Los métodos basados en aprendizaje profundo (DL) han mostrado un gran éxito en el diagnóstico de fallos de múltiples categorías debido a sus redes jerárquicas y la extracción automática de características. Sin embargo, su rendimiento superior se basa principalmente en el aprendizaje de una sola tarea, lo que los hace inadecuados para entornos de ingeniería cada vez más sofisticados. En este artículo, se propone una nueva red convolucional guiada por grafos de múltiples tareas con un mecanismo de atención para el diagnóstico inteligente de fallos, llamada MTAGCN. La mayoría de los modelos de diagnóstico de fallos existentes están comúnmente limitados por un único objetivo de diagnóstico, especialmente al manejar múltiples tareas de manera conjunta. Para abordar esta limitación, se diseña un nuevo marco de diagnóstico de fallos de múltiples tareas, incorporando un mecanismo de atención entre el módulo específico de la tarea y los módulos compartidos por la tarea. Este marco permite que múltiples tareas relacionadas se aprendan de manera conjunta mientras se mejora el rendimiento diagnóstico e identificativo. Además, se observa que la mayoría de los métodos existentes basados en DL comparten representaciones de fallos incompletas, lo que lleva a un diagnóstico de fallos insatisfactorio. Para superar este problema, se introduce un marco de diagnóstico de fallos basado en una red convolucional de grafos (GCN), que no solo captura características estructurales, sino que también mejora la efectividad diagnóstica. Experimentos exhaustivos basados en tres estudios de caso demuestran que el MTAGCN propuesto supera a los métodos de última generación (SOTA), logrando un buen equilibrio entre precisión y aprendizaje de múltiples tareas.