机械臂在工业生产过程中的应用范围广泛,与此同时,保证其安全、稳定、高效运行,才能为工业生产提供保障。传动系统作为机械臂的重要系统,是整个机器运行中工作强度最高的部分,一旦发生故障,将会影响机械臂整体的性能。因此,监测机械臂运行状态,发现其传动系统的故障,并及时进行维修处理,可以大大提高其可靠性,降低故障带来的损失。但由于机械臂所处工作环境较为复杂,噪声等影响因素多,其运行数据并不能直观反映出传动系统的状态信息,早期故障和微小故障信号往往会被噪声信号掩盖,导致故障诊断工作存在困难。因此,本文从实际工程问题出发,主要研究内容集中在以下几点:（1）对传动系统的关键部件和故障机理进行分析,介绍了故障检测常用统计量。针对传动系统中难以通过数据信息直观发现的早期故障和微小故障的问题,结合数据驱动方法,实现故障检测。（2）提出一种基于KL散度慢特征分析（Kullback-Leibler divergence and slow feature analysis,KLSFA）的方法,解决传动系统的早期故障检测问题。该方法考虑了多轴承的早期故障检测问题,结合早期故障变化缓慢特点,利用慢特征分析方法有效地从噪声中提取反映系统状态变化的信息。经过数学理论分析给出了单变量和多变量形式的KL散度评价函数,通过分析各轴承不同状态之间的评价函数,提取出幅值较小的早期故障信息,提高了缓慢变化的早期故障的检测率。最后,设置阈值,利用判决规则来进行故障检测。通过数值案例和轴承运行数据进行实验,验证了该方法的有效性,证明所提算法具有精准的故障检测能力。（3）针对传动系统的微小故障检测问题,提出一种基于Hellinger距离慢特征分析（Hellinger distance and slow feature analysis,HDSFA）的故障检测方法。考虑实际工况下齿轮的故障特性,建立数学模型。通过计算不同状态下的慢特征的距离,充分利用故障数据集中隐藏的概率信息。该方法具有较高的灵敏度,能有效检测出传动系统中齿轮的微小故障。最后,通过齿轮运行数据验证了该方法的可行性。