随着计算机科学技术的快速发展,工业机器人应用领域也随之不断扩展和深化,工业机器人已成为一种高新技术产业。但是对工业机器人的故障诊断和监测的领域现在的研究还没那么完善。本文借助低精度姿态传感器对六轴工业机器人的RV减速机传动系统故障从数据驱动角度进行了故障诊断研究。在研究中利用安装在第六轴末端的姿态传感器对设置故障类型进行数据采集,然后再结合极限学习机的模型从浅层建立了工业机器人的故障识别模型。最终利用最优的极限学习机模型搭建了线上监测系统,进而能够实时远程的观察工业机器人的运行状态。在故障诊断方面,极限学习机（ELM）具有较高的运行效率。然而,ELM算法的识别精度实际上受到激活函数的影响。此外,大部分测试数据来自高精度和昂贵的传感器。本文采用低成本的姿态传感器采集原始数据,该传感器安装在工业机器人的第六轴的末端。为了提高ELM的性能,提出了一种双重激活函数（DELM）。利用从机器人中采集的实验数据对该方法进行了评价,并通过与sin、sigmoid、tribas、radbas、hardlim激活函数的比较,验证了所提出方法的优越性。实验结果表明,该方法在故障诊断精度的最低精度高于其他激活函数,而且能够快速收敛,同时在面对不同的故障类别时,改进的激活函数曲线几乎没有太大波动。从ELM基本理论研究发现,与传统的梯度下降算法相比,极限学习机在学习速度上有较好的表现。但是,随机输入的权值和隐藏的偏差是影响ELM精度和泛化性能的因素。因此本文提出了一种基于水平学习群优化（LLSO-ELM）的极值学习机来诊断工业机器人的故障。LLSO在大规模优化问题的求解质量和计算效率方面具有较强的竞争力,可用于求解ELM的权值和偏差的最优配置。利用工业机器人工作在不同的故障模式下的在台数据对模型进行实验。实验结果表明,该方法具有较好的泛化性能和稳定性。最终搭建了python开发平台,使用LLSO-ELM算法,结合Modbus通讯协议和pyserial串口通讯模块实现了传感器数据通讯。利用Py Qt5搭建人机交互界面,使用Threading模块完成多线程任务,使用pickle模块将算法转化为本地模块,最终实现了在线故障检测与诊断。