Los rodamientos de elementos rodantes sirven como componentes críticos de transmisión en sistemas de automatización industrial, sin embargo, sus firmas de falla son susceptibles a interferencias de ruido de fondo fuerte, condiciones de operación complejas y características de impacto no lineales. Abordando las limitaciones de los métodos convencionales en la optimización de parámetros adaptativos y la mejora de características débiles, este documento propone un marco de diagnóstico innovador que integra la Descomposición de Modo Variacional Optimizada por Ganso Mejorado (IGOOSE-VMD), RobustICA y CYCBD. Primero, para mitigar los problemas de aliasing modal causados por la dependencia de parámetros empíricos en VMD, fusionamos un mecanismo de aprendizaje inverso guiado por refracción con una estrategia de mutación dinámica para desarrollar el IGOOSE. Al emplear una función de aptitud impulsada por características de energía, este enfoque logra una optimización sinérgica del número de modos y el factor de penalización. Posteriormente, se construye un modelo de observación multicanal basado en la selección óptima de componentes. La interferencia de ruido se suprime a través de las capacidades de separación robusta de RobustICA, mientras que CYCBD introduce restricciones previas basadas en ciclostacionariedad para formular un operador de deconvolución ciego con propiedades de mejora de impacto periódico. Esto mejora significativamente la escasez temporal de los componentes de impacto inducidos por fallas. Los resultados experimentales demuestran que, en comparación con técnicas tradicionales de análisis tiempo-frecuencia (por ejemplo, EMD, EEMD, LMD, ITD) y métodos de deconvolución (incluyendo MCKD, MED, OMEDA), el enfoque propuesto exhibe una superior inmunidad al ruido y una mayor precisión en la extracción de características de fallas bajo condiciones de alto ruido de fondo.