Para resolver el problema de que las características de fallo son difíciles de extraer y que las características en el tiempo-frecuencia no pueden representar completamente la información del estado, se propone un método novedoso en este artículo basado en el algoritmo de optimización de ballenas (WOA) y la máquina de aprendizaje extremo con núcleo (KELM). Primero, las señales de vibración se procesan mediante la descomposición empírica en modo conjunto y la entropía de muestra para obtener los vectores de características. Con base en esto, se establece un modelo KELM para el diagnóstico de fallos. Luego, el factor de penalización y los parámetros del núcleo en el KELM se optimizan mediante WOA para mejorar la estabilidad y la precisión de clasificación. Tomando como caso los fallos de un par de tornillo de bola en una mesa de alimentación lineal, los resultados experimentales indican que el método propuesto puede extraer efectivamente las características de fallo del par de tornillo de bola, y puede lograr una mayor precisión de clasificación, una velocidad de convergencia más rápida y una mayor precisión de convergencia que los métodos de diagnóstico de fallos existentes.