Apuntando a las limitaciones de los métodos de diagnóstico de fallos multisensor existentes para rodamientos en escenarios industriales reales, este artículo propone un innovador modelo de máquina de tensor de orden superior de soporte dual ponderado por mínimos cuadrados difusos intuitivos (IFW-LSTSHTM), que logra un avance en la robustez al ruido, la adaptabilidad a las condiciones de trabajo y la capacidad de procesamiento de desequilibrio de clases. Primero, se construye el tensor de características multimodal: se utiliza la transformación de Fourier sincronizada para convertir las señales en el dominio del tiempo de múltiples sensores en imágenes tiempo-frecuencia, y luego se reconstruye el tensor para retener la información estructural tridimensional de la relación de acoplamiento de los sensores y las características tiempo-frecuencia. La estrategia de mapeo de características no lineales combinada con la descomposición de Tucker mantiene efectivamente la correlación de alto orden del tensor de características. En segundo lugar, se desarrolla un mecanismo de ponderación de muestras adaptativo: se propone un esquema de asignación de puntuaciones de membresía difusa intuitiva con fusión de información global-local. A nivel global, se evalúa la contribución de la clase en función de la posición relativa de las muestras con respecto a la frontera de clasificación; a nivel local, se capturan las características estructurales topológicas de la distribución de muestras mediante análisis de vecinos más cercanos; este mecanismo mejora significativamente el reconocimiento de muestras ruidosas y el manejo de datos desequilibrados por clases. Finalmente, se construye un clasificador de hiperplano dual en el espacio tensorial: se introduce un término de regularización de riesgo estructural para mejorar la capacidad de generalización del modelo y se establece un factor de penalización dinámica para asignar pesos adaptativos a diferentes categorías. Se adopta una estrategia de resolución de sistemas de ecuaciones lineales: la optimización de hiperplanos no paralelos se convierte en operaciones matriciales para mejorar la eficiencia computacional. Los extensos resultados experimentales en los dos conjuntos de datos de rodamientos han verificado que el método propuesto supera las soluciones existentes en precisión de diagnóstico y estabilidad.