随着人工智能、云计算、边缘计算技术的快速发展,传统制造业与新一代信息技术的深度融合,为行业升级和转型提供了新思路。轴承作为机械设备中最常见也最易损坏的关键零件,其健康状态影响整个设备的稳定运行。然而,实际工业生产中,轴承的故障通常以复合故障居多,这大大增加了研究和应用的难度。现有的轴承复合故障诊断技术主要存在以下问题:1)复合故障信号耦合,基于信号处理的复合故障诊断方法依赖专家经验,而基于数据驱动的复合故障诊断方法,需要消耗大量计算资源和较长的训练时间;2)基于云计算的复合故障诊断方法远离设备端,海量轴承数据给云服务器带来高计算负载的同时也降低了诊断的实时性。在上述背景下,本文提出了一种基于边缘计算的轴承复合故障协同诊断方法,考虑如何解决以上问题,主要的研究内容及方法有以下两点:（1）提出了一种基于边缘计算的轴承复合故障诊断方法。该方法将复合故障诊断问题转换为多个单一故障检测问题,设计了基于单一故障检测器的复合故障诊断模型,并将模型拆分部署在边缘计算环境。该方法首先使用稀疏自编码器提取轴承原始信号的故障特征信息;然后,将提取得到的特征信息作为单一故障检测器的输入进行分类,为提升单一故障检测器的精度,对支持向量机进行了基于乌鸦搜索算法的改进,其中乌鸦搜索算法通过莱维飞行和非线性感知概率进行优化;最后,对单一故障检测器的结果通过Dempster-Shafer证据理论进行融合,融合后的单一故障结果进行组合上的相加得到复合故障,以上3个步骤分别部署在3个边缘节点。实验结果表明:基于单一故障检测进行复合故障诊断研究的有效性和准确性,在边缘计算环境下进行轴承复合故障诊断,诊断的实时性也得到了满足。（2）提出了一种基于云边协同的轴承复合故障诊断方法。该方法利用深度学习模型,自动提取和融合故障特征信息,单一故障检测与复合故障诊断的轻量级模型和复杂模型分别部署在边缘端和云端。首先,边缘端对设备端上传的轴承原始信号进行数据预处理,利用边缘端的轻量级深度学习模型提取特征和初步诊断,为提取有效特征减少不必要特征,在模型中引入双重注意力机制;然后,将特征上传至云端进行特征融合,针对云端复杂深度学习模型的退化问题,引入了残差模块进行优化;最后,将融合的特征输入到优化后的复杂深度学习模型中,进行复合故障诊断。实验结果表明:该方法在保证轴承复合故障诊断准确率的同时也减少网络传输流量,提高了轴承复合故障诊断的实时性。