Como uno de los componentes más importantes en maquinaria rotativa, si los rodamientos fallan, pueden ocurrir desastres graves. Por lo tanto, la predicción de la vida útil remanente (RUL) de los rodamientos es de gran importancia. La construcción del indicador de salud (HI) y la detección temprana de fallos juegan un papel crucial en la predicción de RUL basada en datos. Desafortunadamente, la mayoría de los métodos existentes para la construcción de HI requieren conocimiento previo y tendencias preestablecidas, lo que dificulta reflejar la tendencia real de degradación de los rodamientos. Además, los métodos existentes de detección temprana de fallos dependen de grandes cantidades de datos históricos, pero la anotación manual es laboriosa y consume mucho tiempo. Para abordar los problemas mencionados, se desarrolla en este trabajo un nuevo auto-codificador convolucional profundo (CAE) basado en la extracción de características espectrales de envolvente. Se define una ventana de valor deslizante en el espectro de envolvente para obtener indicadores de salud iniciales, que se utilizan como etiquetas preliminares para el entrenamiento del modelo. Posteriormente, el CAE se entrena minimizando la función de pérdida compuesta. El método de construcción propuesto puede reflejar la tendencia real de degradación de los rodamientos. Después, el auto-codificador se preentrena a través del aprendizaje por contraste (CL) para mejorar su capacidad discriminativa. El modelo que ha sido preentrenado fuera de línea es más sensible a fallos tempranos. Finalmente, el método de construcción de HI se combina con el método de detección temprana de fallos para obtener una red integral para la evaluación de salud en línea y la detección de fallos, sentando así una base sólida para la posterior predicción de RUL. La superioridad del método propuesto ha sido verificada a través de experimentos.