La detección de daños en las palas de los aerogeneradores es crítica para garantizar su eficiencia operativa y longevidad. Este estudio presenta un método novedoso para la detección de daños en las palas de aerogeneradores, utilizando transformaciones de Campo Angular Gramiano (GAF) de señales de vibración en combinación con Redes Neuronales Convolucionales (CNN). El método GAF permite la transformación de señales de vibración, que se capturan utilizando un acelerómetro triaxial, en representaciones angulares que preservan las dependencias temporales y revelan patrones de textura distintivos que pueden asociarse con daños estructurales. Esta transformación facilita la capacidad de las CNN para identificar características complejas correlacionadas con la severidad de las grietas en las palas de aerogeneradores, mejorando así la precisión y efectividad del diagnóstico de fallos en turbinas. El modelo GAF-CNN logró una notable precisión de clasificación superior al 99.9%, demostrando su robustez y potencial para la detección automática de daños. A diferencia de los métodos tradicionales, que dependen de la interpretación de expertos y son sensibles al ruido, el sistema propuesto ofrece una herramienta más eficiente y precisa para el monitoreo de daños. Los hallazgos sugieren que este método puede mejorar significativamente los sistemas de monitoreo de condiciones de aerogeneradores, ofreciendo una menor dependencia de inspecciones manuales y mejorando las capacidades de detección temprana.