Los transformadores son elementos clave en los sistemas eléctricos. Aunque son máquinas robustas, pueden aparecer diferentes fallas debido a sus condiciones operativas inherentes, por ejemplo, la presencia de diferentes tensiones eléctricas y mecánicas. Entre los diferentes elementos que componen un transformador, el devanado es una de las partes más vulnerables, donde el daño de cortocircuitos de vueltas a vueltas es una de las fallas más estudiadas, ya que daños de bajo nivel (es decir, un bajo número de vueltas cortocircuitadas - SCTs) pueden llevar a la falla total del transformador; por lo tanto, la detección temprana de fallas se ha convertido en una tarea fundamental. En este sentido, este trabajo presenta un método basado en aprendizaje automático para diagnosticar SCTs en los devanados del transformador utilizando su respuesta vibratoria. En general, las señales de vibración se descomponen primero mediante el método de descomposición de modo variacional, donde también se realiza una comparación con el método de descomposición de modo empírico (EMD) y el método de descomposición de modo empírico de conjunto (EEMD). Luego, se obtienen índices de entropía, energía y curtosis de cada descomposición como indicadores de falla, donde tanto la combinación de características como la reducción de dimensionalidad mediante el método de análisis de componentes principales (PCA) se analizan para mejorar la efectividad global y reducir la carga computacional. Finalmente, se utiliza un algoritmo de reconocimiento de patrones basado en redes neuronales artificiales (ANNs) para la detección automática de fallas. Los resultados obtenidos muestran una efectividad del 100% en la detección de siete condiciones de falla, es decir, 0 (saludable), 5, 10, 15, 20, 25 y 30 SCTs.