为了实现基于CNN-LSTM的滚动轴承故障诊断，需要完成以下步骤：

1. 数据准备：收集包含滚动轴承故障和正常工作数据的数据集，并将其预处理成适合输入模型的形式。

2. 模型设计：设计一个包含CNN和LSTM的深度学习模型，并使用Pytorch实现。

3. 模型训练：使用准备好的数据集训练模型，通过监测模型在验证集上的性能来确定最佳的超参数。

4. 模型评估：在测试集上评估模型的性能，通过计算模型在测试集上的准确率、召回率、F1分数等指标来评估模型的效果。

下面是一个简单的基于CNN-LSTM的滚动轴承故障诊断Pytorch实现的代码示例：

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader, Dataset
import numpy as np
import pandas as pd

# 定义数据集类
class RollingBearingDataset(Dataset):
    def __init__(self, data_path):
        self.data = pd.read_csv(data_path)

    def __getitem__(self, index):
        # 获取每行数据
        row = self.data.iloc[index]
        # 将数据reshape成(1, num_channels, sequence_length)的形式
        x = np.array(row[:-1]).reshape((1, num_channels, sequence_length))
        # 获取标签
        y = row[-1]
        return torch.Tensor(x), torch.LongTensor([y])

    def __len__(self):
        return len(self.data)

# 定义CNN-LSTM模型
class RollingBearingModel(nn.Module):
    def __init__(self):
        super(RollingBearingModel, self).__init__()
        self.conv = nn.Conv1d(num_channels, 32, kernel_size=3, padding=1)
        self.lstm = nn.LSTM(32, hidden_size=64, num_layers=2, batch_first=True)
        self.fc = nn.Linear(64, 2)

    def forward(self, x):
        x = self.conv(x)
        x = x.permute(0, 2, 1)
        x, _ = self.lstm(x)
        x = x[:, -1, :]
        x = self.fc(x)
        return x

# 数据集路径
data_path = 'rolling_bearing_dataset.csv'

# 定义超参数
num_epochs = 50
batch_size = 32
learning_rate = 0.001
num_channels = 1
sequence_length = 256

# 加载数据集
dataset = RollingBearingDataset(data_path)
dataloader = DataLoader(dataset, batch_size=batch_size, shuffle=True)

# 定义模型、损失函数和优化器
model = RollingBearingModel()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=learning_rate)

# 训练模型
for epoch in range(num_epochs):
    running_loss = 0.0
    for i, (inputs, labels) in enumerate(dataloader):
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels.squeeze
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
    print('Epoch %d loss: %.3f' % (epoch + 1, running_loss / len(dataloader)))

在测试集上评估模型

test_data = pd.read_csv('rolling_bearing_test_dataset.csv')
test_x = np.array(test_data.iloc[:, :-1]).reshape((-1, 1, sequence_length))
test_y = np.array(test_data.iloc[:, -1])
test_x = torch.Tensor(test_x)
test_y = torch.LongTensor(test_y)

model.eval()
with torch.no_grad():
outputs = model(test_x)
_, predicted = torch.max(outputs, 1)
accuracy = (predicted == test_y).sum().item() / len(test_y)
print('Accuracy on test set: %.3f' % accuracy)

在这个示例中，我们首先定义了一个RollingBearingDataset类来加载滚动轴承故障数据集，然后定义了一个RollingBearingModel类来实现CNN-LSTM模型。我们使用CrossEntropyLoss作为损失函数，Adam作为优化器。

在训练模型时，我们迭代数据集中的每个批次并计算损失。然后使用反向传播更新模型的参数。在训练期间，我们还计算每个周期的平均损失并打印输出。

在测试集上评估模型时，我们将模型设置为评估模式，并使用torch.no_grad()上下文管理器来禁用梯度计算。我们计算模型在测试集上的准确率并打印输出。

请注意，这只是一个简单的示例实现，并且可能需要根据具体应用进行修改。