En respuesta al desafío de la identificación oportuna de fallos en los rodamientos del husillo de herramientas de máquina que operan en entornos complejos, este estudio propone un método basado en una combinación de imágenes infrarrojas con un Informer y un CNN + Swin Transformer. El objetivo es lograr un monitoreo en tiempo real de los fallos de los rodamientos, una localización precisa de los fallos y una clasificación de la gravedad de los mismos. Para lograr esto, se eligió un rodamiento de bolas de contacto angular como sujeto de investigación. Inicialmente, se construyó un conjunto de datos de imágenes infrarrojas, abarcando diversas posiciones y grados de fallo, simulando diferentes formas de fallos en los rodamientos. Posteriormente, se estableció un modelo de predicción de temperatura de rodamientos basado en Informer para seleccionar datos de rodamientos defectuosos. Por último, los datos defectuosos se introdujeron en el modelo CNN + Swin Transformer para el reconocimiento y clasificación de fallos en los rodamientos. Los resultados demuestran que el modelo Informer identifica con precisión los aumentos anormales de temperatura durante la operación del rodamiento, filtrando eficazmente los rodamientos defectuosos. En condiciones de estado estable, el modelo logra una precisión de clasificación del 97.8%. Además, después de emplear el proceso de filtrado de Informer, el modelo propuesto exhibe una precisión de reconocimiento del 98.9%, superando a otros modelos como CNN, SVM y Swin Transformer, que se mencionan en este documento.