Bài báo này trình bày một khuôn khổ phân loại đa đầu ra (MOC) mới cho việc thích ứng miền trên các tập dữ liệu mục tiêu được gắn nhãn một phần nhằm giải quyết những thách thức của việc chẩn đoán lỗi phức tạp trong các điều kiện vận hành đa dạng, chẳng hạn như sự thay đổi tốc độ quay và mô-men xoắn. Không giống như phân loại đa lớp (MCC) thông thường, khuôn khổ MOC đồng thời phân loại mức độ nghiêm trọng của các lỗi phức tạp. Nhiều kiến trúc đơn nhiệm vụ và đa nhiệm vụ, bao gồm các thiết kế dựa trên trunk và nhiễu xuyên âm dùng chung, được áp dụng vào công thức MOC để thực hiện chẩn đoán lỗi phức tạp trong các điều kiện được gắn nhãn một phần. Cụ thể, chúng tôi đề xuất một kiến trúc nhiễu xuyên âm mới, Bộ giảm chiều nơ-ron dư (RNDR), cho phép chia sẻ thông tin chọn lọc, nhằm cải thiện hiệu suất phân loại trong các kịch bản lỗi phức tạp. Chúng tôi kết hợp chuẩn hóa phân cấp tần số để nâng cao hiệu suất thích ứng miền cho dữ liệu rung động cơ. Chúng tôi đánh giá các điều kiện lỗi phức tạp được triển khai trong sáu kịch bản thích ứng miền bằng cách sử dụng thiết lập thử nghiệm dựa trên động cơ. Kết quả thử nghiệm cho thấy hiệu suất macro F1 vượt trội so với các mô hình cơ sở, chứng minh rằng lợi thế về mặt cấu trúc của RNDR rõ rệt hơn trong các bối cảnh lỗi phức tạp so với bối cảnh lỗi đơn. Chúng tôi cũng đã xác minh rằng chuẩn hóa phân cấp tần số phù hợp hơn với các nhiệm vụ chẩn đoán lỗi so với các phương pháp hiện có và phân tích RNDR cùng các mô hình khác với số lượng tham số tăng lên trong nhiều điều kiện khác nhau, rồi so sánh chúng với cấu trúc RNDR đã được cắt tỉa.
