El diagnóstico de fallos en rodamientos puede ser un desafío serio, ya que los rodamientos a menudo trabajan en condiciones complejas y sus señales de vibración son típicamente no lineales y no estacionarias. Este artículo propone un enfoque novedoso para diagnosticar fallos en rodamientos basado en la descomposición de modo variacional (VMD) y la denoising por umbral de wavelet optimizado por algoritmo genético. Primero, se utilizó VMD para descomponer las señales de vibración de rodamientos defectuosos en una serie de funciones de modo intrínseco limitadas por banda (BLIMFs). Durante la descomposición, los parámetros de VMD se seleccionaron mediante la divergencia de Kullback-Leibler (K-L). Luego, se determinaron las BLIMFs efectivas mediante el análisis de sus coeficientes de correlación y contribuciones de varianza. Finalmente, se propuso la denoising por umbral de wavelet optimizado por algoritmo genético para optimizar la selección de parámetros importantes, y la función de umbral optimizada utilizada no solo asegura la continuidad de la función de umbral, sino que también evita la desviación fija del umbral suave. La validez y superioridad del enfoque propuesto se verificaron mediante cálculos teóricos, simulaciones numéricas y estudios de aplicación. Los resultados indican que el enfoque propuesto es prometedor en el diagnóstico de fallos de maquinaria rotativa.