Diagnosticar fallas en maquinaria agrícola es fundamental para la automatización agrícola, e identificar señales de vibración de rodamientos defectuosos es importante para el diagnóstico de fallas en maquinaria agrícola y el mantenimiento predictivo. En los últimos años, los métodos basados en el aprendizaje profundo han recibido mucha atención. Teniendo en cuenta la rugosidad de los campos receptivos de atención en Vision Transformer y Swin Transformer, este artículo propone un modelo de red Transformer deformable con fusión de multiatención (S-DT) para lograr un diagnóstico preciso de fallas compuestas. En este método, la señal de vibración se transforma primero en una representación gráfica tiempo-frecuencia a través de la transformada wavelet continua (TWC); en segundo lugar, se utilizan bloques residuales convolucionales dilatados y atención eficiente para el aprendizaje cruzado-espacial de características locales de bajo nivel. Luego, la ventana de desplazamiento y la atención deformable se fusionan en Atención S-D, que tiene un campo receptivo más enfocado para aprender características globales con precisión. Finalmente, el resultado del diagnóstico se obtiene a través del clasificador. Se realizaron experimentos en conjuntos de datos recopilados internamente y conjuntos de datos públicos. Los resultados muestran que la red S-DT propuesta se desempeña excelente en todos los casos. Con una ligera disminución en el número de parámetros, la precisión de validación mejora en más del 2%, y la red de entrenamiento tiene un período de convergencia rápido. Esto proporciona una solución efectiva para monitorear el funcionamiento eficiente y estable de la maquinaria y equipos de automatización agrícola.