近年来,伴随着产品质量、生产效率和产品复杂程度的不断提高,对机电装备的可靠性和稳定性提出了更高的要求。而作为机电装备中必不可少的部件,轴承这类易损件在运行过程中发生故障的概率非常大。若不能及时预测并进行故障处理,往往会引发更严重的设备损伤,导致高额的维护成本和严重的经济损失,甚至出现安全问题。现有轴承故障诊断技术存在以下问题:1)传统诊断方法需要人工提取特征,耗时长,诊断结果不稳定;2)而不需要人工提取特征的卷积神经网络诊断方法需要大量的计算资源和较长的训练时间,与故障诊断的实时响应要求存在矛盾。基于上述研究背景,本文提出一种云/雾/边缘端协同的轴承故障诊断方法,实现对设备集群中轴承状态准确实时智能的诊断。将整个轴承故障诊断任务完全部署在云端、雾端或者边缘端均有其优势与劣势,由此本文构建了互相协同的云端、雾端以及边缘端的子任务来发挥他们各自的优势,完成对于轴承故障准确实时的诊断。为匹配本次协同的轴承故障诊断任务,在本文中改进了现有的基于一维卷积神经网络的轴承故障诊断算法,并使用迁移学习的方式完成了对云、雾、边缘端任务的协同。与此同时,本文使用Flume以及Kafka工具构建了适用于设备集群中轴承故障诊断的实时数据管理系统。该实时数据管理系统完成了对于集群中各个边缘端设备产生数据的实时采集、传输以及存储功能。除此之外,该系统会依据设备集群的群组成员类型和工况,将各类实时的数据匹配到相应的需求端。通过该系统实现了对于云端、雾端以及边缘端任务的数据驱动。随后本文搭建了云/雾/边缘端协同的轴承故障诊断平台。本文搭建的轴承故障诊断试验台作为设备端,其可以模拟不同的轴承运行工况,并可以完成对于轴承的实时运行信息的采集工作。在该试验台的基础上,本文构建了完整的云端、雾端以及边缘端的计算平台,完成了对于云端服务器、雾端服务器以及边缘端控制器的模拟。在该试验台和计算平台的框架下,完成了集群中设备运行状态的实时数据管理系统的实现与验证。在上述搭建好的实验平台上,通过设置对比实验完成了对本文提出的云/雾/边缘端协同的轴承故障诊断方法的准确性、实时性、实用性以及高效性的验证。