工业机器人是实现智能化生产和产业升级不可或缺的角色。为了保障工业机器人健康、平稳运行,工业生产线保持长久稳定的生产力,需要建立可靠的工业机器人故障诊断系统。随着智能化水平的提升,在机器人故障诊断领域出现了越来越多数据驱动的故障检测方法,然而许多方法依赖外加传感器数据,而且传统的浅层学习故障诊断方法依赖于人工提取信号特征并选择合适的分类器组合,非常依赖专家经验,故障诊断模型优化过程耗时且泛化能力较差,难以满足工业生产实际的故障诊断需求。在机器人故障诊断任务中还面临缺乏故障数据,类别不平衡等问题。本文针对机器人故障诊断相关问题,以多轴工业机器人为研究对象,重点关注其核心部件的故障诊断,提出了基于改进多标签一维卷积神经网络的故障诊断算法,该算法使用工业机器人原始运行数据进行模型输入,无需专家知识进行特征提取即可实现故障识别。本文主要研究内容如下:（1）针对工业机器人故障数据少,故障数据获取困难等问题,在工厂搭建实验平台,设置部件替换实验采集机器人故障数据,建立工业机器人故障数据集。（2）针对工业机器人运行过程中故障诊断精度较低、依赖专家经验知识等问题,提出一种基于改进一维卷积神经网络的正交正则化网络（SRIPCNN-1D）工业机器人故障诊断模型。首先,利用机器人原始时域运行数据进行分析,通过随机采样和Mixup对故障数据做数据增强;其次,采用正交正则化（SRIP）一维卷积神经网络（CNN-1D）将工业机器人原始运行数据进行端到端训练。该算法在实验采集的工业机器人单故障数据集上获得了99%以上的诊断精度,并与WDCNN,CNN-1D模型进行实验对比验证了有效性。（3）针对工业机器人复合故障诊断困难问题,提出一种改进多标签一维卷积神经网络故障诊断模型（ML-SRIPCNN-1D）。ML-SRIPCNN-1D模型具有较少的模型层数,训练参数少且模型表达能力强,适用于机器人在线故障诊断,该模型在多轴工业机器人复合故障数据集上获得了98%以上的诊断精度,与MLCNN,WT-MLCNN,T-FSMMLCNN等模型以及单故障诊断模型进行对比,验证所提模型的有效性。同时,我们还研究了不同采样频率数据对本算法建立的模型故障诊断效果的影响,实验结果表明,调整采样间隔至1s,模型依然有效。（4）建立了工业机器人故障诊断系统。设计和实现了工业机器人故障诊断系统整体架构和主要功能模块,通过接入实际运行的工业机器人,验证了算法的有效性。