随着经济技术的快速发展,工业过程也在逐渐被完善,日趋大型化和复杂化,这种改变也使工业系统发生故障的概率越来越大,所以快速且准确地进行故障诊断,找到故障所在并进行修复尤为重要。智能化的故障诊断方法是一种常用的处理工业系统异常状况的方法,其中深度学习技术可以有效地提取非线性、多变量的工业过程数据特征,在故障诊断方向取得了优秀的成果。针对单一模型只擅长提取固定领域特征的情况,提出了集合型故障诊断方法。利用卷积神经网络（CNN）擅长提取数据在空间域上的特征的能力和循环神经网络（RNN）擅长提取数据在时间域上的特征的能力,建立二者相结合的混合模型,从空间和时间两个角度全面提取故障特征,打破单一模型擅长提取各自领域数据特征的局限性。将深度可分离卷积（DSC）和双向长短期记忆网络（BiLSTM）相结合,提出了基于DSC-BiLSTM的集合型故障诊断方法,采用参数量少的DSC来代替普通卷积,可以有效地减小模型的复杂度。DSC-BiLSTM集合方法首先对数据进行标准归一化预处理,然后通过三个深度可分离卷积层提取数据在空间域上的特征,同时对数据进行了降维处理,再将DSC提取到的特征送入BiLSTM中,提取数据在时域上的特征,最后通过全连接层完成分类任务。为解决模型参数量大、复杂度高的问题,将DSC和双向门控循环单元（BiGRU）相结合,提出了基于DSC-BiGRU的集合型故障诊断方法,通过DSC提取数据在空间域上的特征,BiGRU提取数据在时间域上的特征,全连接层进行分类,BiGRU和BiLSTM相比,BiGRU的参数量更少一些,可以有效地减少模型的训练时间。田纳西-伊斯曼过程是一种复杂的化工过程,其数据具有高维度强非线性的特点,对其进行故障诊断有一定的难度,由于其数据的复杂性和故障类别的多样性,被广泛应用在故障诊断中。本文采用田纳西-伊斯曼过程数据对DSC-BiLSTM和DSC-BiGRU集合方法进行了验证,记录下两种方法在训练过程中的准确率曲线以及混淆矩阵,同时与其他经典模型进行了对比,结果表明所提方法可以有效地提高诊断精度。