本發(fā)明公開了一種深度自編碼網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械健康評估方法，包括步驟1，振動信號采集；步驟2，原始特征提?。徊襟E3，采用深度自編碼網(wǎng)絡(luò)DAE進(jìn)行特征降維；步驟4，特征選擇；步驟5，采用無監(jiān)督SOM算法進(jìn)行健康指標(biāo)構(gòu)建；步驟6，采用基于遺傳算法的融合評價(jià)準(zhǔn)則進(jìn)行健康指標(biāo)評價(jià)。本發(fā)明結(jié)合深度學(xué)習(xí)強(qiáng)大特征提取能力的優(yōu)勢，將深度自編碼和最小量化誤差方法相結(jié)合。另外，針對基于一個度量的評價(jià)準(zhǔn)則常常具有偏差的問題，提供了基于遺傳算法的融合評價(jià)準(zhǔn)則。本發(fā)明能準(zhǔn)確評估旋轉(zhuǎn)機(jī)械健康狀態(tài)，可廣泛應(yīng)用于化工、冶金、電力、航空等領(lǐng)域旋轉(zhuǎn)機(jī)械健康評估，能準(zhǔn)確描述這些零部件性能退化的動態(tài)過程，還能進(jìn)行剩余壽命預(yù)測。