在实际打磨中，刀具和工件不是单点接触，而是区域接触，这与普雷斯顿的假设不符。使用经典普雷斯顿假设的计算将导致对材料去除的不准确估计.为此，王等基于赫兹接触理论和局域打磨模型，进一步预测了机器人砂带打磨的切削深度并发现当切削深度约为0.3 mm时，预测误差小于3.1%。与简化的赫兹理论模型相比，考虑接触弹性变形后，朱等人提出的材料去除模型的均方根值和平均百分误差分别从2.401降低到1.725和18.426降低到14.942%。由于人工智能的广泛使用，已经提出了许多基于数据驱动的材料去除预测的方法来解决材料去除预测问题。

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

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。