工业数字时代下产生了大量的数据,如何将数据转化为有价值的知识是值得研究的问题。作为智能制造中的关键技术,工业机器人在整个自动化生产过程中起着重要的影响作用。由于工业机器人的系统结构越来越复杂,一旦发生故障,可能会影响整个生产周期,准确地对工业机器人进行故障诊断,使其处于最佳的工作状态至关重要。随着知识图谱的发展,将有经验有价值的数据转化为知识分析越来越被重视,因此提出了构建工业机器人故障诊断知识图谱的课题。通过探究故障间的复杂关联关系,实现知识的分析与利用,为维修人员提供辅助决策、诊断推理等,是非常具有研究意义的。针对知识图谱构建的过程,本文的研究工作主要有:（1）构建工业机器人故障诊断领域的数据集。由于公开网络上没有该领域的数据集,本文针对故障维修表等文件,整理相关的数据句子信息。通过咨询专家指导进行本体概念关系的构建,划分了七种实体信息和四种关系信息,对数据进行标注最终形成本领域的小规模数据集IRFDC（Industrial Robot Fault Diagnosis Corpus）。（2）融合注意力机制的多头选择联合抽取算法研究。针对传统的流水线方法不能很好地融合两个子任务之间的关系,提出了一种联合抽取模型BABCJ（BertAttention-Bi LSTM-CRF in Joint Extraction of Entities and Relations）用于实体关系的抽取。本文在多头选择的基础上进行改进,引进了预训练语言模型Bert和注意力机制。模型在构建的数据集IRFDC上获得了综合F1值88.21%的效果,通过对比实验和消融实验验证了算法的有效性,并在公共数据集上验证了模型的泛化能力。（3）基于主动学习的实体识别算法研究。由于特定领域带标注的文本信息有限,完全监督学习会带来标注成本过高的问题,因此本文引入了主动学习展开研究。主动学习通过有选择性地挑选样本训练模型,一定程度上能减少人工标注的成本。本文基于主动学习先在实体识别领域上展开研究,通过查询策略的设计,结合改进后的学习引擎,最终通过实验验证了主动学习的有效性。（4）基于Neo4j的知识存储与可视化。利用Neo4j图数据库存储知识抽取过程中得到的三元组信息,实现知识的存储操作,并且在Neo4j图数据库进行了工业机器人故障诊断知识图谱的可视化操作。