Spectrogram-Based vision transformers for bearing fault diagnosis : cross-domain evaluation on UORED-VAFCLS and CWRU

O diagnóstico de falhas em rolamentos permanece desafiador devido à dificuldade de generalizar modelos treinados em dados limitados e controlados para condições operacionais variadas. Embora a maioria das soluções contemporâneas utilize CNNs aplicadas a sinais de vibração brutos, elas requentemente acarretam custo computacional elevado e exibem robustez limitada entre domínios. Esta dissertação introduz um pipeline de diagnóstico baseado em espectrogramas que emprega modelos modernos de Vision Transformers (ViT, DeiT, DINOv2, SwinV2 e MAE) e o avalia em dois datasets benchmarks públicos com características distintas: UORED-VAFCLS e CWRU. Usando protocolos de divisão por domínio (domain-split) e validação K-fold, o estudo compara modelos de Vision Transformers com um baseline CNN-LSTM e relata tanto o desempenho preditivo quanto o tempo de treinamento/inferência cronometrado (wall-clock) como balizador da demanda de recursos computacionais. Os resultados mostram que a abordagem transformer–espectrograma oferece maior acurácia e melhor eficiência no UORED, indicando melhor generalização entre domínios do que métodos baseados em CNN em configurações comparáveis. No CWRU, lacunas persistentes de desempenho destacam o impacto de mudança de domínio e desbalanceamento de classes, motivando estratégias de adaptação direcionadas. No geral, os resultados corroboram o potencial de Vision Transformers com entradas em espectrograma para o diagnóstico de falhas em rolamentos, ao mesmo tempo em que fornecem uma análise transparente dos custos computacionais e antecipam caminhos práticos para aprimorar a generalização em domínios mais desafiadores. Palavras-chave: Diagnóstico de Falhas em Rolamentos; Espectrogramas; Vision Transformers (ViT, DeiT, DINOv2, SwinV2, MAE); Generalização Entre Domínios; UORED-VAFCLS; CWRU; Eficiência Computacional.

Reliable bearing fault diagnosis remains challenging due to the difficulty of generalizing models trained on limited, controlled data to varied operating conditions. While most contemporary solutions rely on CNNs applied to raw vibration signals, they often incur substantial computational cost and exhibit limited cross-domain robustness. This dissertation introduces a spectrogram-based diagnostic pipeline employing modern Vision Transformer backbones, such as ViT, DeiT, DINOv2, SwinV2, and MAE, and evaluates it on two public benchmarks with distinct characteristics: UORED-VAFCLS and CWRU. Using domain-split protocols and K-fold validation, the study compares Vision Transformer models against a CNN-LSTM baseline and reports both predictive performance and wall-clock training/inference time as a proxy for computational resource demands. Results show that the transformer–spectrogram approach delivers higher accuracy and improved efficiency on UORED, indicating better cross-domain generalization than CNN-based methods under comparable settings. On CWRU, persistent performance gaps highlight the impact of domain shift and class imbalance, motivating targeted adaptation strategies. Overall, the findings substantiate the promise of Vision Transformers with spectrogram inputs for bearing fault diagnosis, while providing a transparent analysis of computational costs and outlining practical avenues for improving generalization in more challenging domains. Keywords: Bearing Fault Diagnosis; Spectrograms; Vision Transformers (ViT, DeiT, DINOv2, SwinV2, MAE); Cross-Domain Generalization; UORED-VAFCLS; CWRU; Computational Efficiency.