旋转机械在工业系统中起着至关重要的作用。轴承是旋转机械的重要部件,它的健康状况直接影响旋转机械的性能、稳定性和使用寿命,且某些故障会导致严重的财产损失,甚至人员伤亡,需要及时诊断。传统的故障诊断方法通常依赖复杂的人工特征提取过程,导致提取的特征无法完整准确地描述数据特性,难以进行精确的故障诊断。边缘计算靠近数据源,能够实现低延迟响应和实时访问,但计算和存储资源不足。云计算具有丰富的计算和存储资源,易于执行建模、算法迭代等复杂的数据处理与分析,但实时性差。本文研究一种基于边云协同的轴承故障诊断方法,利用云端丰富的资源优化轴承的故障诊断模型并将其轻量化以适应边缘端有限的资源。本文的主要研究内容如下:（1）轴承故障诊断的边云协同及相关技术研究。首先提出轴承故障诊断的边云协同框架,并详细说明框架的组成部分。考虑到采集的轴承数据噪声大的问题,在边缘端利用混合的集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）算法去噪,处理后的数据存储在云端。针对基于信号处理的方法在诊断故障时依赖人为提取特征影响诊断精度的问题,在云端利用训练深度学习模型。为了及时诊断故障,将模型通过通信网络卸载到边缘端。（2）基于云端轴承数据的故障诊断模型的研究。考虑到边缘端资源有限而云平台计算和存储资源丰富,利用云平台的轴承数据训练卷积神经网络（Neural NConvolution etwork,CNN）以诊断故障。针对CNN的性能受初始权重影响较大的问题,使用遗传算法（Algori Gene thtic m,GA）优化初始权重。由于CNN收敛速度慢,提出蚁群优化算法（Colony Optimization Ant,ACO）改进收敛速度。最后,通过对比实验证明模型的有效性。（3）面向边缘的故障诊断模型轻量化方法研究。为了满足模型在边缘端诊断故障的实时性需求,提出一种基于强化学习和剪枝的故障诊断模型轻量化方法。采用基于强化学习的数据驱动方法对模型进行知识蒸馏以简化网络;引入L1方法稀疏模型的权值参数,并采用“修剪-微调”方法去除权重低的连接,微调其余连接以降低模型冗余。最后在边缘端设备上进行多种轻量级模型对比实验,并将轻量级模型与云端模型进行多组数据的对比实验。