在汽车工业制造领域中,汽车电磁继电器的使用数量居第二位,它在车辆低压电气系统的控制、调节和保护中发挥着极其重要的作用。但汽车电磁继电器的工作环境相对较差,在车内可能会被沙、尘、油等污染物侵蚀。因此,研究汽车继电器可靠性评测方法尤为重要。随着电子科技的迅速发展,目前继电器寿命预测选择的性能退化参数多种多样,如接触电阻、损耗质量、频谱分析和表面粗糙度等。现阶段的预测方法主要包括模糊识别法、灰色模型法、人工神经网络法和统计聚类分析法等。由于其所选择的性能退化参数变量不易获得满意的测量精度、适用范围的局限性较大,仅选取单变量建立预测模型,忽略了影响继电器寿命的其它因素、没有考虑外界环境干扰以及电弧侵蚀和材料转移的随机性会在性能退化参数中引入误差和噪声等缺点,针对上述问题,本文主要研究工作如下:1.为最终实现利用混合算法预测汽车电磁继电器寿命的目标,本文设计实现了汽车电磁继电器可靠性评测及寿命实验系统,完成了性能退化参数数据的获取和保存。分析了汽车继电器性能退化数据中噪声的来源,使用卡尔曼滤波算法对实验获得的数据作降噪和平滑处理。2.由于继电器的性能退化参数时序值为非平稳时间序列,本文提出了基于深度信念网络(Deep Belief Networks,DBN)的多个性能退化参数的预测方法,以超程时间、弹跳时间、接触电阻、吸合时间、释放时间和燃弧时间六个关键性能退化参数作为神经网络的输入,通过神经网络的各隐含层节点提取到相关的特征,以剩余寿命值作为神经网络的输出。实验结果表明,该方法选取的六个性能退化参数较易测量,且预测效果较好。3.为克服人工神经网络收敛速度慢、易陷入局部极值、容易过学习等缺点,本文提出了一种引入巡查因子和局部混沌搜索原理的布谷鸟搜索算法,并将该算法与深度信念网络相结合,形成新的混合预测算法,来获得更好的预测效果。分别对改进的布谷鸟算法与深度信念网络相结合的混合预测算法、普通布谷鸟算法与深度信念网络相结合的混合预测算法、深度信念网络预测算法进行了综合对比,实验数据表明,这三种预测算法都能实现汽车继电器寿命预测,且改进的布谷鸟算法与深度信念网络相结合的混合预测算法具有最高的预测精度和最快的收敛速度。分别从六个关键性能退化参数的退化数据中选择1～6个进行对比研究,验证了不同的关键性能退化参数个数对预测效果的影响。通过与小波神经网络、径向基神经网络和Elman网络的对比研究,验证了本文提出的预测模型的优越性。