La falta de datos de fallos sigue siendo una preocupación importante en el área del mantenimiento inteligente, ya que estos datos son necesarios para realizar un diagnóstico y pronóstico adecuados del sistema. En algunos casos, los datos de fallos se recopilan adecuadamente, aunque faltan las etiquetas de fallo. Por lo tanto, se requiere el desarrollo de metodologías que generen estas etiquetas de fallo faltantes. En este estudio, se introduce Markov-CVAELabeller en un intento de abordar el desafío de la falta de etiquetas de fallo. Markov-CVAELabeller comprende tres fases principales: (1) codificación de imágenes a través de la aplicación de la cadena de Markov de primer orden, (2) representación del espacio latente mediante la consideración de un autoencoder variacional convolucional (CVAE), y (3) análisis de agrupamiento mediante la implementación de k-means. Además, para evaluar la precisión del método, se considera una red neuronal convolucional (CNN) como parte de la tarea de clasificación de fallos. También se presenta un estudio de caso para resaltar el rendimiento del método. Específicamente, se considera un banco de pruebas hidráulico para evaluar su condición como parte del marco de diagnóstico de fallos. Los resultados indican las aplicaciones prometedoras que este tipo de métodos pueden facilitar, ya que la precisión promedio presentada en este estudio fue del 97%.