La red de Petri es un algoritmo de diagnóstico de fallos ampliamente utilizado. Sin embargo, presenta una baja efectividad y precisión en el diagnóstico de fallos debido a la configuración y ajuste de parámetros, que dependen completamente de la experiencia de expertos en un sistema con un único tipo de señal de entrada. Para abordar este problema, se propone un algoritmo de red de Petri difusa optimizada por enjambre de partículas de aprendizaje integral (CLPSO-FPN) para el diagnóstico de fallos en rodamientos de motores. CLPSO se emplea para obtener un conjunto de parámetros del sistema adaptativo que reduzca el error de diagnóstico de fallos causado por factores subjetivos humanos. Además, se propone un nuevo concepto del factor de influencia de transición que reemplaza la confianza de transición tradicional para mejorar la capacidad de expresión no lineal de las redes de Petri tradicionales, lo que suprime el problema de explosión espacial del modelo de diagnóstico de fallos. Finalmente, se implementan experimentos en un conjunto de datos de rodamientos de motores. En comparación con los métodos tradicionales de diagnóstico de fallos, el método propuesto logró un mejor rendimiento en las funciones de localización y predicción de fallos de los rodamientos de motores, lo que es beneficioso para la solución de problemas y el mantenimiento de motores.