1.一种应用于机器人的异常数据处理方法，其特征在于，包括以下步骤：S1：首先对收集到的机器人实时传感器数据进行初步的预处理，同时对数据添加标签或注释，形成标注数据集并存储至数据库；

S2：然后通过标注数据集，确定深度学习架构，构建并初始化模型参数，选择损失函数和优化算法，进行模型训练循环，并监控训练过程；

S3：将实时采集的数据传入训练好的深度学习模型，模型进行特征提取和转化，快速计算和推断，判断数据的异常，并与数据库中的数据进行比对；

S4：根据模型监测的异常数据提取关键特征，建立分类规则，分析异常数据的类型和严重程度，评估异常数据对机器人不同维度的影响，针对异常数据的严重程度的分析步骤如下：获取异常数据对机器人造成影响严重程度的影响参数，影响参数包括机器人功能受影响程度、安全性相关因素、经济影响因素、系统稳定性、时效性因素及可预测性，并通过影响参数分别分析得到功损值、安评值、经影值、系影值、延滞值及预判值，归一化处理后，以功损值、安评值、经影值及系影值作为异常数据基础严重程度评估标准，并代入以下公式：以 得 到基评 值Y PJ ，式 中

分别为功损值、安评值、经影值及系影值， 分别为功损值、安评值、经影值及系影值的预设权重系数；

再以延滞值及预判值为作为基评值YPJ的修正因子代入以下公式：以得到终判值ZPJ，式中YC及YP分别为延滞值及预

判值， 分别为延滞值及预判值的预设权重系数；并以得到的终判值ZPJ作为最终衡量异常数据的严重程度的标准；

再将不同的异常数据计算得到的终判值通过大小进行排序，优先对终判值大的异常数据进行处理，并对异常数据的终判值与预设的三个终判值区间进行比对，三个终判值区间分别对应设置着异常数据的严重等级，分别为轻度异常、中度异常及严重异常；

其中功损值、安评值、经影值及系影值的分析过程如下：

机器人功能受影响程度：通过收集该异常数据导致的任务完成率下降的百分比、关键功能的失效次数及功能恢复所需的时间，归一化处理后将任务完成率下降的百分比与关键功能的失效次数相乘并除以功能恢复所需的时间以得到功损值，并以此功损值作为衡量该异常数据对机器人功能受影响程度的标准；

安全性相关因素：通过分析异常数据对人员安全构成的风险等级并赋予1‑100的风险评分；潜在的设备损坏程度转换为损坏百分比；与安全规范的偏离程度，通过统计与安全规范的相似度进行量化，相似度越高，则对应与安全规范的偏离程度越低；

分别将得到的风险评分、损坏百分百及相似度归一化处理代入以下公式：以得到安评值APZ，并以此安评值作为衡量异常数据对安全性相关因素的影响；式中fp、ss及xs分别为风险评分、损坏百分百及相似度；

经济影响因素：通过分析异常数据造成的生产延误，并利用停止时间作为衡量的标准，再采集异常数据导致的财产损失金额及对成本效益的负面影响，将影响赋予1‑10的影响评分，影响评分越大，则对成本效益的负面影响越大；

再将得到的停止时间及影响评分归一化处理后，以停止时间作为底圆面积，影响评分作为高，建立圆柱体模型，计算该圆柱体模型的体积，并记为经影值，以此经影值作为衡量异常数据对经济影响的标准；

系统稳定性：通过统计该异常数据引起系统崩溃或出错的频率及对系统整体性能的影响程度，并将影响程度通过性能下降百分比进行量化，再将系统崩溃或出错频率及性能下降百分比归一化处理后以系统崩溃或出错频率乘以频率权重系数为半径建立底圆，以性能下降百分比乘以性能权重系数为高建立圆锥体模型，计算该圆锥体模型的表面积，记为系影值，并以此系影值作为衡量异常数据对系统稳定性影响的标准；

