1.一种基于移动窗口时域特征提取的轴承故障检测方法，其特征在于，包括以下步骤：步骤(1)：利用加速度振动传感器采集滚动轴承在健康运行状态下的振动信号数据，记N×1为振动信号向量z∈R ，并同时记录加速度振动传感器采集信号的频率f和滚动轴承的转N×1动频率r；其中，R 表示N×1维的实数向量，N为振动信号数据的个数，频率的单位为赫兹；

步骤(2)：先设置移动窗口长度等于f除以r的商，再判断L是否小于200；若是，则将移动窗口长度设置为L＝200；若否，则不改变移动窗口长度；

N×1

步骤(3)：从振动信号向量z∈R 的第一个元素开始，利用移动窗口依次将z划分成n个L×1维的窗口向量x1，x2，…，xn，具体的实施过程如步骤(3.1)至步骤(3.3)所示：步骤(3.1)：初始化i＝1；

步骤(3.2)：将振动信号向量z中的第(i‑1)×L+1个元素至第i×L个元素组建成第i个L×1 L×1窗口向量xi∈R ；其中，R 表示L×1维的实数向量；

步骤(3.3)：判断是否满足条件：(i+1)×L＞N；若否，则设置i＝i+1后，返回步骤(3.2)；

若是，则得到n个L×1维的窗口向量x1，x2，…，xn；

步骤(4)：按照表1所列的13个公式分别计算窗口向量x1，x2，…，xn对应的时域特征向量y1，y2，…，yn；

表1：时域特征向量的13个元素计算方式

13×1

在表1中， 表示时域特征向量yi∈R 中的第j个元素，j∈{1，2，…，13}， 表示窗L×1口向量xi∈R 中的第k个元素，k∈{1，2，…，L}，max{xi}和min{xi}分别表示xi中的最大值和最小值，i∈{1，2，…，n}；

步骤(5)：分别计算时域特征向量y1，y2，…，yn对应的局部密度指标D(y1)，D(y2)，…，D(yn)，具体的实施过程如步骤(5.1)至步骤(5.5)所示；

步骤(5.1)：从时域特征向量y1，y2，…，yn中搜寻出与第i个时域特征向量yi之间距离最小的K个时域特征向量，并按距离大小升序排列依次标记为 后，再将yi的K阶距离记为 其中， 与yi之间的距离为 下标号v∈{1，2，…，K}；

步骤(5.2)：使用与步骤(5.1)中相同的方式，分别得到步骤(5.1)中标记的K个时域特征向量 的K阶距离，分别记为步骤(5.3)：根据公式 计算得到可触距离 其中，表示选取d(yi)和 中的最大值；

步骤(5.4)：根据如下所示公式计算出第i个时域特征向量yi对应的局部密度指标D(yi)：步骤(5.5)：依次分别设置i＝1，2，…，n，并执行步骤(5.1)至步骤(5.4)，即可分别得到时域特征向量y1，y2，…，yn对应的局部密度指标D(y1)，D(y2)，…，D(yn)；

步骤(6)：根据如下所示公式分别计算时域特征向量y1，y2，…，yn对应的局部异常因子φ1，φ2，…，φn，并将φ1，φ2，…，φn中的最大值记做φlim：上式中， 表示时域特征向量 对应的局部密度指标；

步骤(7)：利用加速度振动传感器在线实时采集滚动轴承运行时的振动信号数据，当振L×1动信号数据的采集个数达到L时，将这L个振动信号数据组建成窗口向量xt∈R ，并根据表

13×1

1中的所列的13个公式，计算得到相应的时域特征向量yt∈R ；其中，t表示窗口向量xt对应的采集时刻；

步骤(8)：从y1，y2，…，yn中搜寻出与yt之间距离最小的K个时域特征向量，并按照距离大小升序排列后依次标记为 并将yt的K阶距离记为步骤(9)：计算yt的可触距离 其中， 表示 的K阶距离， 表示选取d(yi)和 中的最大值；

步骤(10)：根据如下所示公式计算yt对应的局部密度指标D(yt)：步骤(11)：根据如下所示公式计算局部异常因子φt：上式中， 表示时域特征向量 对应的局部密度指标；

步骤(12)：判断是否满足条件：φt≤φlim；若是，则轴承运行状态健康，并返回步骤(7)继续利用新的窗口向量实施轴承故障检测；若否，则执行步骤(13)；

步骤(13)：返回步骤(7)继续利用最新采集的L个振动信号数据实施故障检测，若连续6个窗口向量对应的局部异常因子皆大于φlim，则触发轴承的故障警报；反之，则轴承运行状态健康。