Los robots industriales suelen realizar una variedad de tareas y ocupan posiciones críticas en los campos de fabricación modernos. Cuando ocurren ciertos fallos en las estructuras internas de los robots, tiende a resultar en pérdidas financieras significativas y en el consumo de recursos humanos. Como resultado, un diagnóstico de fallos oportuno y efectivo es fundamental para garantizar el funcionamiento seguro de los robots. Actualmente, los métodos basados en aprendizaje profundo están siendo ampliamente utilizados por los investigadores para abordar algunas deficiencias de los métodos tradicionales. Sin embargo, debido a limitaciones de factores realistas, pocos investigadores tienen en cuenta al mismo tiempo el patrón de fallo de la maquinaria rotativa y la ubicación de las juntas defectuosas, por lo que los tipos de fallos de los robots de múltiples juntas no se investigan a fondo. En este caso, propusimos un método de simulación dinámica que considera los efectos de los fallos de los rodamientos en varias ubicaciones de juntas defectuosas y permite investigar más posibles casos de fallo de robots de múltiples juntas. Además, utilizamos LSTM y DCNN para realizar tareas de diagnóstico de fallos por etapas, lo que nos permite localizar gradualmente las juntas defectuosas e investigar formas de fallo detalladas. Según los resultados experimentales, se obtienen señales de vibración distinguibles correspondientes a varios estados de fallo, y nuestros algoritmos implementados son validados por su rendimiento avanzado en tareas de diagnóstico a través de experimentos comparativos.