在军事航天、国防等军工领域中,弹用电磁继电器起着控制信号的传送和转换的功能,是目前最重要的基本电磁元器件之一。同时弹用继电器的可靠性又会影响整个系统的可靠性,因此对贮存中的继电器进行可靠性试验和寿命预测研究,对保障武器装备以及整个系统可靠运行起到关键作用。本文结合故障预测与健康管理（PHM）,从继电器的贮存失效分析、贮存退化试验设计、数据记录和分析以及寿命预测模型的建立等方面入手,建立完备的弹用继电器贮存可靠性试验以及贮存寿命预测方案。首先在PHM方案中,由于故障模式、机理、环境影响分析和失效物理分析等均是产品寿命评价与预测所需要考察的主要因素,故而本文将首先从环境因素、失效模式和失效机理等三要素上展开失效分析,然后通过剖析弹用继电器的贮存物理失效特征,从而判断温度应力才是引起弹用继电器失效的最主要原因,最后再设计在不同的环境应力等级下开展的恒定应力加速退化试验。实验方案给出了试验样本量、试验周期、试验监测数据。数据收集是PHM的一个关键环节,在PHM中,需要通过对产品的退化数据进行监测来预测故障的发生,从而大幅提高弹用继电器的安全性和节约维护成本。本文通过开展贮存试验来对继电器的参数数据进行收集。当获得参数的退化数据后,从接触电阻、吸合时间和释放时间这三个参数的变化趋势图中以及结合上文失效分析可以得出接触电阻可作为继电器贮存失效的敏感参数,而吸合时间和释放时间不适合作为敏感参数。在PHM预测方法中通过人工神经网络和智能算法对数据进行分析和预测是比较主流的预测方法。本文通过解析神经网络在弹用继电器贮存寿命预测上应用的可行性,构建基于Elman神经网络的寿命预测模型,利用该模型对接触电阻进行训练、预测。然后通过引入鲸鱼算法对该模型进行优化来提高预测精度,预测结果表明优化后模型精度比之前有所提高。最后,通过对支持向量机（SVM）的深入研究、对建模参数的选取和优化,建立基于SVM的弹用继电器贮存寿命预测模型。采用所构建的预测模型,对接触电阻进行了测试。并引用灰狼算法和麻雀搜索算法对其加以改进,优化其权值参数,两个优化模型均有助于较好的提升弹用继电器对接触电阻阻值的预测准确度,且灰狼算法优化后的精度要高于麻雀搜索算法。同时与Elman神经网络及其改进模型进行比较发现,经过鲸鱼算法改进的Elman预测模型预测精度最高,但耗时过长,综合效率和精度因素对比,灰狼算法改进的SVM模型预测效果最好。