En los últimos años, el mantenimiento preventivo ha surgido como un punto focal de investigación en el campo aeroespacial. El concepto de mantenimiento de equipos, ejemplificado por la prognosis y gestión de la salud (PHM), ha permeado cada aspecto del desarrollo y diseño. Extraer características de degradación presenta una tarea fundamental y desafiante para la evaluación de la salud y la predicción de la vida útil restante. Para facilitar el funcionamiento eficiente del modelo de diagnóstico de fallas incipientes, este documento propone un proceso de extracción de características basado en datos para convertidores, que consta de dos etapas principales. Primero, se realizan la extracción y comparación de características en el dominio del tiempo, dominio de la frecuencia y dominio tiempo-frecuencia. Al emplear la descomposición wavelet y el método de transformación de Hilbert, se obtiene una característica del dominio tiempo-frecuencia altamente correlacionada. En segundo lugar, se propone un enfoque mejorado de selección de características que combina el algoritmo ReliefF con el coeficiente de correlación para minimizar efectivamente la redundancia dentro del subconjunto de características. Además, se establece un modelo de diagnóstico de fallas incipientes utilizando redes neuronales, lo que verifica la efectividad del proceso de extracción de características basado en datos presentado aquí. Los resultados experimentales indican que este método no solo mantiene la precisión del diagnóstico de fallas, sino que también reduce significativamente el tiempo de entrenamiento.