针对轧机主传动系统多故障同时发生时观测器无法辨识的问题，提出一种基于模型残差与信号分解相结合的故障诊断方案。首先，考虑系统内部等效电流环和非线性摩擦阻尼，建立轧机主传动系统的多故障数学模型；其次，设计迭代学习未知输入观测器（iterative learning-unknown input observer， 简称IL-UIO）用于系统故障检测，并引入Lyapunov理论和线性矩阵不等式来证明所提观测器的收敛性；然后，将观测器产生的耦合残差信号作为原始信号，使用连续变分模态分解（successive variational mode decomposition， 简称SVMD）对其进行处理，计算分量的能量熵和模糊熵，并利用支持向量机对熵特征进行多故障辨识；最后，对2 030 mm冷轧机组进行了数值模拟。仿真结果表明，IL-UIO方法能够快速跟踪系统，电机角速度估计误差小于0.27%，利用SVMD熵特征可以准确识别故障类型。