La fiabilidad y seguridad del equipo rotativo dependen del rendimiento de los rodamientos. Para sistemas complejos con altas necesidades de fiabilidad y seguridad, predecir eficazmente los datos de fallos en la etapa de uso tiene una importante significación orientadora para formular razonablemente planes de fiabilidad y llevar a cabo actividades de mantenimiento de fiabilidad. Se han utilizado muchos métodos para resolver el problema de la predicción de fiabilidad. Debido a su conveniencia y eficiencia, el método basado en datos se utiliza cada vez más en la predicción de fiabilidad práctica. Con el fin de garantizar la fiabilidad del funcionamiento de los rodamientos, el objetivo principal del presente estudio es establecer un modelo novedoso basado en la deconvolución de kurtosis de máxima correlación optimizada (MCKD) y la red neuronal recurrente de memoria a largo y corto plazo (LSTM) para realizar advertencias tempranas de fallos en los rodamientos mediante la predicción de series temporales de fallos en los rodamientos. El modelo propuesto se basa en la señal de vibración del ciclo de vida del rodamiento. En el primer paso, se utiliza la búsqueda de cucos (CS) para optimizar la longitud del filtro de parámetros y el período de deconvolución de MCKD, considerando la influencia de las series temporales periódicas de los rodamientos, y para mejorar el componente de impacto de fallo de la serie temporal de deconvolución MCKD optimizada. Luego, se selecciona la tasa de aprendizaje de LSTM de acuerdo con la serie temporal de deconvolución. Finalmente, el conjunto de datos obtenido a través de varios enfoques de preprocesamiento se utiliza para entrenar y predecir el modelo LSTM. Los análisis realizados utilizando el conjunto de datos de rodamientos XJTU-SY demuestran que los resultados de la predicción son consistentes con los datos de fallos reales, y la precisión media de predicción del modelo optimizado MCKD-LSTM es un 26% superior a la de la serie temporal original.