1.发动机性能退化趋势预测方法，其特征在于：包括以下步骤：

步骤一、监测数据序列重构：

利用时空延迟修正、坐标延迟修正、相邻三点残差平均修正、倍增值KIPCA倒数计算对发动机试验过程中的OLVF检测数据进行重构；

步骤二、构建灰色相关向量机预测模型：

(1)模型训练：将步骤一中重构的OLVF监测数据用于模型训练，利用训练数据序列建立灰色预测模型GM，将灰色预测模型GM的预测残差值作为输入，原始数据序列作为输出，训练得到训练好的相关向量机预测模型RVM；

(2)模型预测：由建立的灰色预测模型GM和训练好的相关向量机预测模型RVM组合得到灰色相关向量机预测模型GM-RVM，并通过引入滑移窗算法，不断更新数据中的信息；

步骤三、构建改进相关向量机模型：

灰色相关向量机预测模型GM-RVM结合PSO优化后得到改进相关向量机模型。

步骤四、构建换油后油液监测数据修正模型

改进相关向量机模型依据换油之前的N个序列数据预测换油后的第N+1个点的值，将该预测值与换油后的第一个实际数据求差，该差值作为补偿量，用于修正换油后的IPCA。

2.根据权利要求1所述的发动机性能退化趋势预测方法，其特征在于：步骤一中，对OLVF监测数据进行时空延迟修正，处理算法如下：数据样本为x＝{xi(t),i＝1,2,…n}，t对应该样本的采样时间，设定一时间坐标延迟量Δ1，则其时间坐标重构结果xnew1为：xnew1＝{xi(t-Δ1),i＝1,…n}。

3.根据权利要求1所述的发动机性能退化趋势预测方法，其特征在于：步骤一中，对OLVF监测数据的坐标延迟修正，处理算法如下：(a)当OLVF监测过程发生补油，进行补油坐标延迟修正；根据经过时空延迟计算后的数据xnew1＝{xnew1(i)，i＝1,2,…n}，判定当补油发生时浓度变化系数Cch，得到补油后空间坐标重构结果xnew2为：(b)当OLVF监测过程发生换油，进行补油坐标延迟修正；根据经过时空延迟计算后的数据xnew1＝{xnew1(i)，i＝1,2,…n}和换油后油液监测数据修正模型得到补偿量ΔY，得到换油后空间坐标重构结果xnew2为：xnew2＝{xnew1(i)+ΔY,i＝1,2,…n}。

4.根据权利要求1所述的发动机性能退化趋势预测方法，其特征在于：步骤一中，对OLVF监测数据的相邻三点残差平均修正，处理算法如下：对OLVF监测数据经过所述时空延迟修正、坐标延迟修正后，得到数值序列xnew2＝(xnew2(1),xnew2(2),.....,xnew2(n))，对数值序列xnew2进行相邻三点残差平均修正，消除数据噪声后的修正结果xnew3为：

5.根据权利要求1所述的发动机性能退化趋势预测方法，其特征在于：步骤一中，OLVF监测数据的倍增值KIPCA倒数计算，处理算法如下：对于OLVF监测数据经过所述时空延迟修正、坐标延迟修正和相邻三点残差平均修正后，使用滑移窗口进行数据分段，然后提取IPCA倍增系数KIPCA：KIPCA＝(T2-T1)*logγ/log(IPCA2)-log(IPCA1)式中，IPCA2：磨损监测过程滑移窗中找到的最大值；IPCA1：从窗口内最大值IPCA2向前搜索到的非零最小值；γ：倍数值。

6.根据权利要求1所述的发动机性能退化趋势预测方法，其特征在于：步骤四中，构建换油后油液监测数据修正模型，其具体过程如下：

1)利用改进相关向量机模型算法得到预测结果YpreYpre＝YGM-RVM；

2)计算补偿值ΔY

计算预测结果与换油后OLVF监测数据之间的差值ΔY＝Ypre-IPCA(oc)new；

(oc)

式中，YPre：改进相关向量机模型预测模的型预测结果；IPCA new：换油后OLVF监测数据；

3)结果修正

利用换油后的OLVF监测数据反推假定未换油时的OLVF监测数据IPCA(oc)new如下IPCA(oc)old＝IPCA(oc)new+ΔY。