S5：根据异常数据的严重程度，采取不同的处理策略；

S6：定期收集新的数据用于更新深度学习模型，引入新的异常类型和场景提高模型泛化能力，持续训练模型并进行性能验证。

2.根据权利要求1所述的一种应用于机器人的异常数据处理方法，其特征在于，所述S4中延滞值及预判值的分析过程如下：时效性因素：统计该异常数据导致的延迟或滞后的时间长度及对实时响应的影响程度，并将对实时影响的影响程度通过影响时间进行量化，再将得到的延迟或滞后的时间长度及影响时间归一化处理求和后以预设角度建立三角形的两条边，补充三角形的另一条边长，形成完整的三角形，计算该三角形的面积，记为延滞值，并以此延滞值作为衡量异常数据对时效性造成影响的标准；

可预测性：分析该异常数据的可预测性难度并赋予1‑10的难度评分，难度评分越高，则可预测性难度越大，再从历史数据中统计该异常数据的出现频率；分别对难度评分及异常数据出现频率进行归一化处理后相乘并加上修正因子，以得到的预判值，并以此预判值作为衡量异常数据可预测性的标准。

3.根据权利要求1所述的一种应用于机器人的异常数据处理方法，其特征在于，所述S5的具体操作步骤如下：当判断异常数据属于轻度异常时，记录异常数据，并尝试自动修复，包括调整机器人的行为或重新采集数据；

当判断异常数据属于中度异常时，对于异常数据的相关功能进行限制；

当判断异常数据属于严重异常时，重新启动系统或紧急停机，并及时发出预警信号，请求人工干预。

4.根据权利要求1所述的一种应用于机器人的异常数据处理方法，其特征在于，所述S1的具体操作步骤如下：首先对机器人中配备的不同传感器的数据进行收集，以收集多维度的数据；

再对收集到的实时传感器数据进行初步的预处理和标注；

预处理包括对数据进行过滤，去除可能存在的噪声，同时对数据进行格式化；

标注通过对数据添加标签或注释，以便模型的学习和理解，标注的内容包括正常数据和异常数据的分类；

完成数据的初步预处理及标注后形成标注数据集，并存储至数据库中。

5.根据权利要求1所述的一种应用于机器人的异常数据处理方法，其特征在于，所述S2的具体操作步骤如下：采用数据库中的大规模的标注数据集，包括正常数据和各种类型的异常数据，根据问题的特点确定深度学习架构，并使用选定的深度学习架构构建深度学习模型；

完成模型的确定后，对模型的参数进行初始化，并确定与任务相匹配的损失函数，衡量模型预测误差，然后确定优化算法，包括随机梯度下降或其变种；

再对模型进行训练循环，具体的过程如下：

批次加载训练数据；

计算模型的输出；

根据损失函数计算误差；

通过优化算法更新模型参数；

使用相匹配的指标来监控训练过程，指标包括准确率及损失值；

根据监控结果，调整模型参数和训练策略，以优化模型性能；

在训练过程中，定期在验证集上评估模型性能；

根据验证集的表现，判断是否提前停止训练，以防止过拟合；

比较不同模型或不同参数设置下的性能，选择最优模型；

保存最后训练好的模型。

6.根据权利要求1所述的一种应用于机器人的异常数据处理方法，其特征在于，所述S3的具体操作步骤如下：将实时采集的数据传入训练好的深度学习模型中；

模型对输入数据进行特征提取和转化，利用模型的算法和参数，进行快速计算和推断；

对数据的异常进行判断，通过与正常数据模式进行比较及依据模型的判断标准，确定是否存在异常；

将异常判断的结果输出，并将实时获取的数据与数据库中进行比对，当存在新的训练数据时，根据新的训练数据自动更新模型，以提高模型检测的准确性。

7.根据权利要求1所述的一种应用于机器人的异常数据处理方法，其特征在于，所述S6的具体操作步骤如下：首先确定数据来源，设置收集频率，定期收集新的数据，用于更新深度学习模型；

引入新的异常类型和场景；

使用新数据和新异常类型，持续训练更新后的模型，并对模型的性能和泛化能力进行验证；

然后根据机器人的实际运行情况，动态调整模型的参数和权重；

再将更新后的模型部署至机器人系统中，观察机器人在实际运行中的表现，收集反馈信息，并根据反馈，改进模型和更新过程。