工业机器人具备可编程、拟人化和通用性等方面的优点,正在被广泛应用于各个领域中。精密减速器是在工业机器人中技术含量最高的关键部件,它的好坏直接决定了机器人性能的优劣。但是在故障诊断研究领域中,对于精密减速器等传动系统的研究还不够完善。本课题针对BRTIRUS1510A型号六自由度工业机器人的传动系统故障,采用姿态监测的方法,使用BWT901姿态传感器完成姿态数据的采集过程,从数据驱动的角度进行故障诊断研究与应用。在本研究中提出了在工业机器人的末端执行器处安装姿态传感器的信息采集方法,结合机器学习理论算法,建立了工业机器人的故障识别模型,开展故障诊断应用。本课题开展的主要研究工作如下:（1）通过工业机器人的结构以及关键部件传动失效的分析,得出其常见的故障形式。考虑到故障诊断的经济性和可行性,采用基于储备池计算并结合低成本姿态传感器的故障诊断方法,开展工业机器人的故障诊断。开展储备池模型的参数分析,并将其与支持向量机、稀疏自动编码器和深度置信网络模型进行比较。实验结果表明,储备池模型对于工业机器人在不同工况下的故障诊断是可行的、有效的,而且储备池算法在工业机器人故障诊断中具有较好的稳定性。（2）在工业实际应用中,对工业机器人的运动精度要求一般都很高,故而更高识别率的故障诊断模型对于工业机器人的定位精度显得至关重要。由于来自低成本姿态传感器的原始数据中通常包含有大量的干扰信息,会增加模型对于工业机器人故障诊断分析的难度。因此,提出了一种新颖的预分类储备池计算方法,通过汇总相同条件的信息标签来减少类内间距离的预分类策略,可达到提高模型的故障分类准确率的目的。开展预分类储备池模型的参数分析,并将其与标准储备池计算、支持向量机、稀疏自动编码器和深度置信网络模型进行了比较。实验结果表明,预分类储备池方法在这些比较方法中具有最高的故障模式识别率。（3）虽然基于预分类储备池的智能算法对于工业机器人故障模式的识别方法可行,同时具有比传统储备池算法具有更高的识别精度,但是从时间层面上还需要对故障诊断模型的耗时问题展开研究。分析发现,模型从开始运算至结束期间的耗时与输入数据的维度有关。如果数据的维度过高,计算机在运算期间所花费时间也会增加。因此,提出了一种新型的降维储备池计算方法,并将其与预分类储备池、标准储备池、支持向量机、稀疏自动编码器以及深度置信网络等模型进行了比较。实验结果表明,所提出的降维储备池模型在工业机器人故障诊断中能够缩短诊断模型的运算时间,从而达到节约时间成本的目的。