El diagnóstico de fallos de equipos industriales es extremadamente importante para los requisitos de seguridad de los procesos de producción modernos. Últimamente, el aprendizaje profundo (DL) ha sido la herramienta principal de diagnóstico de fallos debido a su poderosa capacidad representacional en el aprendizaje y flexibilidad. Sin embargo, la mayoría de los métodos existentes basados en DL pueden sufrir de dos desventajas: en primer lugar, se utiliza solo una métrica para construir redes, por lo que no se exploran múltiples tipos de relaciones potenciales entre nodos. En segundo lugar, hay pocos estudios sobre cómo obtener una mejor incrustación de nodos al agregar las características de diferentes vecinos. Para compensar estas deficiencias, se propone un esquema de diagnóstico inteligente ventajoso denominado AE-MSGCN, que emplea redes neuronales convolucionales de grafos (GCNs) en redes de múltiples capas de manera innovadora. En detalle, se lleva a cabo AE para extraer características de representación profunda en la medición de procesos y luego se combina con diferentes métricas (es decir, vecinos más cercanos, similitud coseno, gráfico de caminos) para construir las redes de múltiples capas para una mejor caracterización de múltiples interacciones entre nodos. Después de eso, se adoptan métodos de convolución intra-capa e inter-capa para agregar información vecina extensa y enriquecer la representación de nodos y el rendimiento del diagnóstico. Finalmente, una plataforma de referencia y un caso del mundo real verifican que el AE-MSGCN propuesto es más efectivo y práctico que los métodos existentes de última generación.