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。

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′i，yi分别是第i代循环容量的预测和真实值；

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。

3.根据权利要求2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，xi，yi为混沌序列数，初始值设置为x0＝0.2，y0＝0.3。

4.根据权利要求2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， 是由第k带种群中随机选择的不为Xk，i的候选解，df取值为1或2的随机整数，上述式是指将第k代种群的最优解Xbest，i作为基准向量，同时结合包含两个随机候选解的扰动项，在该扰动项中，将这两个随机候选解作差，并加入随机扰动因子df，当随机扰动因子df取1时，公式倾向于局部搜索，当df取2的时候，相当于给原更新公式引入扰动变量，从而跳出局部最优，同时，为了能够保证策略选择的随机性，在每一次种群迭代时，生成随机数a∈(‑1，1)，根据混沌值chao与随机数a的大小关系选择不同的更新策略进行种群的更新。

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。

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。

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yi为剩余寿命预测值， 为实际的继电器寿命。

8.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 ，S为归一化数据值，X，Xmax，Xmin分别为网络输入量的原始样本数据及最大、最小值，S，Smax，Smin分别为网络输出量的原始样本数据及最大、最小值。