Los métodos emergentes de diagnóstico de fallas basados en aprendizaje profundo han avanzado en los escenarios industriales actuales de diversas condiciones de trabajo. Sin embargo, el requisito de obtener datos objetivo de antemano limita la aplicación de estos modelos a escenarios de ingeniería práctica. Para abordar el desafío del diagnóstico de fallas en condiciones de trabajo no vistas, se propone un marco de generación de dominio para el diagnóstico de fallas en condiciones no vistas, que consta de una Red de Generación de Dominio de Fusión de Características Adaptativas (AFFN) y un Método de Aumento Mixto (MAM) para los espacios de datos y dominio. AFFN se utiliza para fusionar representaciones invariantes al dominio y específicas del dominio para mejorar el rendimiento de generalización del modelo. MAM mejora la capacidad de exploración del modelo para los límites del dominio no vistos. El marco de diagnóstico con AFFN y MAM puede aprender de manera efectiva características más discriminativas de múltiples dominios fuente para realizar diferentes tareas de generalización para cargas de trabajo y máquinas no vistas. La viabilidad del marco de diagnóstico propuesto para condiciones no vistas se validó en los conjuntos de datos SDUST y PU y se lograron precisión de diagnóstico máximas de 94.15% y 93.27%, respectivamente.