Los rodamientos de bolas son una parte importante de la maquinaria rotativa y tienen una gran relevancia para el diagnóstico de fallos y el monitoreo de la vida útil de los rodamientos. Analizar señales de fallo, extraer información efectiva de degradación y establecer modelos correspondientes son la premisa para la predicción de la vida residual de los rodamientos. En este artículo, primero se extrajeron las características en el dominio del tiempo para formar el vector propio de la señal de vibración, y luego se encontró el índice que representa la degradación del rodamiento. Se descubrió que el índice en el dominio del tiempo podía describir efectivamente la información de degradación del rodamiento, y la información característica en el dominio del tiempo multidimensional podía describir efectivamente la tendencia de atenuación de la señal de vibración del rodamiento. Sobre esta base, se seleccionaron vectores de características apropiados para describir las características de degradación de los rodamientos. Enfocándose en los problemas de grandes cantidades de datos, gran redundancia de información y un índice de rendimiento poco claro de los vectores de características multidimensionales, se redujo la dimensionalidad de los vectores de características multidimensionales mediante análisis de componentes principales, simplificando así los vectores de características multidimensionales y reduciendo la redundancia de información. Finalmente, en vista de las necesidades del soporte vectorial (SVM) para determinar los parámetros de la función de núcleo y los factores de penalización, se utilizó el algoritmo de optimización de ardillas (SOA) para seleccionar adaptativamente parámetros y establecer el modelo de evaluación de estado-vida de los rodamientos. Además, se utilizaron el error absoluto medio (MAE) y el error cuadrático medio (RMSE) para evaluar de manera integral el SOA. Los resultados mostraron que el SOA redujo los errores en un 5.1% y un 13.6%, respectivamente, en comparación con un algoritmo genético (GA). En comparación con la optimización por enjambre de partículas (PSO), el error del SOA se redujo en un 7.6% y un 15.9%, respectivamente. Esto mostró que el SOA-SVM mejoró efectivamente la adaptabilidad y el rendimiento de regresión del SVM, mejorando así significativamente la precisión de la predicción.