大型数控机床的制造误差中,热误差是占误差比例最大的一项,进行热补偿是一种有效的减少热误差的方法。数控机床的热误差变形很大程度上受到了特定的工况影响,其温度分布呈现非均匀性,非线性、时变性,机床由温升产生的制造误差也随之变得异常复杂。本文首次提出基于堆叠RBM深度神经网络(DNN)以及新颖的GPHA优化的BP神经网络来构建热补偿模型。首先使用ANSYS进行有限元分析对G-200钻床进给系统的温度分布进行综合分析并发现了关键测温点,而后对温度数据集使用深度自编码器进行模式识别,这是通过使用预定义的能量梯度下降法训练一个3层RBM深度神经网络DAE实现的,随后本文使用格点搜索法确定最佳的隐含层神经元数量和学习参数以提高深度神经网络的性能。在提取温度特征之后,我们使用RBM的可视层和隐含层神经元之间的权值来进一步可视化温度特征,温度分类完成以后,针对每一类温度模式建立对应的BP神经网络进行预测。BPNN由于它能映射从输入集到输出集的复杂关系的强大能力,具有独特的优越性,但是局部最优使得这个算法在初始化时出现问题。优化实验显示,传统的优化算法例如GA,PSO不足以解决该问题。为此,本文发展了禁忌粒子群优化算法(TSPSO),该方法融合了禁忌表和惩罚函数重建适应度函数,从而提高了粒子群算法的寻优广度。基于TBPSO和GA,本论文又提出了一种新的混合优化算法GPHA。GPHA同时考虑了搜索空间的局部和全局信息,在搜索空间上既具有全局寻优的能力,又具有精度寻优的能力。仿真结果显示GPHA在优化BPNN的初始值方面非常有效。随后。本文构建了以STM32-DSP联合控制的热补偿系统,首先进行了系统需求分析,而后对系统关键部件进行了选型,根据这些要求,对该系统的控制器部分、电源部分、信号转换部分和抗干扰部分电路进行了详细设计,完成了整个系统。文章结尾处,我们使用实时补偿系统对G-200钻床进行了热补偿,实验结果显示,补偿系统识别了三种温度模式,和传统模型热误差补偿系统比较后,发现补偿精度有较大提升。本文建立的热补偿系统使得G-200钻床的钻孔直径误差从26um下降到3.5um,热误差至少减少了87%。超过了本文提出的补偿精度指标10%,这表明了本论文提出的热误差模型的有效性。