El entorno operativo de los rodamientos en los elevadores de minas es complicado, y la detección de sus fallos se ve obstaculizada por una señal de vibración inicial débil e inestable. Esto afecta directamente la capacidad de extraer características de fallo pertinentes. Este artículo propone un método de diagnóstico de fallos adaptativo para rodamientos que combina el modelo de Descomposición Modal Variacional (VMD) y el modelo de red neuronal profunda Vision Transformer (ViT). El objetivo era abordar la dificultad de extraer características de fallo relevantes de las señales de vibración de los rodamientos en entornos con altos niveles de ruido. Primero, se utilizó un modelo mejorado VMD+ViT para eliminar el fuerte ruido de la señal original del rodamiento y clasificar adaptativamente los tipos de fallo; luego, se exploraron los impactos de los componentes modales y el número de codificadores en la precisión del diagnóstico de fallos. Finalmente, la metodología propuesta fue validada aplicándola a datos reales de fallos de rodamientos, incluidos conjuntos de datos de pruebas de fallos y de código abierto. Los hallazgos de la investigación indicaron que el uso de un modelo integrado VMD+ViT que consiste en un componente modal con el coeficiente de correlación de Pearson más alto y ocho codificadores resultó en una alta precisión en el diagnóstico de fallos, incluso en presencia de altos niveles de ruido en la señal de vibración del rodamiento. El método de diagnóstico propuesto logró una precisión de diagnóstico de más del 92.70% en el conjunto de datos de rodamientos de código abierto con fuerte ruido de interferencia y más del 98.62% en el conjunto de datos de pruebas de fallos. El método propuesto mostró alta precisión y robustez, lo que lo hace adecuado para diagnosticar de manera efectiva e identificar con precisión diferentes categorías de fallos en rodamientos en elevadores de minas, incluso en entornos con altos niveles de ruido.