La regresión simple no puede analizar completamente el astillado de la pared trasera de la oblea a gran escala porque el proceso de rectificado de la oblea enfrenta muchos problemas, como datos faltantes, distribución no lineal de los datos y pérdida de parámetros ocultos correlacionados. El objetivo de este estudio es proponer un enfoque novedoso para resolver este problema. Primero, este estudio utiliza series temporales, bosques aleatorios, análisis de importancia y análisis de correlación para analizar las señales de rectificado de la oblea y filtrar los parámetros clave de rectificado. Luego, utilizamos PCA y t-SNE de Barnes-Hut para reducir la dimensionalidad de los parámetros clave de rectificado y comparar sus mapas de calor correspondientes para averiguar qué método de reducción de dimensionalidad es más sensible al fenómeno de astillado. Finalmente, este estudio importó los datos de reducción de dimensionalidad más sensibles al modelo de LSTM bidireccional basado en datos (DD-BLSTM) para entrenar y predecir el astillado de la oblea. Puede ajustar los parámetros clave de rectificado a tiempo para reducir la aparición de astillado de la oblea a gran escala y mejorar efectivamente el grado de deterioro de la cuchilla de rectificado. Como resultado, las cuchillas pueden rectificar inicialmente tres piezas de las obleas sin reemplazo y expandirse con éxito a más de ocho piezas de la oblea. La precisión de la predicción de astillado de obleas utilizando DD-BLSTM con reducción de dimensionalidad t-SNE de Barnes-Hut puede alcanzar el 93.14%.