본 논문은 회전 기계의 복잡성 증가와 다양한 작동 조건(회전 속도, 토크 변화 등)으로 인해 발생하는 복합 결함 진단의 어려움, 특히 도메인 적응이 필요한 상황에 대한 해결책을 제시합니다. 부분적으로 레이블이 지정된 타겟 데이터셋에서의 도메인 적응을 위해 새로운 다중 출력 분류(MOC) 프레임워크를 제안합니다. 기존의 다중 클래스 분류(MCC)와 달리, MOC 프레임워크는 복합 결함의 심각도 수준을 동시에 분류합니다. 여러 단일 작업 및 다중 작업 아키텍처(공유 트렁크 및 상호 작용 기반 설계 포함)를 MOC 공식에 적용하여 부분적으로 레이블이 지정된 조건에서 복합 결함 진단을 수행합니다. 특히, 잔차 신경 차원 축소기(RNDR)라는 새로운 상호 작용 아키텍처를 제안하여 진단 작업 간의 선택적 정보 공유를 가능하게 하고 복합 결함 시나리오에서 분류 성능을 향상시킵니다. 주파수 계층 정규화를 통합하여 모터 진동 데이터에 대한 도메인 적응 성능을 향상시켰으며, 모터 기반 테스트 설정을 사용하여 구현된 복합 결함 조건을 6가지 도메인 적응 시나리오에서 평가했습니다. 실험 결과, 기준 모델과 비교하여 우수한 매크로 F1 성능을 보였으며, 단일 결함 비교를 통해 RNDR의 구조적 이점이 복합 결함 설정에서 더욱 두드러짐을 보였습니다. 또한 주파수 계층 정규화가 기존 방법보다 결함 진단 작업에 더 적합함을 확인했습니다. 마지막으로 다양한 조건에서 RNDR과 매개변수 수가 증가된 다른 모델을 분석하고, 절제된 RNDR 구조와 비교했습니다.
