Existen muchos desafíos que un sistema de diagnóstico efectivo debe superar para un diagnóstico de fallos exitoso en turbinas de gas. Entre otros, debe ser robusto ante las variaciones de motor a motor en la flota, debe discriminar entre el deterioro gradual y los fallos abruptos, y debe identificar correctamente los fallos de los sensores y ser robusto en caso de tales fallos. Para combinar sus beneficios y superar sus limitaciones, se integraron dos métodos de diagnóstico en este trabajo para formar un sistema de múltiples capas. Se utilizó un modelo de rendimiento adaptativo para rastrear el deterioro gradual y detectar anomalías rápidas o abruptas, mientras que se integró una serie de redes bayesianas estáticas y dinámicas para identificar la degradación de componentes, fallos abruptos de componentes y fallos de sensores. El enfoque propuesto se probó con datos sintéticos y datos de campo de una turbina de gas de eje único de clase de 50 MW. Los resultados mostraron que el enfoque podía ofrecer una precisión aceptable en la aislamiento e identificación de múltiples fallos, con un 99% de precisión en la detección y aislamiento y un 1% de error máximo en la magnitud del fallo identificado. El enfoque también demostró ser robusto ante fallos de sensores, al reemplazar la señal defectuosa con un valor estimado que tenía solo un 3% de error en comparación con la medición real.