Durante más de un siglo, los hornos de inducción se han utilizado en el núcleo de las fundiciones para la fusión y calentamiento de metales. Proporcionan altas tasas de fusión/calentamiento con eficiencia óptima. La ocurrencia de fallas no solo impone riesgos de seguridad, sino que también reduce la productividad debido a paradas no programadas. El problema de diagnosticar fallas en los hornos de inducción aún no ha sido estudiado, y este trabajo es el primero en proponer un marco de trabajo basado en datos para diagnosticar fallas en esta aplicación. Este artículo presenta un marco de red neuronal profunda para diagnosticar fallas eléctricas mediante la medición de parámetros eléctricos en tiempo real en el lado de suministro. Las mediciones experimentales y sensoriales se recopilan de múltiples dispositivos analizadores de energía instalados en la fundición. A continuación, se ha utilizado un enfoque de aprendizaje semisupervisado, conocido como el factor local de valores atípicos, para discriminar las muestras normales y defectuosas entre sí y etiquetar las muestras de datos. Luego, se entrena una red neuronal profunda con las muestras etiquetadas recopiladas. El rendimiento del modelo desarrollado se compara con varias técnicas de vanguardia en términos de diversas métricas de rendimiento. Los resultados demuestran el rendimiento superior del modelo de red neuronal profunda seleccionado sobre otros clasificadores, con una F-measure promedio de 0.9187. Debido a la naturaleza de caja negra de la red neuronal construida, las predicciones del modelo son interpretadas por explicaciones aditivas de Shapley y explicaciones locales interpretables agnósticas al modelo. El análisis de interpretabilidad revela que las fallas clasificadas están estrechamente vinculadas a variaciones en armónicos de voltaje/corriente impares de orden 3, 11, 13 y 17, resaltando el impacto crítico de estos parámetros en la predicción del modelo.