Un rodamiento es un componente clave en maquinaria rotativa. La monitorización rápida de la condición de los rodamientos es fundamental para la reducción de accidentes mecánicos. Con el rápido desarrollo de la tecnología de inteligencia artificial en los últimos años, los métodos de diagnóstico de fallas inteligentes (IFD) basados en aprendizaje automático han logrado un éxito notable en el campo de la monitorización de la condición de los rodamientos. Sin embargo, la mayoría de los algoritmos se desarrollan en plataformas informáticas que se centran en analizar señales fuera de línea, en lugar de en tiempo real. En este documento, se propone un método de diagnóstico de inteligencia en el borde llamado S-AlexNet, que se basa en una red neuronal convolucional (CNN) de trasplante de parámetros. El método implementa el método IFD ligero en un sistema embebido de bajo costo para monitorear el estado del rodamiento en tiempo real. En primer lugar, se diseña un modelo de algoritmo IFD ligero para sistemas embebidos. El modelo se entrena en una PC para obtener parámetros óptimos, como los pesos y sesgos del modelo. Finalmente, los parámetros óptimos se trasplantan al modelo del sistema embebido para identificar el estado del rodamiento en el borde. Se utilizaron dos conjuntos de datos para validar el rendimiento del método propuesto. La validación utilizando el conjunto de datos CWRU muestra que el método propuesto logra una precisión promedio de predicción del 94.4% en el conjunto de pruebas. La validación utilizando datos auto-generados muestra que el método propuesto puede identificar el estado de funcionamiento de los rodamientos en sistemas embebidos con una precisión promedio de predicción del 99.81%. Los resultados indican que el método propuesto tiene ventajas de alta precisión de reconocimiento, baja complejidad del modelo, bajo costo y alta portabilidad, lo que permite la implementación simple y efectiva del IFD de rodamientos en sistemas embebidos.