由于打磨过程的复杂性，其部分参数无法实时准确检测，这限制了基于模型的方法在工程实现中的应用。越来越多的研究人员正在使用数据驱动的方法来预测材料去除。

早在2005年，数据驱动方法就被应用于预测材料去除。Panda D使用人工前馈神经网络预测材料去除率.Mathew，j .等人使用人工神经网络分析材料去除量，并建立参数优化模型.Wang等人提出了一种使用神经网络和遗传算法的材料去除预测算法.为了保证打磨工作的全过程检测，有必要构建一个实时监控的焊缝间隙预测系统。于是，David Jin Hong研究了一种深度学习视觉系统

Kuka Titan系列机器人，该机器人带有一个40马力的主轴电机作为末端执行器。这个令人生畏的组合创造了一个巨大的机器人打磨工具。该机器人有6个运动轴，延伸距离近12英尺，能够以惊人的灵活性完成大范围的工作。除了机器人的尺寸之外，它还具有1650磅的有效载荷能力，使其能够携带巨大的40马力主轴电机进行打磨，并能够在主轴末端产生足够的力来进行一些严重的材料去除。

任何打磨环境的主要限制之一是材料的去除速度。这是材料硬度和横截面的函数，或者是被去除材料的体积。高速主轴电机用于通过简单地加速来改善材料去除，通常速度为10，000至40，000 rpm。然而，在打磨过程中，去除的材料量会出现不必要的变化。

就像SUHNER加工单元一样，机器人可以很容易地在不断变化的生产环境中执行不同的任务。在卫生洁具行业，大型铸铁件正在生产线上使用SOMEX max 100型加工设备和FANUC 200 IB型机器人进行加工。甚至在测试实验室中的应用。在美国一所工程大学，正在使用Kuka机器人(KR-Fortec)和SUHNER加工单元(BEX35-ISO)进行测试。这些材料测试是为的航空航天公司之一进行的。称重传感器测量加工航空航天工业常用的不同材料时的力(应力)。材料范围从复合材料到钛。加工数据从刀夹内的传感器无线传输到笔记本电脑进行存储和分析。测试结果用于改进材料厚度或选择，以及理解和预测载荷极限。