1.基于AMFO算法和SVM算法继电器贮存寿命预测方法，其特征在于：所述继电器贮存寿命预测方法包括如下步骤：

步骤1：对电磁继电器进行加速退化贮存试验，获取建立训练样本所需的材料性能参数；

步骤2：对步骤1中的原始性能参数数据进行主成分分析，进行降维处理，剔除冗余数据，保留对样本总体贡献较大的因素，获取主成分变量；

步骤3：将步骤2获取的主成分变量分别取训练集和测试集数据，将所述训练集数据输入SVM模型中进行训练学习；

步骤4：采用自适应飞蛾火焰优化算法，对SVM模型的核函数中的参数进行优化，确定最优参数c和σ，利用最优参数进行构建SVM模型，提高SVM模型预测数据的精度，建立起优化后的模型进行寿命预测；

步骤5：设置失效阈值，选择不同区间的测试样本使得初始预测时间点不同，预测到达失效阈值的退化曲线；

步骤6：通过计算概率密度函数得出最终的预测的寿命，并且与实际继电器贮存寿命进行对比，进行误差分析。

2.根据权利要求1所述基于AMFO算法和SVM算法继电器贮存寿命预测方法，其特征在于：所述步骤4中采用自适应飞蛾火焰优化算法，确定最优参数C和σ，利用最优参数进行构建SVM模型，包括如下步骤：步骤4‑1：对参数进行初始化，设置飞蛾种群大小n，搜索的空间维度d，最大迭代次数T以及火焰数量N，在空间内初始化飞蛾的位置；

步骤4‑2：矩阵OM储存着飞蛾的适应度值，矩阵M表示飞蛾的位置：mij＝[bub(i)‑blb(i)]rand()+blb(i)其中bub(i)和blb(i)分别为第i个飞蛾位置的上限和下限；

步骤4‑3：矩阵OF储存着火焰的适应度值，矩阵F表示火焰的位置：步骤4‑4：计算个体的适应度值，并按照从小到大的顺序给所有个体排序，找出最优的飞蛾位置并将其赋值给火焰；

步骤4‑5：利用公式 更新动态自适应惯性权重以及火焰的位置，利用公式 减少火焰数量，其中ω为动态自适应权重因子，其中N为火焰数量的最大值，l为当前的迭代次数，T为最大迭代次数，迭代次数l＝l+1；

步骤4‑6：将自适应步长公式 应用于飞蛾Mi和火焰Fj的距离公式中更新飞蛾与火焰的距离Di，其中l为当前的迭代次数，T为最大迭代次数，θ为参数；

pt

步骤4‑7：利用对数螺线函数公式S(Mi，Fj)＝Di*e *cos2πt+ωFj更新飞蛾的位置，其中Mi和Fj分别飞蛾和火焰的位置，Di为更新后的飞蛾与火焰的距离，p为螺旋形状常数，ω为动态自适应权重因子，动态自适应权重因子和j个火焰相乘，是随着迭代次数的增加从1到0的非线性自适应减小，使飞蛾朝着正确的搜索方向前进，并有效提高算法的精度；

步骤4‑8：不断进行迭代更新，直到满足停止条件，输出整个迭代过程中火焰的最优位置以及所对应的适应度值，停止迭代搜索即算法结束，输出最优参数值；

步骤4‑9：根据最优的参数构建SVM模型。

3.根据权利要求1或2所述基于AMFO算法和SVM算法继电器贮存寿命预测方法，其特征在于：所述步骤4中的SVM模型的寿命预测的预测过程包括如下步骤：步骤4‑10‑1：对原始性能参数数据进行归一化处理，建立训练样本集；

步骤4‑10‑2：选择核函数及参数：不同的核函数选择会出现不同的SVM模型，参数的计算式 式中 和σy分别为平均值和方差；

步骤4‑10‑3：根据建立的SVM模型进行样本训练，进而对其进行预测，得到相关的预测结果，将输入样本代入模型中，进行分析，输出预测值；

步骤4‑10‑4：把预测值与实际值进行检验，如果对预测值不满意则返回第步骤4‑10‑3，反之则进行误差分析。

4.根据权利要求3所述基于AMFO算法和SVM算法继电器贮存寿命预测方法，其特征在于：在所述步骤4中采用的自适应飞蛾火焰优化算法引进了动态自适应步长因子α和动态自适应权重因子ω，表达形式分别为其中l为当前的迭代次数，T为最大迭代次数。

5.根据权利要求1所述基于AMFO算法和SVM算法继电器贮存寿命预测方法，其特征在于：所述步骤2中降维处理具体包括如下步骤：T

步骤2‑1：将原始性能参数数据进行向量标准化，构成P随机向量X＝(x1，x2，...，xp) ，一T

共n个样本量，xi＝(xt1，xi2，...，xip) ，然后进行标准变换： 最终构造矩阵Z实现矩阵标准化，其中

步骤2‑2：对标准化后的矩阵进行计算，从而求出相关系数矩阵步骤2‑3：求解R的特征方程|R‑γp|＝0从而得到P个特征根，再确定主成分信息值来保证主成分的累计贡献率能够超过85％，对于每一个γp，解方程组Rb＝γpb可以得到单位特征向量b；

步骤2‑4：将标准化后的指标变量zij转换为主成分： 其中bj为对应的第j列单位特征向量；

步骤2‑5：通过打分情况对步骤2‑4中的m个主成分进行加权求和，求得最终的综合评估数值，加权比规定为每一个主成分的方差贡献率，主成分分析前：其中

主成分分析后：

其中(a′1，a′2，a′3，...a′p)′是特征根的单元化特征向量，Fi为x的第i主成分且Fi是一组线性无关向量。

6.根据权利要求1所述基于AMFO算法和SVM算法继电器贮存寿命预测方法，其特征在于：所述步骤3训练集数据输入SVM模型训练学习步骤包括如下步骤：n

步骤3‑1：对于给定样本集(xi，yi)，i＝1，2，...，l，x∈R ，y∈{±2}，超平面记作(ω*x)+b＝0，为使分类面对所有样本正确分类并且具备分类间隔，就要求它满足如下约束：yi2

[(ω*x)+b]≥1，i＝1，2，...，l，计算出分类间隔为2/||ω|| ，构造最优超平面的问题就转化为在约束式下求：

其中ω为超平面的法矢量，b为超平面偏差，ω′为ω的转置向量；

步骤3‑2：解决上述约束最优化问题，引入拉格朗日函数：为拉格朗日乘数，约束最优化问题的解由拉格朗日函数的鞍点决定，并且最优化问题的解在鞍点处满足对超平面的法矢量w和超平面偏差b的偏导为0，将该问题转化为相应的对偶问题即：且式中的αi为对应于每个数据样本中的拉格朗日乘数，且该因子具有以下关系* * *

解得最优解 其中α为支持向量，计算最优权值向量w 和最优偏置b分别为：

* *

得到最优分类超平面(ω*x)+b＝0，而最优分类函数为：* * *

式中：w为最优权值向量、b为最优偏置、α为支持向量、 为支持向量中第j个值。