Aquí se propuso un nuevo método híbrido de identificación inteligente de fallos en sistemas mecánicos complejos utilizando la teoría de factores paralelos (PARAFAC) y la optimización adaptativa por enjambre de partículas (APSO) para una máquina de soporte vectorial (SVM). Se estudió la teoría de análisis multi-escala de factores paralelos para reconstruir la información de características tensoriales basada en una matriz tridimensional para vectores de tiempo, frecuencia y espacio. Se utilizó un análisis de wavelet multi-escala para transformar los datos experimentales originales de múltiples canales adquiridos de una caja de engranajes en una matriz de características tridimensional de la estructura de múltiples niveles. La correspondencia óptima entre las señales de características bidimensionales en los dominios de frecuencia y tiempo para los diferentes modos de fallo fue establecida por la teoría PARAFAC. Se desarrolló un algoritmo inteligente APSO para obtener las estructuras de parámetros óptimas de un clasificador SVM. Una comparación con el método de análisis tiempo-frecuencia existente mostró que el modelo de diagnóstico híbrido PARAFAC-PSO-SVM propuesto eliminó efectivamente la información redundante en las características tensoriales multidimensionales, pero retuvo los componentes importantes. El modelo de diagnóstico híbrido PARAFAC-APSO-SVM logró resultados de clasificación e identificación de fallos rápidos, precisos y simples, y podría proporcionar apoyo teórico para la aplicación de la teoría PARAFAC al diagnóstico de fallos mecánicos complejos.