进入21世纪以来，全球制造业正在向自动化、集成化、智能化、绿色化方向发展。作为智能制造的主力军，工业机器人在各个领域都越来越受青睐。我们已经见证了工业机器人技术在过去几十年中的迅速发展，今天，机器人系统已经成为现代制造业不可替代的重要装备和手段。
　　工业机器人系统中有很多参数需要被调整以使系统达到最优，传统的参数调整方法都是由人工手动，通过一系列反复试验完成，然而，这严重影响了系统的稳定性和可移植性。为了使工业机器人可以自主连续工作，工业机器人系统必须以一种智能的方式与工业环境进行交互。工业机器人必须具有自主收集数据，分析数据，做出相应处理的能力。因此，一种针对工业机器人系统的高效的数据分析方法就显得尤为重要。
　　由于极限学习机(ELM)算法具有非线性处理能力强，泛化能力好等诸多优点，本文选取ELM作为数据处理算法。此外，ELM具有极强的学习能力，可以只用较少的训练数据在较短的时间内完成建模。但是，ELM算法也有其弊端:对于具有噪音和冗余信息的数据集，其使用效果不佳。因此，本文采用PCA-ELM方法进行建模，首先使用主成分分析法(PCA)对数据进行降噪处理，再使用ELM算法建模。
　　在工业机器人错误自主恢复问题上，传统的类似专家系统的恢复方法不能对机器人报出的错误进行实时有效的处理，因此本文首次将PCA-ELM用于工业机器人错误恢复，对机器人运行过程当中可能出现的各类错误和相关变量建立分类模型，并设定相应的解决办法。
　　“转角轨迹失败”是工业机器人经常发生的错误，机器人系统在报出错误的同时，程序中原本定义的接近点在实际路径中会执行停止点操作，即没有转角轨迹，这不仅使得工业机器人的错误率上升，而且将严重影响整个自动化系统的循环时间，使得机器人的使用效率下降。目前，还没有在编程阶段检测这一问题的方法，如果能在编程阶段及时发现解决，将会提高机器人工程师的调试效率，大大缩短调试时间。因此，本文首次将机器学习算法用于“转角轨迹失败”检测，对机器人运动指令当中的各参数建立分类模型，提前预测可能产生“转角轨迹失败的指令。