El conjunto de datos de degradación del ciclo de vida completo de los rodamientos tiene características de gran capacidad, diversidad y no estacionariedad. Como una herramienta poderosa para procesar este tipo de datos de series temporales en algoritmos de aprendizaje profundo, LSTM tiende a perder información importante de series temporales en el proceso de predicción de la vida útil de los rodamientos, lo que lleva a una disminución en la precisión de la predicción. Por lo tanto, se propone un método para predecir la vida útil restante (RUL) de los rodamientos basado en la combinación del mecanismo de atención de patrones temporales (TPA) y LSTM. El método combina primero el agrupamiento jerárquico y el análisis de componentes principales (PCA) para construir un conjunto de características preferidas multifacético y multiescalar que refleje la información de degradación de los rodamientos, luego refuerza la correlación de información entre las capas ocultas del modelo LSTM a través de TPA y optimiza los parámetros del modelo de fusión de TPA y LSTM utilizando el algoritmo de optimización de gacelas (GOA). Finalmente, el modelo se aplica al conjunto de datos experimental de degradación de rodamientos. Los resultados muestran que, en comparación con el modelo tradicional, este método es más adecuado para la predicción de la vida útil restante de los rodamientos.