工业机器人作为人工智能和传统机械、电气等结合的前沿产品,被誉为制造业皇冠上的明珠。工业机器人广泛应用于焊接、激光切割、磨抛等高精度加工领域。长期运行过程中,关节处磨损出现间隙,导致末端精度退化。同时机器人高速运行时,间隙使得旋转副元素之间可能发生猛烈冲击和碰撞,增加构件的动应力,导致元件弹性变形增大、磨损加剧,产生噪声和振动等。有必要建立起关节间隙与末端精度退化之间表征模型,开展工业机器人末端定位精度状态监测和健康管理（PHM）方法研究。首先建立了五关节工业机器人的关节间隙与末端位置误差之间的正向传递关系。基于ADAMS建立参数化五关节工业机器人虚拟样机模型,考虑关节磨损问题,将其简化成为间隙铰。建立了间隙效应评价指标体系,量化分析了不同关节间隙对末端精度和稳定性的影响,为后续建立特征提取和关节间隙识别算法奠定基础。然后特征提取是PHM系统关键步骤之一,以建立的五关节工业机器人虚拟样机末端振动信号为系统监测的数据源,构建关节间隙特征数据集。针对不同的关节间隙参数,在末端振动信号会有不同的特征,选取以末端加速度信号为分析对象;利用ADAMS二次开发功能,使用cmd命令自动修改关节间隙尺寸并运行仿真脚本,获取了末端振动信号。提出以复morlet小波为基波的连续小波变换特征提取方法,该方法可精确定位特征频率出现的时间,可自适应选取带通滤波中心频率,可实现信号带通滤波和Hilbert变换的统一。利用该方法将振动数据进行复解析连续小波变换得到样本的时频图,构建了关节间隙特征的数据集。接着以建立的时频图数据集为卷积神经网络的输入,对应间隙参数为输出,实现PHM方法功能。基于小尺度卷积神经网络的模式识别,解决了目前常用的最大池化只取区域内神经元活性最大值导致丢失大量信息和平均池化对区域内神经元活性值分配权值相同而模糊重要特征的问题。使用关节间隙特征的数据集,优化小尺度卷积神经网络结构,通过识别结果,验证了本文提出的模型方法的有效性和准确性。最后基于My SQL与Pyqt5搭建了PHM系统软件平台,实现了数据管理和算法集成。可根据末端状态来识别导致末端精度下降的关节间隙位置和大小。