أثناء تشغيل الروبوتات الصناعية، قد تحدث أحداث غير طبيعية تهدد سلامة البشر وجودة الإنتاج. عند جمع البيانات للكشف عن مثل هذه الحالات، لا يمكن ضمان تضمين بيانات جميع الأخطاء المحتملة التي قد تحدث، نظرًا لأن الأحداث غير المتوقعة قد تحدث بمرور الوقت. لذلك، يُقدّم الكشف عن الشذوذ (AD) حلًا عمليًا، حيث يعتمد فقط على البيانات الطبيعية لتعلم الكشف عن الأحداث غير العادية. نقدم مجموعة بيانات تسمح بتدريب ومقارنة أساليب الكشف عن الشذوذ في التطبيقات الروبوتية بناءً على بيانات الآلة، والتي سيتم إتاحتها بشكل عام للمجتمع البحثي. وتتضمن المجموعة، كمهمة روبوتية نموذجية، تطبيقًا لجمع ووضع (pick-and-place)، والذي يتضمن الحركة، وحركات الأداة النهائية، والتفاعلات مع الأجسام في البيئة. وبما أن بعض الشذوذ المضمنة في المجموعة ليست محددة للمهمة، بل عامة، فإن التقييمات على مجموعتنا يمكن نقلها إلى تطبيقات روبوتية أخرى أيضًا. بالإضافة إلى ذلك، نقدّم MVT-Flow (تدفق السلاسل الزمنية متعددة المتغيرات) كطريقة أساسية جديدة للكشف عن الشذوذ: تعتمد هذه الطريقة على تقدير الكثافة القائم على التعلم العميق باستخدام تدفقات التطبيع (normalizing flows)، مع تخصيصها لبيئة البيانات من خلال أخذ هيكلها بعين الاعتبار عند تصميم البنية. تُظهر نتائج تقييمنا أن MVT-Flow تتفوق على الطرق الأساسية السابقة بنسبة كبيرة تبلغ 6.2% في مقياس المساحة تحت منحنى ROC.