随着我国工业化水平的不断提高,对诸如航空、航天、汽车、光学等领域的零部件精度有更高需求,进而对机床加工精度提出了更高的要求。因此,在精密加工领域,机床误差补偿成为了一项重要的研究方向,期望通过误差补偿经济有效地提高机床加工精度。而误差补偿实现的基础是建立一个高精度、强鲁棒性的误差预测模型。本文以三轴数控实验平台为研究对象,探究数控机床热误差产生的原因以及机床热变形的机理,对不同温度变化条件下的数控机床的综合定位误差进行建模,旨在给出一个预测精度高、鲁棒性强、更加适合变工况条件下的误差预测模型,以提高误差补偿的效率和稳定性。本文的主要工作如下:分析数控机床热误差源,并探究其对机床误差产生的影响,即机床发生热变形的机理,通过实验获取机床综合定位误差数据,由综合定位误差曲线形状和斜率可以认为,定位误差的曲线的形状和斜率是由不同因素导致的,定位误差曲线的形状主要由几何定位误差决定,而热变斜率由热变形导致。因此采用误差分离法,将综合定位误差分离为几何误差项和热误差项,分别对其进行建模,再将二者相叠加,得到综合定位误差模型,通过实验验证该建模方法的可行性。采用实验建模法对机床的综合定位误差进行建模,几何定位误差项采用多项式进行拟合,热误差项采用数据驱动模型建模。热误差建模的重点在于温度敏感点的选择和误差模型的建立。针对温度敏感点的选择,根据经验预先在机床主要热源处布置传感器采集温度数据,并采用分组搜索法对其分组挑选。本文采用相关系数法以及最大树模糊聚类方法对温度数据进行聚类,提出采用多元回归显著性分析和样本决定系数作为评价聚类结果的有效性评价指标,并通过实验验证聚类算法的有效性。对于热误差模型的建立,传统多元回归模型存在多元共线性的缺陷,影响模型的预测精度和鲁棒性,针对这一问题,本文提出采用主成分回归建模,通过主成分互不相关的特点,消除温度变量之间的多元共线性,提高了误差模型的预测精度和鲁棒性。通过与多元回归模型和BP神经网络模型进行对比,证明主成分回归模型具有较高的性能,更适合于建立热误差模型。