La amplia aplicación de robots industriales a gran escala ha creado una demanda de monitoreo de salud más inteligente y eficiente, que es más eficientemente satisfecha por métodos basados en datos debido al aumento de datos y al avance de la tecnología informática. Sin embargo, la aplicación de métodos de aprendizaje profundo a robots industriales presenta desafíos críticos como la recolección de datos, el empaquetado de aplicaciones y la necesidad de algoritmos personalizados. Para superar estas dificultades, este documento presenta una Plataforma de monitoreo de salud basada en datos para robots industriales (PHIR) que proporciona un marco universal para que los fabricantes utilicen enfoques basados en aprendizaje profundo con un mínimo de codificación. Los datos en tiempo real de múltiples robots industriales y sensores se recopilan a través de un sistema de nube-borde y se someten a un preprocesamiento unificado para facilitar el entrenamiento del modelo con un gran volumen de datos. Para permitir el desarrollo sin código, se utiliza tecnología de contenerización para convertir algoritmos en operadores, y se proporciona a los usuarios una interfaz de orquestación de procesos. Además, se realiza investigación de algoritmos tanto para la detección de fallas repentinas como para la detección de fallas por envejecimiento a largo plazo y se aplica a la plataforma para experimentos de monitoreo de salud de robots industriales, mediante los cuales se demuestra la superioridad de la plataforma propuesta en la realidad a través de resultados positivos.