Recientemente se ha avanzado en el diagnóstico de fallos en escenarios de dominio cruzado. La mayoría de los investigadores han centrado casi toda su atención en promover la adaptación de dominio en un espacio común. Sin embargo, se han ignorado varios desafíos que pueden causar transferencias negativas. En este artículo, se propone un método de reponderación para superar esta dificultad desde dos aspectos. Primero, las características extraídas difieren enormemente entre sí en la promoción de la transferencia positiva, y medir la diferencia es importante. Medido por la entropía condicional, se reduce el peso de las pérdidas adversariales para aquellas características bien alineadas. En segundo lugar, el equilibrio entre la adaptación de dominio y la discriminación de clases influye en gran medida en la tarea de transferencia. Aquí, se adopta una estrategia de peso dinámico para calcular el factor de equilibrio. Se considera desde la perspectiva de la discrepancia de media máxima y el análisis discriminante lineal multicategoría. Se supone que el primer ítem mide el grado de adaptación de dominio entre el dominio fuente y el dominio objetivo, y se supone que el segundo muestra el rendimiento de clasificación del clasificador en las características aprendidas en la época de entrenamiento actual. Finalmente, se realizan extensos experimentos en varios conjuntos de datos de diagnóstico de fallos de rodamientos. El rendimiento muestra que nuestro modelo tiene una ventaja obvia en comparación con otros algoritmos de transferencia comunes.