El pobre rendimiento en tiempo real y los altos costos de mantenimiento de los sensores de la tarjeta del dinamómetro (DC) han sido obstáculos significativos para el diagnóstico oportuno de fallas en el sistema de bombeo de varillas de succión (SRPS). A diferencia de los DC, las curvas de potencia del motor (MPCs), que son fácilmente accesibles y altamente asociadas con todo el sistema, han sido utilizadas para predecir las condiciones de trabajo del SRPS en los últimos años. Sin embargo, la falta de MPCs etiquetadas limita las aplicaciones exitosas en el escenario industrial. Por lo tanto, este artículo presenta una metodología de diagnóstico de fallas no supervisada para aprovechar las MPCs generadas de diferentes condiciones de trabajo para diagnosticar las MPCs reales no etiquetadas. En primer lugar, se generan las MPCs de seis condiciones de trabajo con un modelo matemático de dinámica integrado. En segundo lugar, se propone un marco llamado red de adaptación de dominio asistida por mecanismo (MADAN) para minimizar la discrepancia de distribución entre las MPCs generadas y reales. Específicamente, al introducir el análisis del mecanismo para etiquetar preliminarmente las MPCs recolectadas, se define una métrica de discrepancia de distribución condicional para garantizar una coincidencia de distribución más precisa con respecto a diferentes condiciones de trabajo. Finalmente, se realizan experimentos de validación para evaluar el modelo matemático y el método de diagnóstico con un conjunto de MPCs reales recolectadas por un dispositivo auto-desarrollado. El resultado experimental demuestra que el método propuesto ofrece un enfoque prometedor para el diagnóstico no supervisado del SRPS.