Los datos de grafos y la fusión de información de múltiples sensores se han integrado en la clasificación de tipos de vibración anormal y la identificación del molino de laminación para extraer características espaciales-temporales y robustas. Sin embargo, la mayoría de los métodos existentes basados en aprendizaje profundo (DL) explotan solo información de un solo sensor y datos en espacio euclidiano, lo que resulta en información incompleta contenida en las características extraídas por redes profundas. Para resolver este problema, se propone un marco de fusión de información de múltiples sensores con redes de convolución de grafos adaptativas de múltiples escalas (MAGCNs) para modelar datos de grafos y fusión de información de múltiples sensores en una red profunda unificada y así lograr el diagnóstico de vibraciones anormales. Primero, se adoptaron redes neuronales convolucionales (CNNs) para las características más profundas de las señales de múltiples sensores. Luego, las características extraídas se alimentaron a la red de generación de grafos adaptativa impulsada por características propuesta para construir grafos que extraen la correlación espacial-temporal entre los datos de múltiples sensores. Después de eso, se emplearon las redes de convolución de grafos de múltiples escalas (MSGCNs) para agregar y enriquecer varias informaciones receptivas diferentes para mejorar aún más las características valiosas. Finalmente, las características extraídas de múltiples sensores se integraron en una red unificada para lograr la clasificación de tipos de vibración anormal y la identificación del molino de laminación. Mientras tanto, realizamos experimentos de vibración anormal horizontales, verticales y acoplados, y luego se llevaron a cabo tres tipos diferentes de estudios para ilustrar la superioridad y utilidad de este método en el artículo y la viabilidad del diagnóstico de vibraciones anormales en el molino de laminación. Se puede ver en los resultados que las MAGCNs propuestas pueden lograr una extracción de características valiosas de manera efectiva a partir de la información de múltiples sensores y obtener un comportamiento más excelente en el diagnóstico de vibraciones anormales del molino de laminación en comparación con los métodos convencionales.