距离其中，T为矩阵转置，w为加权马氏距离的固定表达；

(L+1) (L)

更新迭代所述隶属度矩阵U，若满足||U ‑U ||<η，则终止运算，否则增加所述隶属(L+1) (L) (L)度矩阵U的更新迭代次数，直至||U ‑U ||<η；其中，U 为所述隶属度矩阵U更新迭代L次(L+1)时的隶属度矩阵，U 为所述隶属度矩阵U更新迭代L+1次时的隶属度矩阵，η为终止允许误差，η＞0。