工业互联网作为国家十四五规划中现代化基础设施体系的重要新型设施,是工业领域和信息技术结合的新型应用模式。轴承是工业互联网中现代机械设备系统的重要组成部分,为了提高系统可靠性,需要部署于边缘设备的故障诊断模型实时检测轴承信号状态。使用轴承振动信号进行故障诊断面临噪声干扰、诊断数据短缺以及诊断计算开销大的挑战,亟需提出故障诊断的方法以实现轻量化精确诊断工业设备数据。现有以循环神经网络为代表的轴承故障诊断方法,通过其循环结构在处理时间序列数据的优势,使其使用充足、高质量训练样本得到不错的准确率。然而,由于真实样本存在多种噪声干扰,且真实故障样本的数量稀少,循环神经网络无法提取数据的空间特征,难以保证故障诊断方法的准确度;深度学习网络存在过度参数化、诊断时计算开销大的问题,无法满足部署于计算资源匮乏的边缘设备的要求。针对噪音干扰和诊断样本有限导致轴承故障诊断方法准确率低的问题,提出了基于Transformer和卷积神经网络联合学习方法。首先,将带有噪音原始振动信号通过基于软阈值和瓶颈变换的残差构建单元后得到降噪振动信号。其次,通过维度转化将一维降噪振动信号转换为二维灰度图像,将二维灰度图像输入卷积神经网络后,利用卷积神经网络具有的归纳偏置能力提取出振动信号的局部特征。同时,通过卷积操作将一维降噪振动信号分割后加入特征向量得到一维嵌入序列。将一维嵌入序列输入Transformer编码器后,利用多头自注意力机制提取出振动信号的全局特征。最后,将全局特征和局部特征向量进行融合,分类计算后得到最终结果。使用凯斯西储大学数据集进行故障诊断实验,实验表明,在噪音干扰和有限故障样本条件下,与其他方法相比,本方法的准确率高达99.50%。针对深而复杂的轴承故障诊断深度学习模型无法部署于边缘设备的问题,提出了一种轻量级轴承故障诊断的方法。首先,将基于Transformer和卷积神经网络联合学习方法作为知识蒸馏技术中教师模型。同时,将原始振动信号使用数据变换得到扩充振动信号。其次,对教师模型的训练分为两个阶段。第一阶段将原始振动信号输入教师模型,对教师模型中主干和分类模块进行训练,从分类模块得到原始振动信号的特征和软标签;第二阶段将扩充振动信号输入教师模型,只更新自监督模块,由自监督模块的对比预测得到扩充振动信号的特征。最后,将原始振动信号和扩充振动信号同时输入教师模型和学生模型进行知识蒸馏。在知识蒸馏过程中,蒸馏损失函数是教师模型的知识平滑地转移到学生模型的关键,蒸馏损失函数由自监督模块的损失函数以及关系型蒸馏损失函数构成。使用帕德博恩大学轴承数据集进行模型开销以及故障诊断实验,实验表明,本方法与其他方法相比不仅大幅压缩了模型,模型计算开销降低,而且获得了最高99.89%的分类准确率。本文所提出的基于Transformer的轻量级轴承故障诊断方法,能够在边缘设备进行部署,实现了轻量级,有效解决噪音干扰、诊断数据短缺的问题,实现了高性能的故障诊断。