对于高速高精加工中心,机床主轴往往存在热变形现象,并由此导致了零件加工过程中的热误差问题。为解决此问题,通常让机床在加工之前空跑一段时间,等到机床达到热稳态再进行加工,但同时也降低了机床的加工效率。另外针对机床热变形的建模研究往往消耗大量的时间成本,并且所建立的模型往往不具有通用性。针对上述问题,本文先后以两台机床为研究对象,建立了基于机床实时运行数据和环境温度的热变形预测模型,并利用迁移学习方法缩短了机床热变形模型的获取时间。本文首先分析了主轴的热特性,然后得到了影响主轴热变形的关键因素。并以关键因素对机床原始数据进行计算处理,进而得到与机床主轴产热散热相关的能耗数据。以能耗数据为模型输入,然后分别建立了主轴热变形预测的多层感知机模型,卷积神经网络模型。对比结果显示,由于神经网络具有较好的学习能力,因此也具有较好的预测效果。然后又利用LSTM网络的特性解决了卷积神经网络中所遇到的误差累积的问题,使得模型的预测精度进一步提高,达到了5微米以内。由于在实际应用中无法事先对所研究机床进行大量实验和研究,因此本文提出了以迁移学习的方法缩短机床主轴热变形研究中的模型获取时间。结果表明,使用迁移学习的方法可以将模型学习所使用的实验数据从几十组缩小至两组。进而缩短了机床主轴热变形模型的建模时间与实验时间。