본 논문은 회전 속도 및 토크 변화 등 다양한 작동 조건 하에서 복합 고장 진단의 어려움을 해결하기 위해 부분적으로 레이블이 지정된 타겟 데이터셋에서 도메인 적응을 위한 새로운 다중 출력 분류(MOC) 프레임워크를 제시합니다. 기존의 다중 클래스 분류(MCC)와 달리, MOC 프레임워크는 복합 고장의 심각도 수준을 동시에 분류합니다. 공유 트렁크 및 크로스토크 기반 설계를 포함한 다양한 단일 작업 및 다중 작업 아키텍처를 MOC 공식에 적용하여 부분적으로 레이블이 지정된 조건에서 복합 고장 진단을 수행합니다. 특히, 선택적 정보 공유를 가능하게 하는 새로운 크로스토크 아키텍처인 잔차 신경 차원 감소기(RNDR)를 제안하여 복합 고장 시나리오에서 분류 성능을 향상시킵니다. 주파수 계층 정규화를 통합하여 모터 진동 데이터의 도메인 적응 성능을 향상시켰으며, 모터 기반 테스트 설정을 사용하여 구현된 복합 고장 조건을 6가지 도메인 적응 시나리오에서 평가했습니다. 실험 결과, 기준 모델에 비해 우수한 매크로 F1 성능을 보였으며, RNDR의 구조적 이점은 단일 고장 설정보다 복합 고장 설정에서 더 두드러짐을 보였습니다. 또한 주파수 계층 정규화가 기존 방법보다 고장 진단 작업에 더 적합함을 확인하였고, 다양한 조건 하에서 RNDR과 매개변수 수가 증가된 다른 모델을 분석하고, 절제된 RNDR 구조와 비교 분석했습니다.
