深度学习作为一种智能高效的模式识别技术已得到基于大数据驱动的机械装备故障诊断领域学者的广泛关注。为了更加有效的从多传感器原始故障数据中提取出故障特征，解决单一诊断算法提取时序数据特征时的信息丢失问题，提出了一种基于改进LSTM-GCNN的深度循环卷积神经网络新算法用于机械装备大数据的故障智能诊断。该算法首先运用长短时记忆循环神经网络（Long-short-term memory neural network， LSTM）从多通道原始数据中提取时间关联性记忆特征，然后再将特征数据输入到一维卷积神经网络（1D Convolutional neural network， 1D-CNN）中进行微小差异特征辨识，并且为了减少模型参数量和提高算法检测速度，设计了一个一维全局均值池化层用于代替传统1D-CNN算法中的全连接层结构。通过将提出的算法用于滚动轴承在1马力、2马力和3马力多种负载工况下采集的3通道振动信号数据进行诊断验证，分别得到100%、99.85%和99.78%的诊断准确率，实验结果相比传统的DNN、LSTM和CNN算法具有更加优越的诊断性能；对齿轮箱在空载和承载两种运行工况下的8通道原始数据进行故障诊断的准确率分别高达99.93%和99.8%，具有良好的迁移通用性能。