यह शोधपत्र घूर्णी गति और बलाघूर्ण भिन्नताओं जैसी विविध परिचालन स्थितियों में जटिल दोष निदान की चुनौतियों का समाधान करने हेतु आंशिक रूप से लेबल किए गए लक्ष्य डेटासेट पर डोमेन अनुकूलन हेतु एक नवीन बहु-आउटपुट वर्गीकरण (MOC) ढाँचा प्रस्तुत करता है। पारंपरिक बहु-वर्ग वर्गीकरण (MCC) के विपरीत, MOC ढाँचा जटिल दोषों की गंभीरता के स्तरों का एक साथ वर्गीकरण करता है। आंशिक रूप से लेबल की गई स्थितियों में जटिल दोष निदान करने के लिए, MOC सूत्रीकरण में साझा ट्रंक और क्रॉसटॉक-आधारित डिज़ाइनों सहित विभिन्न एकल-कार्य और बहु-कार्य आर्किटेक्चर लागू किए जाते हैं। विशेष रूप से, हम एक नवीन क्रॉसटॉक आर्किटेक्चर, अवशिष्ट तंत्रिका आयाम न्यूनीकरण (RNDR) का प्रस्ताव करते हैं, जो जटिल दोष परिदृश्यों में वर्गीकरण प्रदर्शन को बेहतर बनाने के लिए चयनात्मक सूचना साझाकरण को सक्षम बनाता है। हम मोटर कंपन डेटा के लिए डोमेन अनुकूलन प्रदर्शन को बढ़ाने हेतु आवृत्ति पदानुक्रमित मानकीकरण को शामिल करते हैं। हम एक मोटर-आधारित परीक्षण सेटअप का उपयोग करके छह डोमेन अनुकूलन परिदृश्यों में कार्यान्वित जटिल दोष स्थितियों का मूल्यांकन करते हैं। प्रायोगिक परिणाम आधारभूत मॉडलों की तुलना में बेहतर मैक्रो F1 प्रदर्शन प्रदर्शित करते हैं, यह दर्शाते हुए कि RNDR के संरचनात्मक लाभ एकल-दोष सेटिंग्स की तुलना में जटिल दोष सेटिंग्स में अधिक स्पष्ट हैं। हमने यह भी सत्यापित किया कि आवृत्ति पदानुक्रमित सामान्यीकरण मौजूदा तरीकों की तुलना में दोष निदान कार्यों के लिए अधिक उपयुक्त है, और विभिन्न स्थितियों के तहत मापदंडों की बढ़ी हुई संख्या के साथ RNDR और अन्य मॉडलों का विश्लेषण किया, और उनकी तुलना छंटनी की गई RNDR संरचना के साथ की।
