摘要： 轴承是旋转机械的基础元件，对其状态的精准监测是确保旋转机械安全、稳定、健康运行的关键。近年来，卷积神经网络(Convolutional Neural Networks, CNN)凭借其优异的性能，在轴承故障诊断领域中倍受学者青睐。然而，受制于成本因素，许多具有较多参数的优秀诊断方法难以直接用于工业现场。因此，借助深度可分离卷积网络(Depthwise Separable Convolutional Neural Network, DSCNN)压缩模型的参数量，然后通过知识蒸馏(KnowledgeDistillation, KD)技术保障模型的精度，以实现轻量化故障诊断的目标。在不同噪声干扰和不同训练数据量的条件下分析所提出方法的有效性。结果表明，相比于传统CNN，DSCNN+KD”的策略能够在确保模型精度的条件下将参数量降低一个数据量级，且具有较好的抗噪能力。

关键词: 故障诊断, 卷积神经网络, 知识蒸馏, 轻量化