Ingeniero Civil Eléctrico / La energía eléctrica es una de las formas de energía más usadas por el ser humano. Sin ella muchas de las comodidades a las que se está habituado desaparecerían. Sin embargo uno de sus mayores consumidores es la industria, donde tan solo la idea de una mala calidad de suministro sostenida en el tiempo podría causar una gran conmoción. Es por eso que los sistemas de generación de esta energía deben ser monitoreados constantemente en búsqueda de posibles fallas o anomalías que pongan en peligro la disponibilidad de los equipos eléctricos ahí usados, en especial de las máquinas usadas para la generación. Los generadores sincrónicos son las máquinas rotatorias más usadas en la industria de la generación de energía eléctrica, es por eso que el diagnóstico de fallas para estos equipos toma gran importancia a nivel mundial. En el presente trabajo de título se diseña un algoritmo de diagnóstico de fallas orientado a detectar y clasificar fallas de tipo monofásicas para máquinas sincrónicas de polos salientes, monitoreando las corrientes de estator trifásicas y la corriente de campo. Está basado en el uso de una novedosa técnica de aprendizaje supervisado llamada Máquina de Vectores de Soporte (SVM), la cual, mediante su sistema de implementación uno contra el resto es capaz de clasificar el estado de la máquina en 4 clases distintas: sano , falla clase 1 , falla clase 2 y falla clase 3 . La SVM recibe como entrada los llamados atributos de falla, variables que se obtienen a partir de las corrientes monitoreadas y se caracterizan por poseer la información suficiente para que la SVM pueda resolver el problema de clasificación planteado. Los atributos son obtenidos a través del análisis de las corrientes de estator y de campo. Consisten en un conjunto formado por distintas frecuencias de falla (obtenidas mediante la Transformada de Fourier de las distintas señales de entrada) como también de amplitudes o características de las corrientes en el tiempo. Los datos de operación de la máquina sincrónica que son usados para entrenar, probar y validar el algoritmo de diagnóstico se obtienen a partir de simulaciones del modelo basado en la representación del Voltaje detrás de la Reactancia, este modelo implementa una novedosa forma de subdividir los devanados de estator de la máquina con el fin de simular fallas internas. El algoritmo es validado usando datos contaminados con ruido blanco Gaussiano en distintos niveles, logrando una tasa correcta de clasificación del 97:5% para datos contaminados con ruido S=N = 30[dB], lo que indica que el método propuesto es robusto ante perturbaciones y podría ser aplicado experimentalmente en el diagnóstico de fallas monofásicas en máquinas sincrónicas de polos salientes.