Bài báo này đề cập đến những thách thức của việc chẩn đoán lỗi phức tạp trong máy móc quay do tính phức tạp ngày càng tăng và điều kiện vận hành thay đổi (ví dụ: tốc độ quay, biến thiên mô-men xoắn), đặc biệt trong các tình huống đòi hỏi phải thích ứng miền. Một khuôn khổ phân loại đa đầu ra (MOC) mới được đề xuất để thích ứng miền trong các tập dữ liệu mục tiêu được gắn nhãn một phần. 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. Bằng cách áp dụng nhiều kiến trúc đơn nhiệm vụ và đa nhiệm vụ (bao gồm thiết kế dựa trên tương tác và thiết kế dựa trên tương tác) vào công thức MOC, chúng tôi 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 tương tác mới, Bộ giảm chiều nơ-ron dư (RNDR), cho phép chia sẻ thông tin chọn lọc giữa các tác vụ chẩn đoán và cải thiện hiệu suất phân loại trong các tình huống 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. Sử dụng thiết lập thử nghiệm dựa trên động cơ, chúng tôi đánh giá các điều kiện lỗi phức tạp đã triển khai trong sáu tình huống thích ứng miền. Kết quả thử nghiệm cho thấy hiệu suất macro-F1 vượt trội so với các mô hình cơ sở, và so sánh lỗi đơn cho thấy lợi thế về mặt cấu trúc của RNDR rõ rệt hơn trong các bối cảnh lỗi phức tạp. Chúng tôi cũng xác nhận rằng chuẩn hóa lớp tần số phù hợp hơn cho các tác vụ chẩn đoán lỗi so với các phương pháp hiện có. Cuối cùng, chúng tôi đã phân tích RNDR và các mô hình khác với số lượng tham số tăng lên trong các điều kiện khác nhau và so sánh chúng với cấu trúc RNDR đã được cắt tỉa.
