机床热误差是由于机床受到热源影响结构受热膨胀导致的误差,在总误差中占据重要成分。热误差补偿研究中,建立热误差模型主要分为有限元法和数学建模法,机床由于受到内部热源和外部热源较多,换热方式无法进行理想化计算,并且相接触部件较多且关系复杂,整机分析极其困难,因此通过一般的有限元方法难以建立准确的温度场及热变形模型。数学建模法是分析机床关键点温度数据与主轴热误差数据之间关系得到热误差模型,根据模型计算出控制器的补偿参数,对热误差进行补偿,是目前最为主流的方法。机床关键点温度与主轴热误差呈非线性关系,并且具有一定的动态性、周期性,如何建立有效的、准确的模型成为了研究的热点。为了减小热误差对机床加工精度的影响,从数据采集系统、测温点选取、数据处理及测温点优化、样本增强及建模方法进行了研究。结合机床空间特性、发热特性,确定激光位移传感器、红外温度传感器来获取机床温度与主轴位移数据,温度、位移采集器分别采用RJ45及USB作为通信方案,设计上位机对数据进行按时刻数据对齐,开发存储与导出功能。根据发热原理定性分析机床主要热源位置。确定热源部分主要的热交换方式及对机床误差的影响。针对环境温度对热误差的影响的相关性进行分析,并通过分析得到机床静置下的温度分布与环境温度分布,可以将机床初始时刻测量的温度作为环境温度,表明了机床热误差数据采集过程中考虑到了环境温度对热误差的影响。确定温度与位移测量位置并根据环境影响设计了分季度的实验方案。为保证采集到的数据更加接近于实际加工工况,依据切削要素设计四种加工工况方案。根据方案进行数据采集。采用K-S算法分析到温度数据不服从正态分布,因此采用箱型图法对异常值进行筛选,将异常值进行删除。通过拉格朗日插值法对数据缺失值进行处理。提出采用密度聚类结合皮尔森相关系数法进行测温点的优化。通过密度聚类将温度数据分为多个类别,在每个类别中密度聚类能够有效的将线性相关或密度空间相近的向量归为同一类别,计算每个类别中的温度向量与主轴位移之间的相关系数,选取类别内相关系数最大值对应的温度向量作为优化后的温度数据。利用GAM(广义相加模型)方法对优化后的温度数据进行非参数回归检验,分析单因素、多因素下的回归拟合程度,发现优化后的温度数据均对热误差变化影响较大,说明优化效果较好,并且分析发现两者之间呈非线性关系。研究了由振动、加工等因素造成的热误差动态性,并提出采用随机动态误差法对数据集进行增强,得到增强后的数据集,采用BP神经网络建立机床热误差模型。考虑实际加工过程中刀具产生的外力对机床热误差有一定影响,结合多特征融合方法对切削速度、背吃刀量、进给速度三个特征进行融合,并建立热误差模型。比较发现多特征融合后网络预测更加精确。