Con la mejora en las tecnologías de operación y mantenimiento (O&M) de turbinas eólicas (WT) y el aumento del costo de O&M, el diagnóstico de fallas en WT basado en un sistema de control supervisado y adquisición de datos (SCADA) se ha convertido en uno de los métodos más baratos y fáciles para detectar fallas en WT. Por lo tanto, es necesario monitorear el cambio en los parámetros en tiempo real de la WT y se podrían tomar acciones de mantenimiento con anticipación antes de cualquier falla importante. Así, se ha propuesto en este estudio un diagnóstico de fallas impulsado por SCADA en WT basado en algoritmos de aprendizaje automático, comparando el rendimiento de tres algoritmos de aprendizaje automático diferentes, a saber, k-vecinos más cercanos (kNN) con un regresor de bagging, aumento extremo de gradiente (XGBoost) y una red neuronal artificial (ANN) en el monitoreo de la temperatura del aceite del cárter de la caja de engranajes. Además, este estudio también comparó el rendimiento de dos métodos diferentes de selección de características, a saber, el coeficiente de correlación de Pearson (PCC) y el análisis de componentes principales (PCA), y tres métodos de optimización de hiperparámetros para optimizar el rendimiento de los modelos, a saber, una búsqueda en cuadrícula, una búsqueda aleatoria y optimización bayesiana. Se han utilizado un total de 3 años de datos SCADA de WT ubicadas en Francia para verificar el método seleccionado. Los resultados mostraron que el kNN con un regresor de bagging, con PCA y una búsqueda en cuadrícula, proporciona el mejor puntaje R2 y el menor error cuadrático medio (RMSE). El modelo entrenado puede detectar el potencial de fallas en WT al menos 4 semanas antes. Sin embargo, el modelo kNN propuesto en este estudio puede ser entrenado con el algoritmo híbrido de Máquina de Vectores de Soporte para mejorar su rendimiento y reducir la alarma de fallas.