El diagnóstico de fallos en rodamientos en maquinaria rotativa es una tarea crítica. Las señales de vibración son una fuente valiosa de información, pero pueden ser complejas y ruidosas. Un modelo de transformador puede capturar relaciones distantes, lo que lo convierte en una solución prometedora para el diagnóstico de fallos. Sin embargo, su aplicación en este campo ha sido limitada. Este estudio tiene como objetivo contribuir a esta creciente área de investigación proponiendo una nueva arquitectura de aprendizaje profundo que combina las fortalezas de las CNN y los modelos de transformador para un diagnóstico efectivo de fallos en maquinaria rotativa. Así, captura tanto las dependencias temporales locales como las de largo alcance en las señales de vibración. La arquitectura comienza con la extracción de características basada en CNN, seguida de la modelización de relaciones temporales utilizando el transformador. Las características transformadas se utilizan para la clasificación. Se realizan evaluaciones experimentales en dos conjuntos de datos con seis y diez condiciones de salud. En ambos estudios de caso, el modelo propuesto logra alta precisión, exactitud, recuperación, puntuación F1 y especificidad, todos por encima del 99% utilizando diferentes tamaños de conjuntos de datos de entrenamiento. Los resultados demuestran la efectividad del método propuesto en el diagnóstico de fallos en rodamientos. El modelo de convolución-transformador demuestra ser un enfoque prometedor para el diagnóstico de fallos en rodamientos. El método muestra un gran potencial para mejorar la precisión y eficiencia del diagnóstico de fallos en maquinaria rotativa.