El motor síncrono de imán permanente (PMSM) es un componente clave de potencia en maquinaria agrícola. Los entornos de trabajo duros y variables encontrados durante la operación de maquinaria agrícola plantean desafíos significativos para la operación segura de los PMSMs. La detección temprana de fallas por cortocircuito entre espiras (ITSC) es crucial para mejorar la seguridad del motor. En este estudio, se propone un método de diagnóstico de fallas basado en una arquitectura de red neuronal convolucional (CNN) mejorada, con dos contribuciones principales. Primero, se combina una red neuronal convolucional dilatada con estructuras residuales, estructuras multiescala y mecanismos de atención de canales para mejorar la eficiencia de entrenamiento del modelo y la calidad de extracción de características. Segundo, se aplican algoritmos de optimización bayesiana para la sintonización automática de hiperparámetros de arquitectura en modelos de aprendizaje profundo, logrando la optimización automática de los hiperparámetros para el modelo de diagnóstico de fallas de ITSCs. Para validar la efectividad del algoritmo propuesto, se realizaron 17 pruebas simuladas de severidades de fallas ITSC bajo condiciones constantes y dinámicas. Los resultados muestran que el modelo propuesto logra el mejor rendimiento en cuanto a precisión de validación (98.2%), desviación estándar, puntajes 1 y capacidad de aprendizaje de características en comparación con otros cuatro modelos con diferentes arquitecturas, demostrando la efectividad y superioridad del algoritmo.