Este artículo aborda los desafíos del diagnóstico de fallas complejas en maquinaria rotatoria debido a la creciente complejidad y a las condiciones operativas variables (p. ej., velocidad de rotación, variaciones de torque), particularmente en situaciones que requieren adaptación de dominio. Se propone un novedoso marco de clasificación multisalida (MOC) para la adaptación de dominio en conjuntos de datos objetivo parcialmente etiquetados. A diferencia de la clasificación multiclase (MCC) convencional, el marco MOC clasifica simultáneamente los niveles de severidad de fallas complejas. Mediante la aplicación de múltiples arquitecturas monotarea y multitarea (incluyendo diseños de tronco compartido y basados en interacción) a la formulación MOC, realizamos diagnósticos de fallas complejas en condiciones parcialmente etiquetadas. Específicamente, proponemos una novedosa arquitectura de interacción, el Reductor de Dimensionalidad Neural Residual (RNDR), que permite compartir información selectiva entre tareas de diagnóstico y mejora el rendimiento de la clasificación en escenarios de fallas complejas. Incorporamos normalización jerárquica de frecuencia para mejorar el rendimiento de la adaptación de dominio para datos de vibración de motores. Utilizando una configuración de prueba basada en motores, evaluamos las condiciones de falla complejas implementadas bajo seis escenarios de adaptación de dominio. Los resultados experimentales demuestran un rendimiento macro-F1 superior al de los modelos de referencia, y las comparaciones con fallas individuales demuestran que las ventajas estructurales de RNDR son más pronunciadas en entornos de fallas complejas. También confirmamos que la normalización por capa de frecuencia es más adecuada para el diagnóstico de fallas que los métodos existentes. Finalmente, analizamos RNDR y otros modelos con un mayor número de parámetros en diversas condiciones y los comparamos con la estructura RNDR podada.
