Debido al entorno operativo complicado y a las condiciones operativas variables, los aerogeneradores (WTs) son extremadamente propensos a fallas y la frecuencia de fallas aumenta año tras año. Por lo tanto, las soluciones de monitoreo efectivo de condiciones y diagnóstico de fallas son urgentemente demandadas. Dado que las señales de vibración contienen mucha información sobre la condición de salud, el diagnóstico de fallas basado en señales de vibración ha recibido una amplia atención y ha logrado un progreso impresionante. Sin embargo, en la práctica, las señales de condición de salud recolectadas son muy similares y contienen mucho ruido, lo que hace que el diagnóstico de fallas de los WTs sea más desafiante. Para abordar este problema, este documento propone un modelo llamado autoencoder mejorado de características apiladas con factor mejorado de características dinámicas (DSFEAE-DF). En primer lugar, se construye un autoencoder mejorado de características (FEAE) a través de una mejora de características para que se puedan extraer características discriminativas. En segundo lugar, se propone un factor mejorado de características que es independiente de juicios manuales y se incorpora en el proceso de entrenamiento. Finalmente, se establece el DSFEAE-DF, que combina un esquema de adición de ruido, FEAEs apilados y factor mejorado de características dinámicas. A través de comparaciones experimentales, se verifican las ventajas del DSFEAE-DF propuesto.