谐波减速器是机器人关节内的常用机构之一,而柔性薄壁轴承是谐波减速器中的关键零部件,其与一般轴承不同点在于工作过程中会发生大尺寸径向变形,工作中的柔性轴承形状为椭圆形,这一工作特点导致柔性轴承故障概率的增加,对于传动精度要求较高的机器人而言将造成极大危害,及早发现故障并诊断故障类型对机器人系统的可靠性和安全性至关重要。本文针对这一问题展开了相关故障诊断的研究。柔性轴承工作时内部载荷分布与一般轴承有很大不同,为了确定柔性轴承在安装并加载后的载荷分布规律,本文首先对轴承的加载状态下的挠曲变形机理进行了理论分析并建立了相关计算公式,然后以有限元分析加以检验,对处于特定位姿的柔性轴承在滚子支撑点的内部载荷进行验证。然后为了研究以故障特征量为依据的方法在柔性轴承故障诊断中的效果,本文比较了时频域统计量、故障特征频率、小波能量矩和本文提出的奇异值能量矩在柔性轴承故障诊断中的准确率,其中奇异值能量矩综合运用了变分模态分解以及奇异值分解方法,实验结果显示在包含多种转速的轴承数据中,奇异值能量矩有很好的效果。前面章节故障诊断的方法都需要构造故障特征量,而要构造故障特征量将受到研究者与轴承故障相关的知识以及经验的影响,准确率很难保证,为了解决这一问题,本文研究了如何充分发挥深度学习的优势,以不加处理的时域振动信号作为网络的输入,综合比较了卷积神经网络、深度信念网络、堆叠稀疏自编码网络以及长短期记忆网络这4种网络在柔性轴承故障诊断中的效果。接下来,为了进一步提高诊断的准确率,本文综合了这4种网络模型的优点以及实验结果,针对柔性薄壁轴承提出了本文的LCD网络模型,这一模型使用到长短期记忆网络,卷积神经网络以及深度信念网络的结构,并且可以切分为两部分:LC特征提取器,DBN分类器。为了训练这一新模型,本文设计了对应的训练方法。在最后,本文分析了新模型的学习效果,分为正向研究和反向研究两个角度,设计了一系列的反向研究过程中的运算方法,对模型每层学到了什么与故障诊断依据是什么这两个问题进行了解答。