建设智慧钢铁工厂是钢铁企业响应“中国制造2025”的重要方向,热轧作为钢铁生产全流程炼钢-连铸-热轧中最后一道工序,其产线设备的健康状态是影响企业可持续生产的重要因素,实现设备故障状态的智能化诊断是打造智慧钢铁的关键。但目前的故障诊断算法可靠性不高,主要存在以下几个问题:(1)故障特征提取方法依赖于相关领域的专家知识,通用性和泛化性差。(2)特征提取能力弱,无法挖掘复杂传感器信号中深层次的故障特征。(3)针对产线中多传感器监测的设备,缺少多传感器数据融合分析的方法,易忽略多源数据之间的关联关系,影响故障状态的判别。本文针对这些问题进行深入研究,主要内容如下:首先,构建了轧钢加热炉故障诊断系统的总体架构。结合设备故障诊断对实现钢铁热轧产线信息物理融合的重要性,确定了以多传感器监测的加热炉作为分析对象进行故障诊断算法的研究。分析了加热炉的机械结构和多传感器监测的特点,提出了故障诊断模型不仅需要提取出传感器信号中的故障特征,还需要挖掘多传感器信号之间的关联性特征。并在此基础上,设计了加热炉故障诊断流程和系统架构。其次,研究了基于多尺度卷积神经网络的故障特征提取算法。在卷积神经网络的基础上,利用多尺度卷积核对传感器原始信号进行特征提取以增加特征的多样性,并通过添加BN层、Dropout等方法抑制模型的过拟合。以加热炉多传感器信号作为模型的输入,通过实验验证模型的特征提取能力,实现了多传感器信号中故障特征的深度挖掘,消除了对专家知识的依赖。最后,研究了基于集成深度学习的故障特征融合方法并构建故障诊断模型。先提出了基于多层双向长短期记忆网络的故障特征关联性分析方法,实现了多传感器信号之间关联性特征的挖掘。再利用Stacking集成学习策略将多尺度卷积神经网络和多层双向长短期记忆网络进行融合,从而实现故障特征与关联性特征的融合。并构建了基于集成深度学习的加热炉故障诊断模型,相比其他算法准确率更高,泛化性能更好。最后对故障诊断模型的应用流程和应用效果进行分析。