目前全球各大工具機大廠對於工具機切削顫振與工具機刀具磨耗均有相關技術發表與實踐，但因為其技術內容與成果都是採用傳統頻域響應的方法進行分析與實現，其準確性與即時性不佳，所以該技術有相當大可以突破的地方。為實現加工及刀具狀態即時監控，本研究團隊利用更為先進的訊號特徵萃取方法－混沌吸引子動態誤差映射轉換技術，將工具機所量到的振動(電流)訊號進行轉換，將此訊號轉成圖像，再利用人工智能方法進行圖像辨識，以達刀具磨耗狀態判別與預測。此技術主要分成兩大構面說明如下:
1. 在狀態特徵萃取方面:
本技術利用先進訊號特徵萃取方法－分數階混沌系統動態誤差進行特徵映射，利用分數階混沌系統對於系統中因子變化非常敏感的特殊性質，將時域訊號映射至混沌動態誤差域，可以快速且有效的響應出不同程度工具機加工狀態與刀具磨耗之微小信號差異性，該量測訊號透過混沌映射吸引子轉換後的圖像可以明顯呈現不同加工狀態與刀具磨耗之圖形的差異性，易於進行後續狀態判別與預測。
2. 在智能診斷與預測方面：
本團隊將轉換後的圖像，透過卷積神經網路進行深度學習，藉此判斷加工狀態及刀具磨耗狀態，再由灰色理論針對混沌動態誤差轉換映射後的圖形之重心座標系，進行顫振抑制與刀具壽命預測，使加工狀態及刀具磨耗監控跳脫傳統之經驗法則，建立可視化之量化指標及依據，作為產業邁向智能化之重要的一大步。
本方法目前已經透過科技部專題計畫“國產車床工具機主軸周邊智能化機能技術開發”與國內工具機整機廠與主軸廠進行合作驗證與測試，目前該技術已經成功應用到車床工具機狀態監控與刀具磨耗狀態診斷與預測上，未來對於台灣工具機產業邁向智慧機械提供工具機加工狀態及刀具磨耗診斷與預測的全方位解決方案。

該技術已經成功應用到國內整機廠與主軸廠，預計明年會推出具有該技術之產品，將協助國內工具機廠提升智能化技術，突破國際大廠之技術專利，提升國內工具機廠智能化競爭力。另外姚教授所帶領的團隊是全球第一個提出利用分數階混沌系統動態誤差轉換進行機電系統故障特徵萃取的團隊，目前相關研究已經刊登在多個國際頂尖期刊。

本智能化分數階混沌系統動態誤差轉換特徵萃取技術，已經實際應用於解決智慧機械與智慧製造中之加工狀態監控與壽命預測方面，對於國內工具機廠與傳統加工產業提升國際競爭力有突破性的技術貢獻。