Entre los estudios de fábricas inteligentes, describimos la investigación de detección de defectos realizada en rodamientos, que son elementos de instalaciones mecánicas. La investigación de rodamientos se ha llevado a cabo de manera consistente en el pasado; sin embargo, la mayoría de la investigación se ha limitado a utilizar modelos de inteligencia artificial existentes. Además, estudios anteriores asumieron que las fábricas situadas en la investigación de defectos de rodamientos eran insuficientes. Por lo tanto, se realizó una investigación reciente que aplicó un modelo de inteligencia artificial y el entorno de la fábrica. El modelo transformer fue seleccionado como el estado del arte (SOTA) y también se aplicó a la investigación de rodamientos. Luego, se realizó un experimento con ruido gaussiano aplicado para simular una situación de fábrica. El marco del transformer swish-LSTM (transformer Sl) se construyó rediseñando la estructura interna del transformer utilizando la función de activación swish y la memoria a corto plazo a largo plazo (LSTM). Luego, los datos con ruido fueron eliminados y reconstruidos utilizando el método de preprocesamiento de análisis de espectro singular (SSA). Basándose en el marco SSA-transformer Sl, se realizó un experimento agregando ruido gaussiano al conjunto de datos de la Universidad Case Western Reserve (CWRU). En el caso de no haber ruido, el transformer Sl mostró un rendimiento superior al 95%, y cuando se insertó ruido, el transformer SSA-Sl mostró un mejor rendimiento que los modelos de inteligencia artificial comparativos.