La operación normal de los rodamientos es crucial para el rendimiento y la fiabilidad de la maquinaria rotativa. Sin embargo, las señales de vibración recopiladas suelen estar mezcladas con ruido complejo, y la red transformadora no puede extraer completamente las características de las señales de vibración. Para resolver este problema, proponemos un método de preprocesamiento de datos que utiliza descomposición de valores singulares (SVD) y transformada wavelet continua (CWT) junto con un modelo mejorado de transformador de visión (ViT) para el diagnóstico de fallas. Primero, se aplica SVD para identificar los componentes de ruido y mejorar la calidad de los datos. Luego, se utiliza CWT para convertir la señal desruidizada en una representación tiempo-frecuencia bidimensional (TFR) para mostrar las características de falla de manera más intuitiva. Finalmente, se incrusta un módulo de atención de bloque de convolución multi-escala (MSCBAM) en la red ViT para extraer características de falla. Los resultados experimentales en el conjunto de datos clásico de la Universidad Case Western Reserve (CWRU) muestran que la precisión diagnóstica promedio del método propuesto es del 99.3%. En comparación con otros seis métodos de diagnóstico de fallas, el método propuesto en este documento también ha logrado buenos resultados de diagnóstico en otros tres conjuntos de datos, que pueden aplicarse de manera efectiva para el manejo oportuno de equipos problemáticos y reducir el tiempo de inactividad.