随着现代制造业的快速发展,工业机器人已成为智能制造的核心执行单元。RV减速器作为工业机器人的核心部件,其健康状况决定了工业机器人的执行效率和精度。因此,利用状态监测技术监测RV减速器的健康状况,及时发现早期故障并采取有效措施解决故障问题,对提高生产效率和避免停机损失具有重要的工程意义。本文以RV减速器为研究对象,开展压缩感知理论和深度学习理论研究,提出基于多源融合数据驱动的RV减速器故障诊断方法、基于声发射压缩数据的RV减速器故障诊断方法、设计并开发RV减速器状态监测系统三个方面的课题研究。主要研究内容如下:（1）RV减速器由于其结构紧凑复杂、工况时变、传递路径不确定等原因使得对其状态评估与故障诊断面临巨大的挑战,基于传统信号分析和基于浅度学习的故障诊断方法难以取得有效的诊断结果。本文提出一种基于小波能量卷积的多源融合数据驱动深度学习方法。该方法采用三轴加速度传感器同步采集多通道冗余信号数据并通过对卷积神经网络的卷积层和池化层进行改进,挖掘振动信号中不同频带的能量特征用于表征设备故障特性,从而实现RV减速器的故障诊断。通过自制RV减速器实验台对该方法的诊断准确性和鲁棒性方面进行了验证。（2）选择对微弱故障更为敏感的声发射信号对RV减速器进行故障诊断。针对声发射信号故障采样频率高,数据量大对采集、存储和分析带来的困难,本文采用压缩感知理论和卷积神经网络相结合开展研究。提出一种基于声发射压缩数据的RV减速器故障诊断方法,实现RV减速器不同故障类型的分类预测。通过实验对该方法的准确性和有效性进行了验证。（3）工业机器人RV减速器状态监测系统。将本文研究方法应用于该系统实现数据采集、存储、分析和智能诊断的功能,验证本文研究方法在RV减速器状态监测系统的有效性。