La cantidad insuficiente de datos de muestra y la distribución desigual de los datos recopilados en las fallas son factores clave que limitan la aplicación del aprendizaje automático en la advertencia de fallas en transformadores de potencia, como lo demuestra la escasa adaptabilidad de los modelos basados en datos establecidos en condiciones operativas reales. En este trabajo, se diseña un método de aprendizaje no supervisado y supervisado para la advertencia temprana de fallas en transformadores de potencia basado en cantidades eléctricas y señales de vibración. El método se basa en los niveles de Fourier de las señales de vibración del transformador bajo diferentes condiciones eléctricas medidas en el campo, y las características de vibración se agrupan según sus propiedades intrínsecas mediante un algoritmo de agrupamiento espectral. Luego se construye un modelo de árbol de decisiones de las características de vibración bajo cada grupo para calcular valores de advertencia temprana para el espectro de vibración del transformador bajo diferentes condiciones eléctricas, lo que permite la evaluación de la variabilidad en la producción del transformador. El proceso anterior, basado en datos de medición de campo y métodos de análisis de minería de datos, es más económico que las técnicas de advertencia de fallas en transformadores existentes en el país y en el extranjero y aprovecha mejor la información y los modelos de entrenamiento.