Considerando el problema de que la señal de fallo temprano de los rodamientos es fácilmente interferida por información de fondo, como el ruido, y es difícil extraer características de fallo, se propone un método de diagnóstico de fallo temprano de rodamientos basado en la adquisición de umbral U-Net (TA-UNet). Primero, para mejorar la capacidad de extracción de características de U-Net, se introducen en el U-Net la red de adquisición de umbral espacial de canal (CS-TAN) y el módulo de convolución dilatada (DCM) basado en diferentes combinaciones de tasas dilatadas para construir el TA-UNet. Entre ellos, el CS-TAN puede aprender adaptativamente el umbral, reducir la interferencia del ruido en la señal, y el DCM puede mejorar la capacidad de extracción de características multiescala de la red. Luego, se utiliza el TA-UNet para el diagnóstico temprano de fallos, y el método se divide en dos pasos: la fase de entrenamiento del modelo y la fase de extracción de características de fallo de la señal de vibración. En el primer paso, se añade ruido blanco gaussiano aditivo a la señal de vibración para obtener la señal de vibración con ruido añadido, y se entrena el TA-UNet para aprender a eliminar el ruido de la señal de vibración con ruido añadido. En el segundo paso, se utiliza el TA-UNet entrenado para extraer las características de fallo de las señales de vibración y diagnosticar los tipos de fallos tempranos de los rodamientos. El método de dos pasos resuelve el problema de que U-Net, como red neuronal supervisada, necesita datos etiquetados correspondientes para ser entrenada, ya que realiza el diagnóstico de fallos de datos no etiquetados. La capacidad de extracción de características del TA-UNet se evalúa mediante la eliminación de ruido de la señal simulada de los rodamientos. La efectividad del método de diagnóstico propuesto se demuestra mediante el diagnóstico temprano de fallos en conjuntos de datos de código abierto.