1.一种基于Bagging框架SVM继电器贮存寿命预测方法，其特征在于，包括如下步骤：步骤1：对电磁继电器进行加速贮存退化试验，获取建立训练样本所需的材料性能参数；

步骤2：对原始数据X＝{(x1，y1),(x2，y2),…,(xn，yn)}进行归一化处理，建立原始训练样本集步骤3：通过Bootstrap采样，重复进行T次，获得一个新的训练样本集步骤4：利用SVM算法对采样集 进行学习,训练获得第t个子模型ft(x)；

步骤5：采用均值法将T个子模型预测结果进行融合aggregating，即T个子模型进行算术平均得到融合模型f(x)；

步骤6：利用融合模型f(x)结合继电器接触电阻的失效阈值得出继电器的贮存寿命预测值作为最终的模型输出；

m

所述步骤4中SVM算法，输入数据以及输出数据间的映射关系f:R→R，假设训练样本集是 其中xi为输入向量，yi为输出向量，则回归函数为：

式中：w‑权重；b‑偏值项，

引入非负的松弛变量ξi以及 支持向量机优化的目标函数为：其中约束条件为：

T

yi‑wψ(xi)‑b≤ε+ξi             (4)式中：ε‑不敏感损失函数参数，C‑惩罚因子；

利用最优化理论，应用拉格朗日算子法求解得到线性回归函数：式中：K(x,xi)‑核函数，其中，把 的点定义为机器的支持向量；

利用低维空间的核函数运算:

K(x,xi)＝ψ(xi)ψ(yi)             (8)代替高维空间的点积运算即可确定非线性回归函数；

其中SVM算法核函数以及参数选择是关键，参数的计算式为式中：和σy为平均值和方差，

径向基核函数：

式中:x为n维输入向量；

xi—第i个径向基函数的中心；

σ—核宽度，决定函数围绕中心点的宽度；

多项式核函数：设d为正整数，d阶齐次多项式函数为d

K(x,xi)＝(xxi)               (11)模型训练过程中t个样本集均采用SVM算法进行并行训练得到T个子模型ft(x)，利用均方误差来判断训练结果的好坏。

2.基于权利要求1所述的基于Bagging框架SVM继电器贮存寿命预测方法，其特征在于，所述步骤2中数据归一化采用线性函数中的均值法将原始数据变化到[1,2]区间中，均值归一法由下式给出：式中， 表示第i(i＝1,2,…,n)个数据归一化结果,n表示数据样本个数，yi表示第i个数据，μ为所有样本数据的均值，σ为所有样本数据的标准差。

3.根据权利要求1所述的基于Bagging框架SVM继电器贮存寿命预测方法，其特征在于，所述步骤3中Bootstrap采样是对接触电阻数据进行有放回的抽样，即每次从训练样本中有放回地随机取出一个样本，而且每次抽取的样本数量与总体的样本数量一致，从大小为n的原始样本中放回地随机选择n个元素，每个元素被抽取到的概率都是 重复进行T次，得到t个采集样本

4.根据权利要求1所述的基于Bagging框架SVM继电器贮存寿命预测方法，其特征在于，所述步骤5中子模型融合(aggregating)采用算术平均法，由下式确定：

5.根据权利要求1所述的基于Bagging框架SVM继电器贮存寿命预测方法，其特征在于，所述步骤6是通过模型曲线的外推，在其失效前，对电磁继电器的贮存寿命进行预测；当电磁继电器的贮存退化预测参数值达到失效阈值D，则可认定其贮存失效，此时对应的时间即为电磁继电器贮存寿命的预测值；步骤5中已经得到了电磁继电器的贮存退化融合模型，结合接触电阻失效阈值50mΩ，可以模型曲线外推得到寿命预测值作为整个算法的输出。