表面砂轮用于制造高精度和精细加工的零件，常用于改善平面、曲面和倾斜面的表面质量。该工艺能够研磨金属、陶瓷或复合材料工件。对表面砂轮的状态监测对于最大性能和延长寿命至关重要。本研究旨在利用训练于每次磨削后捕获图像的机器学习模型预测砂轮寿命。实验系统包括表面磨床、单反相机及适当照明，用于记录砂轮的图像。砂轮分为八个部分，且每次加工结束时拍摄图片，直至砂轮失效。工件在每次加工过程中产生的表面粗糙度保持稳定。记录的图像进一步沿砂轮切削面分割。通过图像聚类方法提取相关统计特征，如熵、偏度、标准差、峰度及嵌入颗粒数量，并结合工件表面粗糙度测量进行准确标注。特征分为初始、中间和终末阶段。砂轮状态经训练后，利用分类与回归树和支持向量机等机器学习技术进行模型测试。结果表明提取的图像特征与磨削过程中的表面粗糙度高度相关。采用三次核函数的支持向量机实现了91.16%的最高预测准确率。该模型还在另一实验同一砂轮的数据上测试，获得了83%的分类准确率。
Sumesh 等人（周五，）研究了此问题。