Para abordar el problema de que los algoritmos de optimización inteligente son propensos a óptimos locales, lo que resulta en una extracción de características insuficiente y bajas tasas de reconocimiento de tipos de fallos al optimizar los parámetros de la Descomposición de Modo Variacional y la Máquina de Soporte Vectorial, este artículo propone un método de diagnóstico de fallos basado en un algoritmo mejorado de Optimización de Tropas de Gorilas Artificiales. El algoritmo de Optimización de Tropas de Gorilas Artificiales fue mejorado utilizando mapeo caótico logístico, un factor de peso lineal decreciente, la estrategia de exploración global del Algoritmo de Optimización de Águila Pescadora y la estrategia de vuelo de Levy, mejorando su capacidad para escapar de óptimos locales, adaptabilidad y precisión de convergencia. Este algoritmo se utilizó para optimizar los parámetros de la Descomposición de Modo Variacional y la Máquina de Soporte Vectorial para el diagnóstico de fallos. Experimentos sobre diagnóstico de fallos con dos conjuntos de datos de diferentes tamaños de muestra mostraron que el método propuesto logró una precisión de diagnóstico de no menos del 98% para muestras de diferentes tamaños, con resultados estables y fiables.