تُعتبر عمليات الكشف عن الأعطال في محامل الآلات المدوّرة أمرًا بالغ الأهمية لضمان السلامة الصناعية وتعزيز أنظمة الصيانة الاستباقية. يعاني الاستخدام التقليدي للأساليب الإحصائية المعتمدة على الميزات من قيود بسبب الاعتماد على توصيلات محددة مسبقًا تحد من حساسيتها التشخيصية بفضل تكوينات ثابتة ومرونة محدودة عبر ظروف الأعطال المختلفة. بينما تقدم أساليب التعلم العميق قدرة تمثيلية قوية، فإن فعاليتها غالبًا ما تقيدها المتطلبات العالية للبيانات وانخفاض قابلية التفسير.

في هذا الإطار، تم اقتراح نموذج PG-AMF لاستخراج الميزات بشكل مرن، حيث يتم تعلم خصائص الميزات بشكل مباشر من البيانات، بدلاً من تحديدها يدويًا. يتم استخراج تمثيلات متعددة داعمة من إشارات الاهتزاز، بما في ذلك الميزات المطلقة التي تلتقط توزيع الطاقة للإشارة، وميزات المسافات الموقعة التي تعكس عدم التماثل في الموجات، وميزات اللحظة المرتبطة بالتقلبات الديناميكية. كما يتم نمذجة التفاعلات بين قنوات متعددة من المستشعرات عبر آلية دمج منظمة لتعزيز تمثيل الأعطال.

تم تقييم الاستراتيجية المقترحة على مجموعة بيانات قياسية لمحامل التروس تضم خمسة حالات صحية، بما في ذلك التشغيل الطبيعي وأنواع متعددة من الأعطال. وتم تسجيل تحسين في أداء التصنيف مقارنة بالأساليب التقليدية، مع نتائج متسقة في عملية التحقق المتبادل، مما يشير إلى قدرة قوية على التعميم. وقد تم إثبات أن الفواصل المستخرجة تعزز من قابلية فصل الميزات من خلال نماذج تجميع أوضح في الإسقاطات منخفضة الأبعاد. تلعب التمثيلات المتعلمة دورًا بارزًا في التقاط مجموعة واسعة من خصائص الإشارة، مما يدعم كل من تحسين الأداء التشخيصي والتطبيق العملي في أنظمة المراقبة الصناعية.