El análisis de datos tiene amplias aplicaciones en la eliminación de componentes irrelevantes y redundantes en señales para revelar las características informativas importantes que se requieren. Los métodos convencionales para el análisis de datos multidimensionales a través de la descomposición de la información temporal y de frecuencia que ignoran la información en el espacio de señales incluyen el análisis de componentes independientes (ICA) y el análisis de componentes principales (PCA). Proponemos el procesamiento de una señal de acuerdo con la transformada de wavelet continua y la construcción de una matriz tridimensional que contenga la información de tiempo-frecuencia-espacio de la señal. Las dimensiones de la matriz tridimensional se reducen mediante el análisis de factores paralelos, y se obtienen la matriz de características temporales, la matriz de características de frecuencia y la matriz de características espaciales con descomposición tensorial. A través del análisis comparativo de la simulación y el experimento, la matriz de características temporales y la matriz de características de frecuencia pueden caracterizar con precisión los estados normales y de falla del equipo mecánico. Sobre esta base, los autores establecieron un modelo de clasificación de red neuronal probabilística optimizado por el algoritmo mejorado de enjambre de partículas (IPSO). El algoritmo de descomposición de factores paralelos (PARAFAC) puede extraer características de los datos experimentales de la bomba centrífuga para estados normales y múltiples estados de falla, establecer la relación de mapeo de diferentes características de falla de la bomba centrífuga en tiempo, frecuencia y espacio, e importar las características de falla en la clasificación del modelo. Las medidas anteriores pueden mejorar significativamente la tasa y precisión de identificación de fallas para una bomba centrífuga.