En los últimos años, los métodos de diagnóstico de fallos basados en la generalización de dominios (DGFD) han mostrado un potencial significativo en el diagnóstico de fallos en maquinaria rotativa en dominios objetivo no vistos. Sin embargo, estos métodos se centran en aprender representaciones invariantes al dominio a través de la adaptación de la distribución de características. La generalización de los clasificadores y la ortogonalidad entre las características relacionadas con los fallos y las características relacionadas con el dominio no se han explorado a fondo, lo que obstaculiza mejoras adicionales en el rendimiento de DGFD. Para abordar estas limitaciones, se propone un método de generalización de dominios impulsado por entrenamiento episódico y ortogonalidad de características (EODG). En este método, se introduce el entrenamiento episódico para mejorar conjuntamente las capacidades de generalización tanto del extractor de características como del clasificador de fallos, mientras que se propone una nueva pérdida de transferencia de características para aprender representaciones invariantes al dominio. Además, se mejora la ortogonalidad entre las características relacionadas con los fallos y las características relacionadas con el dominio minimizando su similitud coseno, mejorando así la capacidad de generalización del modelo DGFD. Los resultados experimentales validaron la efectividad y superioridad del método propuesto en tareas de diagnóstico de fallos basadas en la generalización de dominios.