El estudio se centró en el desarrollo de diagnósticos para la operación de turbinas de gas a plena carga y a carga parcial. El modelo de rendimiento de la turbina de gas se desarrolló utilizando software comercial y se validó con datos del fabricante del motor. Tras la validación, se simularon la contaminación, la erosión y el desplazamiento variable de las palas de guía de entrada para generar datos defectuosos para el desarrollo de diagnósticos. Dado que los datos del modelo estaban libres de ruido, se añadió ruido de sensor a cada uno de los parámetros del conjunto de diagnósticos para reflejar el escenario real de la operación en campo. Los datos fueron normalizados. En total, se prepararon y utilizaron 13 clases simples y 61 clases dobles, incluyendo 1 clase limpia, como entrada. El número de observaciones para los diagnósticos de fallos simples fue de 1092, que fue 84 para cada clase, y 20,496 para los diagnósticos de fallos dobles, que fue 336 para cada clase. Se investigaron veintiocho técnicas de aprendizaje automático para seleccionar la que superara a las demás, y se realizaron más investigaciones con ella. Los resultados de los diagnósticos muestran que el grupo de redes neuronales exhibió una mejor precisión diagnóstica tanto en operaciones a plena carga como a carga parcial. Los resultados de las pruebas y su comparación con los resultados de la literatura demostraron que el método propuesto tiene una precisión satisfactoria y confiable en el diagnóstico de los escenarios de fallos considerados. Los resultados se discuten, siguiendo los gráficos.