La señal de vibración adquirida por un único sensor contiene información limitada y es fácilmente interferida por señales de ruido, lo que resulta en la incapacidad de expresar completamente las características de funcionamiento y el estado de una caja de cambios. Para abordar este problema, nuestro estudio propone un método de diagnóstico de fallas en cajas de cambios basado en la representación de características espacio temporales profundas de múltiples sensores. Este método utiliza dos sensores de vibración para obtener la información de vibración de la caja de cambios. Se utilizó un modelo de diagnóstico de fallas (PCNN-GRU) combinado con una red neuronal convolucional paralela (PCNN) y una unidad recurrente con compuertas (GRU) para fusionar la información de vibración de la caja de cambios. La red neuronal convolucional paralela se utilizó para extraer la información espacial de las señales de vibración recopiladas por diferentes sensores de posición, y la información temporal se extrajo a través de la unidad recurrente con compuertas. Se compusieron las características espacio temporales profundas que fusionan la información espacial y temporal de múltiples sensores. Las señales de vibración de múltiples sensores recopiladas se introdujeron directamente en el modelo PCNN-GRU, y se logró un diagnóstico inteligente de extremo a extremo de las fallas de la caja de cambios. Finalmente, a través de la verificación experimental, la tasa de precisión de este modelo puede alcanzar hasta un 99.92%. En comparación con otros modelos, este modelo tiene una mayor precisión diagnóstica y estabilidad.