La condición de desgaste de un pasador de pistón es un factor principal para determinar la continuidad operativa y el ciclo de vida de un motor diésel; identificar su característica de vibración es de suma importancia para llevar a cabo el mantenimiento necesario en la etapa temprana de desgaste. Dado que las características de vibración dinámica son susceptibles a perturbaciones ambientales durante la operación, es necesario un método de procesamiento de señales efectivo para mejorar la precisión y finura de las características extraídas, lo cual es esencial para construir un modelo de clasificador binario confiable y preciso para identificar el desgaste del pasador de pistón basado en las características. Con el objetivo de cumplir con los requisitos de extracción de características de anti-ruido, precisión y efectividad, este artículo propone un algoritmo de extracción de características de desgaste del pasador de pistón basado en el análisis de componentes principales dinámicos (DPCA) combinado con la descomposición de modo variacional (VMD) y la descomposición en valores singulares (SVD). Se aplica un diseño de sensor ortogonal para recopilar la señal de vibración en condiciones normales y de desgaste del pasador de pistón, lo que demostró ser efectivo para reducir la perturbación de vibración ambiental. Se utiliza DPCA para extraer características de vibración dinámica introduciendo un desfase temporal. Luego, la matriz de componentes principales dinámicos se descompone aún más mediante VMD para obtener funciones de modo intrínseco (IMFs) como características más finas y finalmente se descompone mediante SVD para comprimir las características, mejorando así la eficiencia de clasificación basada en las características. Para validar la importancia de las características extraídas por el método propuesto, se emplea una máquina de soporte vectorial (SVM) para modelar clasificadores binarios y evaluar el rendimiento de clasificación entrenado con diferentes características. Se utiliza un conjunto de datos de modelado que contiene 80 muestras (40 muestras normales y 40 muestras desgastadas), y se adopta una validación cruzada de cinco rondas. Para cada ronda, se entrenan dos modelos de clasificador binario con características extraídas por el método propuesto y el método de espectro autorregresivo (AR) de descomposición de modo empírico (EMD), transformada rápida de Fourier (FFT) y transformada continua de wavelet (CWT), respectivamente; la precisión de clasificación, la tasa de recuperación, la exactitud y la tasa F1 se obtienen en el conjunto de prueba al contrastar el rendimiento general de la validación cruzada de cinco rondas, y se demuestra que el método propuesto es más efectivo en la reducción de ruido y la extracción significativa de características, lo que puede mejorar la precisión y eficiencia de la clasificación binaria para la identificación del desgaste del pasador de pistón.