作为自动化生产与智能制造中必不可少的一部分,工业机器人以其高效性、安全性、高柔性的特点被广泛应用于各个领域,作为如此重要的机械设备,其故障预测与健康管理的重要性不言而喻,尤其是在状态监测领域。但工业机器人在该领域的研究还不够完善。本文针对工业机器人的基本结构、运动学分析及重要部件RV减速器的结构与故障分析,总结了RV减速器可能出现的故障,并通过实验平台,采集了故障数据,结合迁移学习,实现了小样本情况下,故障识别模型的建立和不同负载之间,迁移故障识别模型的建立,以及通过线下训练,线上部署的方式,完成迁移故障识别模型与基于labview的工业机器人状态监测系统的结合。本文开展的主要研究工作如下:(1)通过分析工业机器人的结构和运动学原理,总结了RV减速器常见的故障形式。以小样本和高精度为目标,提出迁移支持向量机的方法,结合低成本姿态传感器采集的姿态信号建立故障识别模型。通过故障信息的特征提取降低数据维度,然后输入进TSVM模型进行小样本情况下的故障识别,该模型在降维后特征维度为15时,六个样本比例下的平均识别准确率最高,达到98.15%。通过对比其他算法,显示TSVM的识别精度与稳定性均优于对比算法。(2)由于浅层结构的TSVM模型的非线性拟合能力有限,因此提出基于深度学习结构,以Wasserstein距离为引导的领域自适应算法,针对工业机器人不同负载之间,建立跨域的故障识别模型。通过采集工业机器人的振动信号,经过时频特征变换,将一维时间序列信号转换成二维时频图,输入进WDGDA模型进行训练,该模型在六个迁移任务下的平均识别精度为95.13%,对比其他迁移算法建立的故障识别模型,WDGDA模型的识别精度远优于其他对比模型。(3)在实现工业机器人不同负载间的跨域故障识别后,为了将该模型嵌入进基于labview的工业机器人状态监测系统中,尝试将时频特征输入的二维模型结构转变成一维时间序列输入的一维模型结构,并依然保持良好的识别精度。然后通过labview自带的python接口,将转换后的一维跨域故障识别模型嵌入进该系统,完成了智能算法线下训练,线上部署的智能系统模式。