En la operación actual de la máquina, debido a una gran cantidad de condiciones de funcionamiento y un amplio rango de condiciones de operación, los datos bajo muchas condiciones de operación no se pueden obtener. Sin embargo, las diferentes distribuciones de datos entre diferentes condiciones de funcionamiento reducirán el rendimiento del diagnóstico de fallas. Actualmente, la mayoría de los estudios permanecen en el nivel de generalización causado por un cambio de condiciones de trabajo bajo una sola condición. En el escenario donde varias condiciones como la velocidad, la carga y la temperatura llevan a cambios en las condiciones de trabajo, existen problemas como la explosión de condiciones de trabajo y la distribución de datos compleja. En comparación con trabajos de investigación anteriores, esto es más difícil de generalizar. Para hacer frente a este problema, este documento mejora el método de generalización SAND-Mask (Máscara de suavizado-AND (SAND)) utilizando la varianza total del gradiente de las muestras en un lote en lugar de la varianza del gradiente de cada muestra para calcular el parámetro. El método SAND-Mask se extiende al dominio del diagnóstico de fallas y se propone el modelo DCNG (Red Convolucional Profunda de Generalización). Finalmente, se realizaron experimentos multiángulo en tres conjuntos de datos de rodamientos disponibles públicamente, y se lograron rendimientos diagnósticos de más del 90%, 99% y 70% en todas las tareas de transferencia. Los resultados muestran que el modelo DCNG tiene una mejor estabilidad, así como un mejor rendimiento diagnóstico en comparación con otros métodos de generalización.