El diagnóstico de fallos inteligente (DFI) es esencial para el mantenimiento preventivo (MP) en la Industria 4.0. Los enfoques basados en datos han sido ampliamente aceptados para el DFI en la fabricación inteligente, y se han desarrollado varios modelos de aprendizaje profundo (AP) para diferentes conjuntos de datos y escenarios. Sin embargo, aún se requiere un marco automático y unificado de AP para desarrollar aplicaciones de DFI. Por lo tanto, este trabajo propone un marco eficiente que integra redes neuronales convolucionales (RNC) populares para el DFI basado en datos de series temporales, aprovechando el aprendizaje automático automatizado (AutoML) y la fusión de datos similares a imágenes. Después de la normalización, las señales uniaxiales o triaxiales se reconstruyen en pseudo-imágenes de -canales para satisfacer los requisitos de entrada para las RNC y lograr la fusión a nivel de datos simultáneamente. Luego, el entrenamiento del modelo, la optimización de hiperparámetros y la evaluación pueden realizarse automáticamente basándose en AutoML. Finalmente, el modelo seleccionado puede ser implementado en un servidor en la nube o en un dispositivo de borde (a través de aprendizaje automático pequeño). El marco y el método propuestos fueron validados a través de dos estudios de caso, demostrando la disponibilidad del marco para el desarrollo automático de aplicaciones de DFI y la efectividad del método de fusión a nivel de datos propuesto.