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

机器人打磨由于其灵活性、智能性和成本效率，尤其是与当前主流制造模式相比，被认为是实现复杂零件和智能加工的替代方案。在过去的一、二十年里，机器人打磨技术的发展呈现出两个:一个旨在解决小尺寸复杂曲面的精密加工问题，另一个强调大尺寸复杂结构的加工。为了实现这两种不同类型复杂零件的智能打磨，研究人员试图关键技术，开发相应的加工系统。本文的目的是对复杂零件的机器人打磨的各个方面进行系统的、批判性的和的综述，特别是集中在三个研究目标上。

丹佛斯VLT驱动器用于控制感应主轴电机，转速高达12，000 rpm。VFD能够以足够的动态响应进行速度和扭矩调节，以优化打磨过程。该驱动器甚至能够执行1/32英寸主轴定向循环。旋转位置，以便机器人可以拾取打磨加工范围所需的几个砂轮中的一个。

打磨复杂金属铸件困难的一个方面是确定零件的方向，并为机床创建一个原始位置参考。SET机器人打磨中心以的方式处理这个问题。

准备打磨的零件被夹在一个大型旋转台上，该旋转台可以像装载机/卸载机一样进行索引，使机器人可以根据尺寸一次访问2或4个零件。零件以镜像固定——这简化了机器人打磨路径的编程。工作单元中的多个零件还有助于确保高操作效率，从而大限度地提高生产率。