本論文は、回転機械の複雑さの増加と、さまざまな動作条件（回転速度、トルクの変化など）によって引き起こされる複合欠陥診断の難しさ、特にドメイン適応が必要な状況に対する解決策を提供します。部分的にラベル付き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）フレームワークを提案します。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欠陥の重大度レベルを同時に分類します。複数のシングルタスクおよびマルチタスクアーキテクチャ（共有トランクとインタラクションベースの設計を含む）をMOC式に適用して、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、残差神経次元縮小器（RNDR）と呼ばれる新しい相互作用アーキテクチャを提案し、診断タスク間の選択的な情報共有を可能にし、複合欠陥シナリオで分類性能を向上させます。周波数層の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欠陥条件を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,単一欠陥比較によってRNDRの構造的利点が複合欠陥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欠陥診断作業に適していることを確認した。最後に、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構造と比較しました。
