Apuntando a la dificultad de identificar con precisión fallas mecánicas latentes dentro de reactores de derivación de alta tensión (HVSR), este artículo propone un nuevo método para la extracción de características del estado de HVSR y diagnóstico inteligente. El método integra un método modificado de descomposición empírica de modo complementario (CEEMD)-entropía de permutación-CEEMD (MCPCEEMD), teoría de información mutua (MI), entropía difusa multiescala (MFE) y un algoritmo de optimización de saltamontes mejorado para optimizar el modelo de red neuronal probabilística (IGOA-PNN). Primero, introducimos MCPCEEMD para suprimir el aliasing modal y descomponer las señales de vibración en bruto de HVSR. Luego, se juzga el grado de correlación entre los componentes de la función de modo intrínseco (IMF) obtenidos y las señales de vibración originales de HVSR a través de MI, y se selecciona la IMF con la mayor correlación para la extracción de características. Además, este estudio utiliza MFE para cuantificar la IMF seleccionada. Finalmente, empleamos pesos inerciales por tramos para mejorar GOA y seleccionar el mejor factor de suavizado para PNN, y utilizamos el modelo optimizado IGOA-PNN para identificar subconjuntos de características. Los resultados experimentales muestran que el método propuesto puede diagnosticar con éxito diferentes tipos y grados de fallas mecánicas en HVSR, y la tasa de precisión de identificación alcanza más del 98%. La alta precisión de reconocimiento del método propuesto es útil para la detección de estados y la aplicación en campo de los HVSR.