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。

市场要求铸件的低成本和大批量后处理，在批量铸造生产加工中，快速的制造速度可以大大缩短产品加工时间.为了实现高产量和低成本，需要快速的工作节奏。反过来，这需要快速响应。确保快速响应是当前提高工作速度必须解决的问题之一。没有快速的响应，很难实现抛光产品的批量生产或低成本生产。铸件表面的部分不需要高精度，可以牺牲以提高速度。当铸件与其他零件，要求精度高。同时，一般铸造加工的零件表面较薄，这是薄脆性铸造零件的特点。然而，由于使用脆性材料和复杂的表面，薄脆性更严重。目前，大多数打磨技术都是针对较重的零件，因此薄而脆的工件磨技术提出了新的要求。需要力控制技术中的准确和快速响应，以及用于打磨工件的的感知和规划策略。

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。