Los sensores de vibración son propensos a sesgos, deriva y otras fallas. Para evitar juicios erróneos en los sistemas de monitoreo de estado y posibles accidentes de seguridad causados por fallas en los sensores de vibración, es importante diagnosticar las fallas de los sensores de vibración. Los métodos existentes para el diagnóstico de fallas en los sensores de vibración se basan principalmente en Deep Learning, pero Extreme Gradient Boosting destaca por su excelente interpretabilidad, y en comparación con otros algoritmos de aprendizaje de conjuntos, presume de una precisión y eficiencia superiores. Por lo tanto, se propone un método de diagnóstico de fallas en sensores de vibración basado en Extreme Gradient Boosting para diagnosticar siete tipos comunes de fallas en sensores de vibración. Para evitar que el modelo se vea abrumado por casos negativos simples durante el entrenamiento, se diseña una nueva función de pérdida llamada Pérdida de Triaje para mejorar el rendimiento del clasificador. El diagnóstico de fallas en los sensores de vibración ha confirmado la eficacia y practicidad del enfoque sugerido. Los resultados experimentales indican que el entrenamiento del modelo realizado utilizando Pérdida de Triaje supera al modelo de entrenamiento realizado utilizando la función de pérdida predeterminada, con una mejora máxima del 5.4% en precisión, 5.45% en la puntuación F1 y 9.87% en la Precisión Promedio Media bajo diferentes tasas de fallas.