أظهرت النماذج العميقة المتقدمة أداءً ممتازًا في مهمة تشخيص أعطال المحامل مقارنةً بالتقنيات التقليدية للتعلم الآلي ومعالجة الإشارات. كما لاقت منهجية التعلم قليل العينات اهتمامًا متزايدًا في هذه المهمة، بهدف معالجة مشكلة نقص بيانات التدريب. ومع ذلك، فإن النماذج المتطورة حديثًا لتشخيص أعطال المحامل تعتمد غالبًا على الشبكات العصبية التلافيفية (CNN)، التي تُركّز على الخصائص المحلية للبيانات المدخلة. علاوةً على ذلك، لا تزال عملية التصنيف الدقيق لإشارات أعطال المحامل تحديًا كبيرًا بسبب التباين في البيانات، وأنواع الأعطال، وظروف الاستلام، بالإضافة إلى قلة البيانات بشكل كبير، مما يترك مجالًا واسعًا للبحث في هذا المجال. في هذه الدراسة، نقترح منهجية جديدة من النهاية إلى النهاية لتشخيص أعطال المحامل، حتى في حالات نقص البيانات، سواءً في الأعطال الاصطناعية أو الحقيقية. وتحديدًا، نقترح وحدة لاستخلاص الميزات تلقائيًا من البيانات المدخلة، تُعرف بـ "استخلاص الميزات متعددة المقاييس باستخدام كernels كبيرة". ثم تُدخل هذه الميزات المستخلصة إلى نموذج ثنائي الفرع، يتضمن فرعًا عالميًا وفرعًا محليًا. يحتوي الفرع العالمي على بنية مُعتمدة على نموذج الترانسفورمر مع انتباه متقاطع، لمعالجة السياق العالمي وتحديد العلاقة بين مجموعتي الاستعلام (query) والدعم (support). أما الفرع المحلي فهو نموذج مبني على المقاييس، يتضمن مسافة ماهالانوبيس لفصل الميزات المحلية من مجموعة الدعم. ويتم بعد ذلك دمج النتائج الناتجة من الفرعين لغرض التصنيف. أُجريت تجارب مكثفة ودراسات تحليلية (Ablation Studies) على مجموعتي بيانات عامتين، وهما CWRU وPU. وقد أظهرت النتائج النوعية والكمية، بدرجات متفاوتة من عينات التدريب، أداءً متفوقًا للنموذج المقترح مقارنةً بالحلول الرائدة الأخرى. سيتم نشر الكود الخاص بنا على الرابط: https://github.com/HungVu307/Few-shot-via-ensembling-Transformer-with-Mahalanobis-distance