随着智能制造的发展和转型升级,工业机器人被广泛应用在各大领域,在国家的经济社会发展中起到重要作用。有效的故障诊断对于保证工业机器人的可靠性、安全性和效率至关重要。本文通过分析工业机器人的运动特点,使用安装在末端执行器（输出部件）的姿态传感器采集工业机器人在不同健康状态下的姿态数据,结合姿态数据的特点,利用胶囊网络进行姿态数据的可辨识特征学习,结合分类预测和迁移学习技术分别构建定工况和变工况故障诊断模型,提高工业机器人在不同应用场景下的故障诊断精度。本文的主要研究内容如下:（1）通过对工业机器人进行运动学分析,提出利用末端执行器姿态数据进行工业机器人故障诊断的方法。结合卷积神经网络和胶囊网络,开发了一种改进的多尺度卷积胶囊网络（multi-scale convolutional capsule network,MCCN）作为特征提取器提取工业机器人原始多通道姿态数据隐含的故障特征。（2）针对工业机器人定工况下的故障诊断问题,设计基于MCCN的故障诊断模型。该模型使用MCCN作为特征提取器,融合卷积神经网络中提取的多尺度特征和胶囊网络中基于空间关系的特征,联合基于softmax分类器进行端到端训练。搭建多关节机器人和并联臂3D打印机平台验证模型性能,该模型在诊断任务中取得99.5%以上的精度,实验结果表明MCCN具有较强的特征提取能力。噪声环境下在与其它模型的对比中,该模型表现出良好的抗噪性,进一步表明使用MCCN对姿态数据进行特征提取具有一定的有效性和优越性。（3）在变工况场景下,为提高诊断模型在不同工况下的鲁棒性和泛化性,结合MCCN和无监督深度迁移学习,搭建无监督深度迁移故障诊断模型。在两个数据集上,基于MCCN的迁移模型取得90%以上的平均诊断精度,且消融实验和t-SNE特征可视化也验证了MCCN在变工况场景下的特征学习能力。实验结果表明深度迁移学习能减小工业机器人不同工况的数据分布差异并提取域不变特征,所提出的MCCN能有效地促进源域和目标域间的知识迁移。（4）基于LabVIEW开发环境设计工业机器人故障诊断系统,为工业机器人故障诊断提供良好的人机交互环境。该系统成功嵌入基于MCCN的故障诊断模型,可满足工业机器人定工况和变工况场景下的故障诊断需求。