Este documento describe un desarrollo que ofrece nuevas oportunidades para detectar rodamientos defectuosos. La priorización se basa en la técnica de orden de preferencia por similitud a la solución ideal (TOPSIS) para las características más discriminativas en el conjunto de datos de rodamientos defectuosos. El modelo propuesto se divide en tres pasos: extracción de características, selección de características y clasificación. En la extracción de características, se utilizan la descomposición modal variacional (VMD) y la transformada rápida de Fourier (FFT) para extraer características de la señal medida de los motores de prueba y se utiliza el valor de incertidumbre simétrica (SU) para el cálculo, reduciendo la redundancia de datos. En cuanto a la selección de características, se utiliza el método TOPSIS en lugar del método tradicional de filtrado, que se aplica al análisis y la toma de decisiones, y se seleccionan características importantes de siete métodos de filtrado. Finalmente, para validar la capacidad de clasificación del modelo propuesto, se utilizan los vecinos más cercanos (KNN), la máquina de vectores de soporte (SVM) y las redes neuronales artificiales (ANN) como clasificadores independientes. La efectividad del modelo propuesto se evalúa aplicando dos conjuntos de datos de rodamientos, a saber, el conjunto de datos actual de señales de vibración de motores y el conjunto de datos de motores de rodamientos proporcionados por la Universidad Case Western Reserve (CWRU). Los resultados muestran que la comparación del modelo propuesto con otros modelos muestra la viabilidad de este estudio.