Los métodos tradicionales para predecir la vida útil restante (RUL) ignoran la correlación entre los datos del mundo físico y los datos del mundo virtual, lo que lleva a una baja precisión en la predicción de RUL y afecta el funcionamiento normal de los rodamientos de elementos rodantes (REB). Para resolver el problema anterior, proponemos un método híbrido basado en gemelos digitales (DT) y memoria a largo y corto plazo (LSTM). El método híbrido combina las altas capacidades de simulación de DT y las fuertes capacidades de procesamiento de datos de LSTM. En primer lugar, desarrollamos un sistema DT para el análisis de las características de vida de un REB. Cuando se implementa el sistema DT, podemos obtener el valor teórico de RUL. Luego, se utilizan los datos experimentales para entrenar el modelo LSTM. La salida de LSTM es el valor real de RUL. Finalmente, el algoritmo de optimización por enjambre de partículas (PSO) fusiona los valores teóricos de DT con los valores reales de LSTM. El estudio de caso demuestra que la precisión de predicción del método híbrido es superior al 97.5%, lo que mejora el rendimiento y la robustez de la predicción de RUL. Por lo tanto, el método híbrido es una tecnología importante para la predicción y gestión de la salud de los REB (PHM). Realiza la intervención y el mantenimiento anticipados del equipo mecánico y garantiza la seguridad de la producción de las empresas.