Con la creciente complejidad del equipo mecánico y la diversificación de los modelos de aprendizaje profundo, las señales de vibración recolectadas de dicho equipo son susceptibles a la interferencia del ruido. Además, los modelos de redes neuronales tradicionales tienen dificultades para ser desplegados de manera efectiva en entornos de producción con recursos computacionales limitados, lo que impacta severamente en la extracción precisa y el diagnóstico efectivo de las características de fallos de FK. En respuesta a este desafío, este estudio propone un método de diagnóstico de fallos para rodamientos, integrando una red ligera ShuffleNetV2 con descomposición de modo variacional (VMD) y el algoritmo de kurtograma rápido (FK). Inicialmente, este documento introduce un método FK mejorado donde se emplea el algoritmo VMD para la eliminación de ruido de datos, extrayendo FK después de la eliminación de ruido. Estos mapas de características no solo preservan información crítica de la señal, sino que también simplifican la complejidad de los datos. Posteriormente, estos mapas de características se utilizan para entrenar y probar el modelo ShuffleNetV2, facilitando la identificación y clasificación efectiva de fallos. Finalmente, al realizar comparaciones experimentales con varios modelos de red ligera de uso común, como MobileNet y SqueezeNet, así como con modelos tradicionales de red neuronal convolucional, este estudio valida la efectividad del método propuesto en la extracción de características de fallos de señales de vibración, demostrando una superior precisión diagnóstica y eficiencia computacional. Esto proporciona un nuevo enfoque técnico para el monitoreo de salud y diagnóstico de fallos de rodamientos industriales y ofrece apoyo teórico y experimental para el despliegue de redes ligeras en aplicaciones industriales.