对于复杂旋转机械关键部件的诊断任务，模型设计容易受限于以下两个特点：(1)机理驱动的方法往往难以实现复杂系统的完备、精准建模；(2)数据驱动方法多数需要规模化的高质量训练数据集用于训练。针对上述问题，提出一种先验知识嵌入的深度学习模型，融合机理知识与传感器信号特征。并通过引入轻量化模型结构，在保证模型精准性的前提下降低推理延迟。首先，通过融合先验机理知识与传感器信号特征，构建关键部件数字孪生体。然后，设计先验知识嵌入模块来提升深度学习模型对融合特征的表征能力。最后，基于帕累托最优化理论，设计考虑准确性指标和计算效率指标的多目标优化方法，对基于深度学习的诊断模型进行结构优化设计，并引入可解释性框架对深度学习模型决策过程进行分析。结果表明，所设计的关键部件数字孪生体能够提供丰富的先验信息从而加速模型收敛。基于帕累托最优化理论的训练策略，能够搜索到设定指标的相对最优解，从而在保证模型精准性的前提下有效降低模型推理延迟。
