El objetivo de este estudio es mejorar la adaptabilidad del diagnóstico de fallos en rodamientos en condiciones cruzadas y su rendimiento diagnóstico bajo condiciones previamente desconocidas. Así, este artículo propone un método de diagnóstico de fallos en rodamientos adaptativo de múltiples condiciones basado en la anotación de datos de multi-granularidad. Se introduce un esquema de etiquetado estructurado en árbol para permitir la anotación de fallos de multi-granularidad. Se diseña una red de diagnóstico jerárquica de multi-granularidad para aprender automáticamente información de fallos a múltiples niveles a partir de datos de condiciones utilizando extractores de características de diferente granularidad, lo que permite la extracción de información de fallos compartida entre condiciones. Además, se desarrolla una función de pérdida de fallos de multi-granularidad para ayudar a la red profunda a aprender etiquetas estructuradas en árbol, mejorando la compacidad intra-clase y reduciendo la similitud jerárquica entre clases. Dos casos experimentales demuestran que el método propuesto exhibe una robusta adaptabilidad al dominio cruzado y tiene un mejor rendimiento en condiciones no vistas que los métodos más avanzados.