Para los sistemas robóticos involucrados en entornos desafiantes, es crucial poder identificar fallos lo antes posible. En entornos desafiantes, no siempre es posible explorar todo el espacio de fallos, por lo que los datos anómalos pueden actuar como un sustituto más amplio, donde una anomalía puede representar un fallo o un precursor de un fallo. Este artículo propone un método para identificar datos anómalos de un robot, utilizando una cantidad mínima de datos nominales para el entrenamiento. Se utilizó un Autoencoder Variacional muestreado por un conjunto de Monte Carlo para determinar datos nominales y anómalos a través de la reconstrucción de datos en vivo. Esto se probó en anomalías simuladas de datos reales, demostrando que la técnica es capaz de identificar de manera confiable una anomalía sin ningún conocimiento previo del sistema. Con el sistema propuesto, obtuvimos un puntaje F1 a través de las pruebas.