El uso creciente de robots colaborativos en la fabricación inteligente, debido a sus beneficios de flexibilidad y seguridad, subraya una necesidad crítica de estrategias de mantenimiento predictivo robustas para prevenir fallos/fallas inesperadas de la máquina. Este documento se centra en la detección de fallos y emplea datos operacionales multivariantes de un robot universal para detectar anomalías o fallos en etapas tempranas utilizando datos de prueba de condiciones anómalas diseñadas y técnicas de detección de anomalías basadas en inteligencia artificial llamadas autoencoders. Se comparó el rendimiento de tres autoencoders, a saber, un autoencoder basado en perceptrones multicapa, un autoencoder basado en redes neuronales convolucionales y un autoencoder escaso, en la detección de anomalías. Los resultados indican que los autoencoders detectaron efectivamente anomalías en los conjuntos de datos complejos y ruidosos examinados con más del 93% de precisión general y una puntuación F1 que supera el 96% para los casos anómalos considerados. Además, se propuso la integración de la detección de cambios de trayectoria y algoritmos de detección de anomalías (es decir, el algoritmo de alineación temporal dinámica y el autoencoder escaso, respectivamente) para la implementación local de monitoreo de condiciones en línea. Este enfoque integrado para la detección de anomalías y cambios de trayectoria proporciona una solución práctica, adaptativa y económica para mejorar la fiabilidad y seguridad de los robots colaborativos en entornos de fabricación inteligente.