Se propone un marco destinado a mejorar la precisión del diagnóstico de fallos en rodamientos utilizando un método híbrido de selección de características basado en Wrapper-WPT en este artículo. En el primer paso, la señal de vibración envolvente del rodamiento se proporciona al Wrapper-WPT. Allí, se descompone inicialmente en varias sub-bandas utilizando la Transformada de Paquete de Ondas (WPT), y se extrae un conjunto de diecinueve características del dominio del tiempo y la frecuencia de cada sub-banda de la señal de vibración descompuesta, formando una amplia piscina de características. En el siguiente paso, Wrapper-WPT construye un vector de características final utilizando el algoritmo Boruta, que selecciona las características más discriminantes de la amplia piscina de características basándose en la métrica importante obtenida del clasificador Random Forest. Finalmente, se utiliza Subspace k-NN para identificar las condiciones de salud del rodamiento, formando así un modelo híbrido de procesamiento de señales y aprendizaje automático para el diagnóstico de fallos en rodamientos. En comparación con otros métodos de vanguardia, el método propuesto mostró un rendimiento de clasificación superior en dos conjuntos de datos de vibración de rodamientos de referencia diferentes con condiciones de operación variables.