I sistemi di Prognostics and Health Management stanno assumendo crescente importanza in molte applicazioni ingegneristiche, permettendo l’individuazione dei guasti incipienti e la determinazione della vita utile residua dell’entità oggetto di studio. L’implementazione di tale tecnologia nel campo della robotica industriale è fortemente ostacolata dalla limitatezza dei dati storici relativi a robot operanti in condizioni non nominali, necessari per l’allenamento di modelli data-driven sufficientemente accurati. L’obiettivo del presente lavoro di tesi è quello di creare un modello matematico high-fidelity che permetta di simulare l’effetto che fault e failure, di diversa natura ed entità, hanno sul comportamento del robot e di creare i dataset di cui si necessita per il suddetto allenamento.