Para abordar los problemas de no estacionariedad, interferencia de ruido y poder discriminativo insuficiente de los métodos tradicionales de extracción de características de fallos en señales de vibración de rodamientos, este artículo propone un método de diagnóstico de fallos basado en la entropía de permutación multiescala (MPE) y un algoritmo de búsqueda de gorriones mejorado de múltiples estrategias (MSSA) bajo la descomposición de media local (LMD). Primero, se emplea LMD para descomponer adaptativamente la señal original. Luego, se seleccionan funciones de producto efectivas (PFs) utilizando el coeficiente de correlación de Pearson, lo que permite la reconstrucción de la señal que suprime la interferencia de ruido mientras preserva los componentes de impacto de fallos. En segundo lugar, para superar la capacidad limitada de las características tradicionales en el dominio tiempo-frecuencia para representar patrones de fallos complejos, se introduce MPE para construir un vector de características de complejidad multiescala, capturando efectivamente las diferencias dependientes de la escala en el comportamiento dinámico de las señales. Además, considerando la inestabilidad de la clasificación causada por la configuración empírica de los nodos de la capa oculta en la máquina de aprendizaje extremo (ELM), se propone un algoritmo de búsqueda de gorriones mejorado de múltiples estrategias para optimizar los parámetros de ELM. Este algoritmo integra un mecanismo de vuelo de Levy adaptativo y un aprendizaje inverso dinámico. Las características de salto de cola larga del vuelo de Levy mejoran la capacidad de búsqueda global, mientras que el aprendizaje inverso dinámico aumenta la diversidad de la población, previniendo la convergencia prematura. Los resultados experimentales demuestran que el método propuesto logra una precisión diagnóstica promedio de más del 96% en múltiples conjuntos de datos, verificando su robustez en el manejo de señales no estacionarias y clasificación de fallos.