El monitoreo de procesos industriales depende cada vez más de datos de series temporales generados por sensores, sin embargo, la falta de etiquetas, la alta variabilidad y el ruido operativo dificultan la extracción de patrones significativos utilizando métodos convencionales. Las técnicas de agrupamiento existentes dependen ya sea de métricas de distancia fijas o de modelos profundos diseñados para datos estáticos, limitando su capacidad para manejar secuencias industriales dinámicas y no estructuradas. Para abordar esta brecha, este artículo propone un nuevo marco para el descubrimiento no supervisado de modos operativos en datos de series temporales univariantes utilizando agrupamiento convolucional basado en imágenes con evaluación interna compuesta. El marco propuesto mejora los enfoques existentes de tres maneras: (1) las secuencias de series temporales en bruto se transforman en representaciones de matrices en escala de grises a través de ventanas deslizantes superpuestas, lo que permite una extracción efectiva de características utilizando un autoencoder convolucional profundo; (2) el marco integra tanto salidas de agrupamiento suaves como duras y refina la selección a través de una estrategia de dos etapas; y (3) el rendimiento del agrupamiento se evalúa objetivamente mediante una nueva puntuación compuesta, Seva, que combina índices de Silhouette normalizados, Calinski-Harabasz y Davies-Bouldin. Aplicado a más de 3900 operaciones de fusión de hornos de una fundición nórdica, el método identifica siete patrones operativos explicables, revelando diferencias significativas en el consumo de energía, la dinámica térmica y la duración de la producción. En comparación con las líneas base de agrupamiento clásico y profundo, el enfoque propuesto logra un rendimiento general superior, mayor robustez y explicabilidad alineada con el dominio. El marco aborda desafíos clave en el análisis no supervisado de series temporales, como la irregularidad de las secuencias, los modos superpuestos y la inconsistencia métrica, y proporciona una solución generalizable para diagnósticos impulsados por datos y optimización de energía en sistemas industriales.