Los métodos tradicionales de diagnóstico de fallas inteligentes basados en datos han sido desarrollados con éxito bajo la suposición de conjunto cerrado (CSA). El diagnóstico de fallas basado en CSA asume que los tipos de fallas en el conjunto de prueba son consistentes con los del conjunto de entrenamiento, lo que puede lograr una alta precisión, pero esto generalmente no es válido en aplicaciones industriales del mundo real donde la recolección de datos en aplicaciones industriales suele ser limitada. Dado que es irrealista asumir que el conjunto de entrenamiento cubrirá todos los tipos de fallas, la aplicación del clasificador de fallas puede fallar cuando el conjunto de prueba contiene tipos de fallas desconocidos porque no se puede obtener la probabilidad de que las muestras de entrada pertenezcan a tipos desconocidos. Para resolver el problema de cómo se pueden identificar con precisión los tipos de fallas desconocidos, este documento estudia más a fondo la suposición de conjunto abierto (OSA) en el diagnóstico de fallas. Proponemos un método de red neuronal convolucional de conjunto abierto (OS-CNN) y aplicamos nuestro modelo OS-CNN a un método OpenMax mejorado como una red profunda para detectar con precisión los tipos de fallas desconocidos. El rendimiento general mejoró significativamente ya que nuestro modelo OS-CNN pudo ajustar efectivamente el límite de las clases conocidas y limitar el riesgo del espacio abierto para el método OpenMax basado en modelado de distancias. La efectividad general del método propuesto fue verificada mediante estudios experimentales basados en cuatro conjuntos de datos de rodamientos diferentes. En comparación con el método de diagnóstico de fallas OSA de última generación, nuestro método no solo puede realizar la clasificación correcta de las clases de fallas conocidas, sino que también puede detectar con precisión las clases de fallas desconocidas.