La energía eólica se ha convertido en una fuente importante de electricidad tanto para la producción como para el uso doméstico. Sin embargo, dado que las turbinas eólicas a menudo operan en entornos difíciles, son propensas a grietas, ampollas y corrosión de la superficie de las palas. Si estos defectos no se pueden reparar a tiempo, las grietas evolucionan hacia fracturas más grandes, lo que puede llevar a la ruptura de la pala. Por lo tanto, en este estudio, desarrollamos un sistema de monitoreo y advertencia de salud en línea y sin contacto para las palas de turbinas eólicas basado en características acústicas y redes neuronales artificiales. Recopilar una gran cantidad de señales de defectos de palas de turbinas eólicas fue un desafío. Para abordar este problema, diseñamos un método de detección acústica basado en un tamaño de muestra pequeño. Utilizamos la octava para extraer información sobre defectos y empleamos una red neuronal artificial basada en aprendizaje meta-agnóstico (MAML-ANN) para la clasificación. Analizamos la influencia de las ubicaciones y comparamos el rendimiento de MAML-ANN con el de ANN tradicional. Los resultados experimentales mostraron que la precisión de nuestro método alcanzó el 94.1% cuando cada clase contenía solo 50 datos; la ANN tradicional logró una precisión de solo el 85%. Con MAML-ANN, el entrenamiento es rápido y la solución óptima global se busca automáticamente, y se puede expandir a situaciones con un gran tamaño de muestra.