El proceso de degradación del rendimiento de los rodamientos a lo largo de todo su ciclo de vida es un proceso complejo y no lineal. Sin embargo, los enfoques tradicionales basados en redes neuronales suelen considerar el proceso de degradación del rendimiento de los rodamientos como lineal, lo cual no se ajusta a la situación real de la degradación de los rodamientos. Para superar esta limitación, se propuso un método de predicción de la vida útil restante de los rodamientos basado en una red neuronal de memoria a largo y corto plazo de compresión y excitación convolucional (SE-ConvLSTM), basado en la construcción de un nuevo índice de salud en el proceso de evolución de la vida del rodamiento. El método propuesto considera la regla de cambio del indicador de salud durante toda la evolución del ciclo de vida de los rodamientos, luego construye el indicador de salud utilizando la red neuronal SE-ConvLSTM, mejorando efectivamente la precisión de predicción del modelo y la eficiencia del entrenamiento. En primer lugar, los datos originales se filtran y se eliminan ruidos mediante la Descomposición de Modo Empírico por Conjuntos. Combinado con el análisis de componentes principales (PCA) para la reducción de dimensionalidad y el algoritmo de factor de outlier local (LOF), se divide el intervalo de evolución de la vida del rodamiento. Luego, se construye el indicador de salud basado en el modelo SE-ConvLSTM propuesto, y la vida útil restante de los rodamientos se predice mediante un filtro de partículas y un modelo exponencial doble. El método propuesto se compara con otros métodos relacionados utilizando el conjunto de datos PHM2012, y los resultados muestran que el método propuesto tiene una mayor precisión en las predicciones de vida útil restante. En comparación con el método tradicional, la construcción del índice de salud basada en la división del intervalo de evolución de la vida tiene una mayor significación práctica.