1.一种基于改进RAO算法与BP神经网络继电器寿命预测方法，其特征在于：所述继电器寿命预测方法包括如下步骤：步骤1：通过对电磁继电器进行失效退化实验，获取建立训练样本所需的材料性能参数；

步骤2：对步骤1中实验获得的材料性能参数原始数据进行均值化处理，数据归一化处理，以此获得样本数据；

步骤3：设计BP神经网络结构，确定BP神经网络的拓扑结构；

步骤4：设置改进的RAO算法的初始化参数，通过改进的RAO算法得出最优解，作为网络初始连接权值与节点阈值；

步骤5：选取训练数据输入至神经网络模型，使用改进的BP算法训练BP网络；

步骤6：通过反复调整权值与阈值，减小输出量与实际量之间的误差，直至满足精度要求，其中，所述步骤4中采用改进的RAO算法得出BP神经网路的初始化参数的具体步骤如下：步骤4-1：设定算法的各起始值；

步骤4-2：生成混沌系数chao和随机数a，并用Fitness定义粒子适应度，定义如下：其中，y

步骤4-3：根据随机数a和混沌系数chao相对大小选择更新策略；

步骤4-4：计算新粒子Fitness值，并与原粒子比较，如果得出的结果更好则替换；

步骤4-5：重复步骤4-2至步骤4-4，直到满足迭代的条件；

步骤4-6：迭代结束，得到最优解。

2.根据权利要求1所述基于改进RAO算法与BP神经网络继电器寿命预测方法，其特征在于：所述步骤4-2中产生混沌系数chao采用二维混沌映射，映射公式为：其中，x

3.根据权利要求1所述基于改进RAO算法与BP神经网络继电器寿命预测方法，其特征在于：所述步骤4-3中所述策略为倾向全局搜索的策略，表示为：其中，chao是由混沌公式产生的混沌值，

上述式是指将第k代种群的最优解X

4.根据权利要求1所述基于改进RAO算法与BP神经网络继电器寿命预测方法，其特征在于：所述步骤5中改进的BP算法是含有动量项和自调整学习率的BP训练算法，给待训练参数的调整量加动量向，即w＝w+Δw+βΔw′，其中Δw为基本BP算法的调整量，βΔw′为动量项，β为动量系数，Δw′为上次的权值修改量，给算法设定学习速率的增加即减少比率，实现算法的自适应调节。

5.根据权利要求1所述基于改进RAO算法与BP神经网络继电器寿命预测方法，其特征在于：所述步骤3中所设计的BP神经网络结构为含有网络隐含层、输出层和中间层的三层前向神经网络，中间层神经元单元数目p公式为：网络隐含层神经元选用tansig传递函数，输出层神经元选取purelin传递函数，隐含层和输出层的神经元激活函数均采取Sigmoid。

6.根据权利要求1所述基于改进RAO算法与BP神经网络继电器寿命预测方法，其特征在于：所述步骤6中通过反复调整权值与阈值，减小输出量与实际量之间的误差时采用的误差分析方法如下：式中y

7.根据权利要求1所述基于改进RAO算法与BP神经网络继电器寿命预测方法，其特征在于：所述步骤2中归一化处理确保数据范围为[0,1]，公式为：式中，X