La estimación precisa de la vida operativa de los transistores bipolares de puerta aislada (IGBT) es de suma importancia para garantizar la eficiencia y la seguridad sin compromisos de los equipos industriales. Sin embargo, numerosas metodologías y modelos actualmente empleados para este fin a menudo no logran ofrecer predicciones altamente precisas. Se introduce un enfoque analítico que combina el Algoritmo de Optimización de Patrones (POA) con la Descomposición Modal Variacional Sucesiva (SVMD) y la red de Memoria a Corto y Largo Plazo Bidireccional (BiLSTM). En primer lugar, SVMD se emplea como un método de aprendizaje de características no supervisado para dividir los datos en funciones modales intrínsecas (IMFs), que se utilizan para eliminar ruido y preservar la señal esencial. En segundo lugar, la red BiLSTM se integra con fines de aprendizaje supervisado, lo que permite predecir la secuencia descompuesta. Además, los hiperparámetros de BiLSTM y los coeficientes de penalización de SVMD se optimizan utilizando la técnica POA. Posteriormente, las diversas funciones modales se predicen utilizando el modelo de predicción entrenado, y las predicciones de modo individuales se agregan posteriormente para obtener la predicción final definitiva del modelo. A través de estudios de casos que involucran conjuntos de datos de envejecimiento de IGBT, se formuló el modelo de predicción óptimo y se validó su capacidad de predicción de vida. La superioridad del método propuesto se demuestra comparándolo con modelos de referencia y otros métodos de vanguardia.