En este estudio, nuestro objetivo es aprender representaciones altamente descriptivas para un amplio conjunto de sonidos de maquinaria y explotar este conocimiento para realizar monitoreo de condiciones de equipos mecánicos. Proponemos un enfoque integral de aprendizaje de características que opera en audio crudo, supervisando la formación de incrustaciones de audio destacadas en estados latentes de una red neuronal convolucional temporal profunda. Al fusionar el enfoque de aprendizaje de características supervisado con una red neuronal profunda de una clase no supervisada, podemos modelar las características de cada fuente y detectar de manera implícita anomalías en diferentes estados operativos de máquinas industriales. Además, permitimos la explotación de información de audio espacial en el proceso de aprendizaje, formulando una nueva estrategia de procesamiento frontal para matrices circulares de micrófonos. Los resultados experimentales en el conjunto de datos MIMII demuestran la efectividad del método propuesto, alcanzando un puntaje AUC medio de última generación del 91.0%. El rendimiento de detección de anomalías mejora significativamente al incorporar datos de audio de múltiples canales en el proceso de extracción de características, así como al entrenar la red neuronal convolucional en el procesamiento frontal espacialmente invariante. Finalmente, el enfoque semisupervisado propuesto permite el modelado conciso de las condiciones normales de la máquina y detecta con precisión anomalías del sistema, en comparación con los métodos de detección de anomalías existentes.