随着工业产品技术水平的提高,功能部件的精度要求越来越高,这就对机床的加工精度提出了更高的要求。在影响机床加工精度的多个误差源中,热误差在机床总误差源中所占的比重最大,因此,利用热误差补偿技术对热误差进行补偿是提高机床加工精度的一种经济有效的措施。大量的国内外研究资料表明,热误差补偿技术的重点集中在温度敏感测点的选择、热误差建模以及补偿三个方面,而建立预测精度高、鲁棒性强的热误差预测模型则是热误差补偿技术的关键。针对热误差补偿技术的关键问题,本论文以一台数控车床主轴为研究对象,结合实际测量得到的温度和热误差数据,探索温度敏感点筛选的方法以及有效热误差模型的建立,旨在系统地给出鲁棒性强,预测精度高的误差建模法,以提高热误差补偿技术的精度和稳定性。论文的主要研究内容如下:(1)提出了一种数控车床主轴热误差融合算法模型,利用K-means++聚类算法结合Pearson相关性分析筛选关键温度测点,并给出了聚类结果的评价指标。由于单一的热误差数学模型存在一定的不足,因此,本文利用融合算法的思想,针对小波神经网络受初始值敏感的问题,利用蝙蝠算法对小波神经网络的初始连接系数进行了优化,提出了基于蝙蝠算法优化的小波神经网络主轴热误差模型。(2)针对传统K-means聚类算法受初始聚类中心敏感的问题,提出了 AP聚类算法确定其初始聚类中心的方法。提出了基于遗传算法的广义回归神经网络主轴热误差预测模型,由于广义回归神经网络的预测能力依赖平滑参数的选取,因此利用遗传算法优化广义回归神经网络的平滑参数,给出了平滑参数选取的理论依据,建立了 GA-GRNN神经网络主轴热误差模型。(3)提出了基于果蝇算法优化灰色神经网络的主轴热误差预测模型。由于灰色神经网络的预测能力受初始系数的影响。针对这一问题,采用果蝇算法对其初始系数进行优化,将优化后的灰色神经网络用于热误差模型的建立,建立了基于果蝇算法的灰色神经网络主轴热误差建模方法。经建模实验验证,果蝇算法能够实现对灰色神经网络初始参数的优化。此外,基于果蝇算法优化灰色神经网络能够胜任热误差建模的工作。