Hoy en día, la mayoría de los métodos de diagnóstico de fallos en rodamientos basados en aprendizaje profundo se estudian bajo la condición de velocidad constante, mientras que el rendimiento de estos modelos no puede ser plenamente aprovechado en condiciones de variación temporal. Por lo tanto, para facilitar la aplicación práctica de un modelo de aprendizaje profundo en el diagnóstico de fallos en rodamientos, se propone una red de fusión de vibración y velocidad, que utiliza un transformador con un módulo de autoatención para extraer características de vibración y utiliza una red de autoencoder disperso (SAE) para extraer características dispersas de la señal de pulso de velocidad. La red de fusión de vibración y velocidad permite la fusión eficiente de diferentes señales en un espacio vectorial de alta dimensión con un alto grado de interpretabilidad del modelo, sin pasos adicionales de procesamiento de señales. Después de ajustar los hiperparámetros de la red, se pueden extraer de manera óptima los segmentos clave de las señales de vibración en el dominio del tiempo del rodamiento, el rendimiento de la red es mucho mejor que el de los métodos tradicionales de aprendizaje profundo, y la precisión de clasificación puede alcanzar el 95.18% y el 99.85% en los dos conjuntos de datos públicos de rodamientos de la Universidad Jiaotong de Xi"an y la Universidad de Ottawa.