В статье приведены результаты исследований применения фреймворка автоматического создания алгоритмов машинного обучения (AutoML) для решения задач диагностики и оценки технического состояния электродвигателей, применяемых в широком спектре в горнодобывающей промышленности. Представлена работа и функционирование AutoML Фреймворка – FedotIndustrial, разработанного автором. Предложен в качестве экспериментального и практического применения испытательный стенд, на котором при помощи электродвигателей переменного тока формируются условия изменения нагрузки и величины дефекта в виде несоосности. Выявлено, что более информативной является интерпретация данных в виде годографа Парка и диагностической кривой. Установлено что, при решении задача классификации данных с учителем, формируются разметка данных на классы, образующих в совокупности 6 классов технического состояния электродвигателя. Результаты исследований могут быть полезными при дальнейшей разработке предиктивных систем автоматизации и защиты электромеханического оборудования горнодобывающих предприятий.