在中国“智能制造”发展的大潮流下,广泛应用于各个领域的工业机器人（智能设备中的一员）正处于快速发展阶段。在如今的工业生产中,企业为降低人力成本、缩短产品加工时间、获得更大的利润而不得不引进各类型的工业机器人,这一举措使得工业机器人的装机量逐年升高。然而这也让工业机器人在实际生产中的故障越来越频繁、故障量越来越多,工业机器人故障的发生是无法避免的、种类多样的,且健康状态的数据量与故障状态的数据量极不平衡。故障诊断模型是否高效且准确是为工业机器人的健康管理提供可靠的理论和技术支持的关键,能够帮助企业及时检测以及排除故障,减少人员伤亡,增加企业收益。因此,本文针对工业机器人在数据平衡状态下和不平衡状态下的故障诊断构建一个高效的诊断模型,解决企业生产中设备维护不及时、人工故障诊断缓慢等问题。由于本文对不平衡数据的诊断是利用GAN生成数据从而形成平衡的大数据,因此针对平衡状态下的故障数据,本文第二章设计了一种一维深度残差网络模型用于自动提取数据的深层特征并对其进行类别分类。首先采用小波包对采集的原始数据进行高低频分解得到小波包系数;其次,利用深度残差网络提取数据中包含的故障特征、降低数据特征维度;接下来,全连接层汇集卷积所提取的特征;最后,Softmax层对提取的特征进行分类输出故障识别率。本章使用的数据包括工业机器人运行中产生的健康数据和3类故障数据,诊断准确率比4个主流标准对比模型（标准一维深度残差网络,深度置信网络,神经网络,堆叠自编码器）高,说明该模型具有良好的故障诊断能力。基于Wasserstein生成对抗网络（WGAN）的不平衡数据故障诊断。众所周知,在实际的工业生产中,考虑到生产成本和安全性,无法使机器在故障状态下长时间的运行,大量故障数据的获得是极为不易的,因此正常状态下的数据通常比故障状态的数据多出许多。针对这一问题,本文应用该模型中的生成器捕获真实数据样本中的数据分布规律,判别器对生成的样本进行真假判别,两个网络互相对抗升级,最终生成可以用于增加故障数据样本的数据。首先对采集到的原始数据进行小波包变换形成真实的平衡数据集,再从平衡数据集中选取包含原始数据分布的不平衡数据集,利用该模型从不平衡数据集中学习数据分布并生成足够多的与真实数据相匹配的样本,最后通过以下三个方面对生成数据的质量进行评估:判别器和生成器的损失值变化、生成数据和真实数据样本的重合程度和分类算法的分类精度。结果表明,WGAN模型生成的数据质量高,可当作故障数据集的扩充数据。最后用本文设计的深度残差网络对用生成数据扩充而成的平衡数据集进行故障诊断,实验结果证实了生成数据的高质量以及深度残差网络出众的表达能力。基于不同生成对抗网络的故障诊断对比。采用了7种类型的生成对抗网络来生成故障数据。仍然通过上文提到的三个方面进行分析评估生成数据样本的质量。结果表明,只有条件Wasserstein生成对抗网络模型生成的数据质量高,可当作故障数据的扩充数据,其余生成对抗网络生成的数据和真实数据的差别较大,无法应用于实际。深度残差网络对这7种生成数据集的分类结果与生成数据好坏程度成正比,进一步验证了这7类生成对抗网络所生成数据的好坏、与真实数据分布的相似性高低。最后通过将生成数据（13860个样本）与不平衡真实数据（140个样本）混合形成的训练集来对深度残差网络进行预训练,最后的分类效果有明显的提升,证实了本文所提出的方法是切实可行的。