随着工业4.0的发展,焊接机器人支撑着众多高端产业,焊接机器人在工厂中的使用频率普遍增加,为避免其发生突发故障耽误生产,故对其进行状态监测和故障检测是极其必要的。目前基于大数据的故障检测是识别设备故障的主要途径。但由于不能获取到足够的故障数据标签,从而产生了严重的数据不平衡,进而影响了对故障类型的判断。本文特由此提出基于动力学仿真的数据集的获取方法,以此来对数据集进行扩充,因为仿真数据与实验数据存在一定差异,进而提出利用迁移学习实现对机器人主要部件的故障诊断。本文将针对RV减速器其运行状态和振动特性,采用集中质量法构建平移-扭转动力学模型,通过Jeffcott转子系统构建电机转子动力学模型,对于故障采用能量法求解RV减速器齿轮及摆线轮点蚀故障的时变啮合刚度,并利用四阶龙格库塔法对微分方程进行求解得到故障特征,而后利用试验台采集对照数据,验证了模型有效性,解决数据不平衡的问题。针对信号特征取采用一种可变窗短时傅里叶（FSST）的时频处理方法,并从数据的丰富度与清晰度上与短时傅里叶（STFT）以及连续小波变换（CWT）进行对比,发现增加数据信息量的同时不可避免的造成可读性下降,通过神经网络校验上述时频提取方法,证明信息量的提高会在模型训练上得到更好的表现。利用粘稠神经网络（DenseNet）和深度森林（DF）,分别对仿真故障的二维数据和一维数据进行分类。同时利用随机森林与传统分类算法进行对比,证明深层网络对于表征学习有天然的优势。引入最大均值差异（MMD）来约束源域和目标域之间的距离,实现从仿真数据到实验数据的拟合和迁移。并通过DF实现数据过滤,进一步的提高模型的准确率。从B/S服务器的角度对于平台功能进行设计,使用SpringBoot框架快速开发,利用MVC架构组织平台内容,根据测试驱动开发（TDD）思想将功能细分为具体步骤,实现快速开发,同时实现了代码的,易测试、易扩展、易维护。