本稿では、回転速度やトルクの変化など、さまざまな動作条件下での複合故障診断の困難を解決するために、部分的にラベル付けされたターゲットデータセットでのドメイン適応のための新しいマルチ出力分類（MOC）フレームワークを紹介します。従来のマルチクラス分類（MCC）とは異なり、MOCフレームワークは複合障害の重大度レベルを同時に分類します。共有トランクやクロストークベースの設計を含む様々な単一タスクおよびマルチタスクアーキテクチャをMOC式に適用し、部分的にラベル付けされた条件で複合障害診断を実行します.特に、選択的情報共有を可能にする新しいクロストークアーキテクチャである残差神経次元減少器（RNDR）を提案し、複合故障シナリオで分類性能を向上させます。周波数階層正規化を統合してモータ振動データのドメイン適応性能を向上させ、モータベースのテスト設定を使用して実装された複合故障条件を6つのドメイン適応シナリオで評価しました。実験の結果,基準モデルと比較して優れたマクロF1性能を示し,RNDRの構造上の利点は,単一故障設定よりも複合故障設定においてより顕著であった。また、周波数層の正規化が従来の方法よりも故障診断作業に適していることを確認し、さまざまな条件下でRNDRとパラメータ数が増加した他のモデルを分析し、切除されたRNDR構造と比較分析しました。
