工业机器人凭借控制精度高、运行成本低、适用于自动化生产等特点被广泛应用于工业生产现场。随着工业4.0和智能制造概念的提出,许多国家纷纷加大了对工业机器人产业的投入。但同时因工业机器人故障停机造成的损失越来越严重,其可靠性问题逐渐受到人们的关注。减速器是工业机器人的核心部件之一,由于长期处于大负载和高转矩的工况下,其故障已经在工业机器人故障率中占比最大。谐波减速器是工业机器人减速器中应用最为广泛的一类,它的结构和原理较其它减速器更为复杂,导致其故障率偏高且故障模式多变。因此,对谐波减速器进行状态监测,对于提升工业机器人的可靠性具有重要意义。目前,国内对谐波减速器可靠性问题研究处于初期阶段,大多数集中在对其基础性能的提升上,缺少基于谐波减速器现实工况数据的状态监测与故障检测研究。因此,本文开展工业机器人谐波减速器的状态采集与早期故障检测方法研究。从构建用于开展谐波减整器状态采集的试验平台入手,结合故障检测基础理论方法和现实工况,形成一套完整的监测框架。本文的研究内容主要包括以下几个方面。（1）针对谐波减速器现实工况数据缺乏的问题,研制一套谐波减速器试验平台。首先,分析试验平台的功能和需求;接下来,对比确定试验平台的机械结构并设计整体框架;然后,确定试验平台测控系统各单元的功能及选型,完成试验平台感知、控制、加载等单元的物理和电气连接;最后,设计传感器部署寻优和减速器状态采集方案。（2）针对谐波减速器早期故障检测方法缺乏的问题,制定一套谐波减速器早期故障检测框架。具体包括:针对早期故障不明显、数据噪声大的问题,提出一种小波局部相关阈值去噪（Wavelet Local Correlation Threshold Denoising,WLCTD）算法;基于振动信号,提出一种卷积神经网络-长短期记忆（Convolutional Neural Network-Long Short Term Memory,CNN-LSTM）模型;基于声发射信号,提出一种运行模态分析-变分模态分解（Operational Modal Analysis-Variational Mode Decomposition,OMA-VMD）算法,并将这两种算法与WLCTD方法相结合进行早期故障检测。（3）为了验证所提出方法的有效性,进行本文提出方法的对比实验与分析。分别使用公开数据集与谐波减速器试验数据进行实验。实验结果表明:CNNLSTM算法和OMA-VMD算法分别在基于振动信号的故障检测和基于声发射信号的故障检测上表现优异;WLCTD算法可以有效抑制原始数据中的噪声并提升故障检测算法准确率。