Con sus formidables capacidades de mapeo no lineal, el aprendizaje profundo se ha aplicado ampliamente en la predicción de la vida útil restante de los rodamientos. Dado que el equipo en funcionamiento real está sujeto a numerosas perturbaciones, los datos recopilados tienden a mostrar valores faltantes aleatorios. Además, debido a la naturaleza dinámica de los entornos de los aerogeneradores, los modelos LSTM que dependen de parámetros configurados manualmente presentan ciertas limitaciones. Considerar estos factores puede llevar a problemas con la precisión de los modelos predictivos al pronosticar la vida útil restante de los rodamientos de los aerogeneradores. Ante este problema, se propone una estrategia novedosa para predecir la vida útil restante de los rodamientos de los aerogeneradores en condiciones de escasez de datos. En primer lugar, se introduce la similitud promedio (AS) para reconstruir el discriminador de las Redes de Imputación Adversaria Generativa (GAIN), y se refuerza el proceso adversarial entre el módulo generativo y el discriminante. Con base en esto, se utiliza el algoritmo del escarabajo estercolero (DBO) para optimizar múltiples parámetros de la red de memoria a largo y corto plazo (LSTM), y los datos completos después de completar se utilizan como datos de entrada del LSTM optimizado para realizar la predicción de la vida útil restante del rodamiento de energía eólica. La efectividad del método propuesto se verifica mediante la prueba de datos de vida completa de los rodamientos. Los resultados muestran que, bajo la condición de datos faltantes, la nueva estrategia de AS-GAIN-LSTM se utiliza para predecir la vida útil restante de los rodamientos de los aerogeneradores, lo que tiene un rendimiento de predicción más estable.