滚齿加工是齿轮生产中最常见的加工方式,提升滚齿机的加工精度对我国整体制造水平的提升有重大意义。热误差作为滚齿机加工误差最主要的来源,严重制约着齿轮精度的提升。因此,开展滚齿机热误差补偿方法研究具有较大的工程意义。滚齿机在进行加工时会使机床各部分产生温度梯度,导致机床结构产生不规则的热变形,进而产生滚齿加工热误差。建立精确的热误差预测模型并采取相应的补偿措施是减小热误差影响的有效措施。然而,目前在建立精确的热误差模型对滚齿加工过程进行热误差在线监测并实时补偿的研究中,存在滚齿机关键温度测点筛选的准确性有待提升,且热误差模型存在预测精度不足的问题。本文在借鉴、学习已有研究成果和理论的基础上,对高速干切滚齿机热误差建模相关技术展开了研究。基于滚齿机的结构特点及热源分布情况,阐明了滚齿机径向热误差产生的机理。设计并搭建了一套实验系统,进一步开展了连续滚齿加工实验,并基于实验结果对机床的温度场及热误差产生情况进行了分析。为了实现对滚齿机加工热误差的高精度在线补偿,在滚齿机床身布置大量的温度测点以避免遗漏关键温度信息。而在实际加工过程中进行热误差补偿时,过多的温度测点会造成温度信息的冗余,需要对关键的温度测点进行筛选;此外,大量温度测点之间存在的复共线性也会影响热误差模型的精度及鲁棒性。本文使用模糊C均值聚类（FCM）结合灰色关联分析法（GRA）分析各测点的温度数据选出不同聚类簇数对应的温度变量组合,再利用随机森林法及回归评价指标筛选出适用于热误差建模的关键温度测点。通过案例分析及与传统的聚类结合线性相关系数的测点筛选方法对比,证明其有效性。在筛选出最优温度变量组合的基础上,开展热误差预测模型的研究。建立了改进鲸鱼优化算法优化的径向基神经网络热误差预测模型。首先,通过采用密度峰值聚类（DPCA）自组织确定径向基函数的中心;然后,对传统鲸鱼算法（WOA）的种群初始化、控制因子、搜索策略方面进行了改进,以提高其寻优能力;最后,利用改进后的鲸鱼优化算法（IWOA）确定径向基神经网络（RBF）的最优径向基函数的宽度以及网络权值参数,完成热误差建模。通过与常见的热误差建模方法对比,验证了IWOA-RBF模型作为热误差预测模型良好的性能。