为了实现机床进给系统跟随误差的预测,需要构建进给系统的动态响应模型。传统的基于数学模型及Simulink仿真方式和机电联合仿真方式,都存在对进给系统中非线性因素表达不足,数学模型中参数不够准确的问题。本文基于机床进给系统运行数据构建跟随误差预测模型,实现跟随误差的离线预测。对于机床进给系统,具备动态响应的重复性是基于数据建模的基础,即在相同的加工指令和参数配置情况时,工作台的实际轨迹应当具备很高的重复度。通过分析进给系统的组成及控制原理,求解进给系统位置环比例增益值,将跟随误差分解为与指令速度成比例关系的稳态跟随误差,以及包含了非线性响应误差的非稳态跟随误差。稳态跟随误差值可由指令速度求解得到,非稳态跟随误差因非线性特性强,通过构建神经网络模型,实现指令数据与非稳态跟随误差之间的非线性映射。本文中以直线、整圆、螺旋线轨迹为例,通过对运行数据进行预处理,分析数据之间的特征关系,进行运动状态区间的划分标记,经数据相关性分析,确定神经网络的输入、输出。选取适合时间序列问题建模的长短期记忆网络(LSTM),构建进给系统非稳态跟随误差预测模型,并以多层感知机网络(MLP)作为对比模型;选取分析确定的模型输入、输出,调整网络的结构、超参数,使得训练得到的模型在测试集具有良好预测精度。实验验证结果表明,所构建的LSTM模型在直线、整圆、螺旋线、自由曲线等不同加工轨迹、不同进给速度下均能有良好的跟随误差预测精度;LSTM模型相比于MLP模型的预测误差更小;说明基于机床进给系统运行数据能有效构建进给系统动态响应模型,实现跟随误差的准确预测。