El rectificado, que determina la dimensión final de las piezas, es un proceso importante en las empresas de fabricación. En la práctica, para evitar problemas de calidad del lado del cliente, normalmente se utiliza un control de dimensiones en línea después del proceso de rectificado para asegurar las dimensiones del producto; sin embargo, siempre es histérico y necesita espacio adicional e inversión en maquinaria. Para abordar el problema, se necesita urgentemente una predicción del error dimensional del proceso de rectificado, que no requiere espacio o maquinaria adicional, además de tener un mejor rendimiento en tiempo real. En este artículo, se diseña un algoritmo de predicción de error dimensional utilizando análisis de componentes principales (PCA), máquina de aprendizaje extremo (ELM), algoritmo genético (GA) y estrategia de conjunto (algoritmo de bagging). Específicamente, se utiliza PCA como un método de pretratamiento para extraer los principales componentes relevantes, luego se construye un modelo bagging-GA-ELM para predecir el error dimensional del producto final después del proceso de rectificado, en el cual se utiliza la máquina de aprendizaje extremo (ELM) como marco básico debido a su rápida velocidad de cálculo. GA, con su excelente capacidad de optimización global, se implementa para buscar los pesos de entrada y los umbrales óptimos de ELM, lo que permite a ELM obtener un mejor rendimiento de predicción. Además, considerando el complejo entorno del campo industrial, se emplea el algoritmo de bagging para mejorar la capacidad anti-ruido del algoritmo propuesto. Finalmente, el algoritmo propuesto se verifica mediante un caso de una empresa de rodamientos.