在作为一种检测信号序列稳定性的方法,排列熵可以放大时间序列的微小变化以达到对信号稳定性的度量。其优点是计算简单,速度快。但是对于多频混叠现象以及噪声仍然无法达到有效的检测目的。极限学习机作为一种单隐藏层前馈型神经网络,其特点是训练速度快,在参数调节方面无需过多的干预。因此,极限学习机的泛化能力强。但是,在ELM整个对于模型的训练过程中也无法避免的存在许多不足之处。若将其应用于实际的工业生产当中,诊断精度并不会达到让人满意的效果。针对上述问题的不足之处,本文提出了一种信息重构的算法——自适应加权排列熵。根据熵权重的思想,对当前的排列熵符合某种排列规则的序列在其尺度时间内进行标准化处理,将处理后的结果赋以权重,在计算整体贡献率时候,具有权重的熵排列的影响力的整体贡献率突出,更能够反映原信号的波动性。经过加权排列熵处理后的信号可以有效的检测出信号中微小的变化,从而为后续使用经验模态分解重构过程中达到去噪的效果。自适应性体现在采用互信息法与伪临近法结合的方法来自适应确定最优的参数选取的过程。首先根据互信息法确定最小的延迟时间,再根据伪近邻规则确定嵌入的维度数的大小。对于重构后的信号特征,传统的极限学习机模型并不能有效的发掘其最具有影响的特征向量,本文提出一种基于特征选择的极限学习机算法(FWELM)。首先对于输入数据进行特征信息的排列,将原数据分为几个子数据集,每一个数据集,依据过滤(Filter)过程中的F-分数进行评分,得到的分数就是在原始数据集当中的特征影响从高到低的排列顺序。然后,在封装(Wrapper)过程中依照特征排列的大小进行训练模型的过程。整个训练过程以K-折交叉验证作为验证集,通过对每一个子数据集的训练,不断调整隐含层的输出权重,从而以达到最小误差。测试时,依据最优特征训练出来的准则,进而达到最优的诊断结果。本文进行的仿真实验平台是MATLAB 2017a,通过与传统的极限学习机,以及最新的几种轴承故障诊断算法进行对比,结果表明,本文所提出的算法在整体上结果最优,该方法具有诊断精度高,结果稳定的性能。