En los últimos años, el aprendizaje profundo ha sido utilizado cada vez más en el diagnóstico de fallas de maquinaria rotativa. Sin embargo, la adquisición real de señales de falla de rodamientos a menudo contiene ruido ambiental, lo que dificulta determinar los valores óptimos de los parámetros. En este documento, se propone un algoritmo de búsqueda de gorriones (LSSA) basado en el aprendizaje inverso de imagen de lente y variación gaussiana de Cauchy. La estrategia de aprendizaje inverso de imagen de lente mejora la capacidad de recorrido del algoritmo y permite un mejor equilibrio entre la exploración y el desarrollo del algoritmo. Luego, se probó el rendimiento del LSSA propuesto en la función de referencia. Finalmente, se utiliza LSSA para encontrar el componente modal K óptimo y el factor de penalización óptimo en VMD-GRU, lo que a su vez realiza el diagnóstico de fallas de rodamientos. Los resultados experimentales muestran que el modelo puede lograr una precisión del 96.61% en el diagnóstico de fallas de rodamientos, lo que demuestra la efectividad del método.