尖锐声脉冲的主要原因是过度打磨。在手工打磨中，突然出现的尖锐声脉冲刺激工人的耳朵，会损伤听力，造成听力下降，甚至造成耳膜穿孔、，导致工作质量下降。在机械打磨过程中，声音可能会超过设备的警报，这可能会在设备运行过程中对工人的健康和设备造成损害。对于智能系统，由于铸造变形结构的不确定性，预测可能不准确，并且容易产生突然尖锐的声音脉冲。这可能导致设备和工件损坏，并可能导致严重事故。

铸造后处理过程中环境噪声大，迫切需要工业机器人实现无人化铸造后处理。有必要研究和分析该技术，以克服打磨过程中高密度粉尘、大振动、高温碎屑飞溅和尖锐声脉冲的挑战。除了打磨过程中的挑战之外，铸件实体设计中的非结构特征和铸造过程中整体倾斜形状的时间变化对铸件的后处理有严重影响。

迄今为止，很少有人对手工打磨技术进行研究。2021年，赵景慧等人提出并开发了一种手持式可充电打磨工具，可以辅助人员维护遭受金属部件腐蚀和接触面氧化发热的动力设备，从而提高打磨速度。2022年，惠特莫尔(Whitmore，L)等人发明了一种精密打磨工具，用于手工打磨样品；该工具可由3D打印机制备并且可以打磨表面精度高达10微米的样品

手工打磨对人的依赖性很强，操作对象主要是小批量样品。手工打磨远远不能满足大批量、低成本工件打磨的要求，也无法避免打磨过程中的噪音、振动和划痕造成的损伤

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