1.基于Prewitt算子和Grubbs检验的旋转机械瞬时频率估计方法，其特征在于，包括以下步骤：步骤1：采用短时傅里叶变换算法将旋转机械信号x（k）k=1, 2, …,N转换为时频谱图，N代表旋转机械信号的长度；

步骤2：从时频谱图中选取一块具有较高信噪比的局部区域，采用Prewitt检测算法将该局部区域转换成二值图像，二值图像包含多条脊带；

步骤3：采用Grubbs检验算法排除每条脊带上下边缘的异常值；

步骤4：将上述多条脊带按照相互之间的运动学比例关系叠加到其中一条轮廓最完整的脊带上，构建一条具有完整清晰边缘的合成脊带；

步骤5：采用Grubbs检验算法排除上述合成脊带上下边缘的异常值；

步骤6：计算上述合成脊带的均值曲线，采用五点三次平滑算法对均值曲线进行平滑处理，得到平滑均值曲线，计算该平滑均值曲线在95%置信水平上的置信区间；

步骤7：将上述平滑均值曲线及其置信区间按照平滑均值曲线与待估计目标脊线之间的运动学比例关系映射到目标脊线上；

步骤8：将映射后的平滑均值曲线作为目标脊线的参考线，将映射后的置信区间作为目标脊线的局部搜索区间；

步骤9：采用非延迟代价函数在每个时刻所对应的局部搜索区间内搜索脊点，确定每个时刻所对应的瞬时频率，最后得到整个时间区间上的瞬时频率；

所述步骤9中非延迟代价函数包括以下步骤：

1）第k个时刻所对应的局部搜索区间FBk 定义为，

fk(pmc)代表映射后的平滑均值曲线在第k个时刻的值， 代表映射后的平滑均值曲线置信区间在第k个时刻宽度的一半，m代表目标脊线的长度；

2）第k个时刻所对应的非延迟代价函数CFk定义为：,

，

fk(i) 代表在FBk范围内所取的频率值，TF(tk, fk)代表TF(t, f)在第k个时刻的值，tk代表t在第k个时刻的值，fk代表f在第k个时刻的值，ek代表权重因子。

2.根据权利要求1所述的基于Prewitt算子和Grubbs检验的旋转机械瞬时频率估计方法，其特征在于，所述步骤1中短时傅里叶变换算法包括以下步骤：

1）对信号x（k）进行短时傅里叶变换：

，

TF(t, f)代表信号x（k）的短时傅里叶变换结果，t代表时间因子，f代表尺度因子，函数w(z)代表自变量为z的窗口函数；

2）计算信号x（k）的时频谱：

，

spectrogram(t, f)代表x（k）的时频谱。

3.根据权利要求1所述的基于Prewitt算子和Grubbs检验的旋转机械瞬时频率估计方法，其特征在于，所述步骤2中Prewitt检测算法包括以下步骤：

1) 如果f(x, y)代表原始图像，x代表图像的时间点，y代表图像的频率点，Gx(x, y)代表f(x, y)在水平方向上的导数，Gy(x, y)代表f(x, y)在垂直方向上的导数：， ，

符号*代表卷积计算；

2) 计算图像灰度的梯度值G(x, y)：；

3) 设定一个合适的阈值，如果图像上某一个点(x, y)的梯度值G(x, y)大于该阈值，-6则判定该点为边缘；本发明中，阈值设置为3.11×10 。

4.根据权利要求1所述的基于Prewitt算子和Grubbs检验的旋转机械瞬时频率估计方法，其特征在于：所述步骤3中Grubbs检验算法包括以下步骤：

1）对信号xn n=1, 2, …,N ，建立Grubbs检验统计量  ，  代表样本均值，σ代表样本标准差，N代表样本长度；

2）设定显著性水平为α，根据概率公式 确定g0(N, α)，g0(N, α)代表数据长度为N，显著性水平为α所对应的Grubbs临界值；

3) 如果 , b=1, 2, …,N，则剔除xb。