1.一种称重设备预测性维护算法，其特征在于，包括：获取数据；

根据数据和历史数据建立相应向量；

根据相应向量构建预测性维护模型，并获取预测性维护模型的解；以及根据预测性维护模型的解预测称重设备是否需要维护。

2.如权利要求1所述的称重设备预测性维护算法，其特征在于，所述获取数据的方法包括：获取张力、湿度、振动数据和设备累计使用时间，并且根据张力获取单位重量的张力变化，以及根据振动数据获取设定频率的振动强度；

所述数据包括：单位重量的张力变化、设定频率的振动强度、湿度和设备累计使用时间。

3.如权利要求2所述的称重设备预测性维护算法，其特征在于，所述根据数据和历史数据建立相应向量的方法包括：建立数据向量和系数向量；

所述数据向量为：x＝(x(1),x(2),x(3),x(4))；

其中，x(1)为单位重量的张力变化；x(2)为设定频率的振动强度；x(3)为湿度；x(4)为设备累计使用时间；

所述历史数据包括：历史单位重量的张力变化、设定频率的振动强度、湿度和设备累计使用时间；

根据历史数据获取单位重量的张力变化系数、设定频率的振动强度系数、湿度系数和设备累计使用时间系数；

所述系数向量为：w＝(w(1),w(2),w(3),w(4))；

其中，w(1)为单位重量的张力变化系数；w(2)为设定频率的振动强度系数；w(3)为湿度系数；w(4)为设备累计使用时间系数。

4.如权利要求3所述的称重设备预测性维护算法，其特征在于，所述根据相应向量构建预测性维护模型，并获取预测性维护模型的解的方法包括：s.t.yi(w·xi+b)≥1-ξi；

ξi≥0 i＝1,2,......,N；

其中，C为惩罚系数；xi为第i个训练数据的数据向量；yi为xi的类标记，当yi为-1时表示称重设备故障，当yi为1时表示称重设备正常；N为训练数据数目；ξ为松弛变量；ξi为第i个训练数据的松弛变量；b为偏置；

则预测性维护模型的解为：W*和b*；

α＝(α1,α2,α3,......αN,)T；

其中，Tp为振动和湿度采样时信号采样的时间间隔；X0为出厂时的称重设备的数据向量；W*为系数向量的解；b*为偏置的解；Xc为当前称重设备的数据向量；α为拉格朗日乘子向量集合；α*为对偶问题的解的集合，αN*为对偶问题的解的第N个元素；αN为拉格朗日乘子向量的第N个元素；T为转置；Tw为专家给出的标定数据点条件下，对振动数据采样的时间间隔。

5.如权利要求4所述的称重设备预测性维护算法，其特征在于，所述根据预测性维护模型的解预测称重设备是否需要维护的方法包括：获取维护迫切度指数，即

其中，p为维护迫切度指数，并且p＞0；

当p越大时，称重设备越需要维护。

6.如权利要求5所述的称重设备预测性维护算法，其特征在于，所述根据预测性维护模型的解预测称重设备是否需要维护的方法还包括：获取预警阈值，即其中，S为预警阈值；γ为预警阈值系数。

7.如权利要求6所述的称重设备预测性维护算法，其特征在于，所述根据预测性维护模型的解预测称重设备是否需要维护的方法还包括：预测称重设备是否需要维护，即

当W*xc+b*＜S时判断称重设备需要维护，并发出预警；

当称重设备预警时，若称重设备继续运行，则称重设备的日最大工作时间为：其中，Tn为出厂时建议称重设备日最大工作时间。

8.一种自动化皮带秤称重设备预测性维护方法，其特征在于，包括：采集数据并发送至服务器；

服务器根据数据预测称重设备是否需要维护。

9.如权利要求8所述的自动化皮带秤称重设备预测性维护方法，其特征在于，所述服务器适于采用权利要求1-7任一项所述的称重设备预测性维护算法实现预测称重设备是否需要维护。

10.如权利要求8所述的自动化皮带秤称重设备预测性维护方法，其特征在于，所述采集数据并发送至服务器的方法包括：通过张力传感器节点检测称重设备的张力并发送至服务器；

通过振动传感器节点检测称重设备的振动数据并发送至服务器；

通过湿度传感器节点检测称重设备的湿度并发送至服务器；以及服务器通过维护和称重设备使用时的记录数据获取设备累计使用时间。