热误差是数控机床的主要误差源之一,由温度变化以及分布不均引起的误差对超精密机床的加工精度影响极其重大,热问题已经成为了影响精密机床精度的重要因素。而主轴系统作为数控机床的核心部件,其旋转产生的热量引起的热变形是影响零件加工精度的主要误差来源,为此,缩小热误差是提升数控机床加工精度的关键环节。热误差补偿法是最常用的一种减少热误差的方法,但热误差补偿的实现,需由温度传感器的实际测量值通过误差模型计算出补偿值,并反馈到补偿执行机构,因此建立热误差预测数学模型是数控机床热误差补偿控制技术最关键的一步,也是最为复杂和困难的工作。本文以HMC500机床的主轴系统为研究对象,运用模糊聚类-灰色关联度理论,对主轴系统的测温点进行优化选择,在此基础上运用模糊神经网络法,对主轴系统热误差进行建模与预报,为今后的热误差补偿技术提供重要的理论支持。本文的主要研究内容安排如下:(1)介绍了课题的研究目标、研究背景及意义,并对温度测点布置优化技术和热误差建模方法的国内外研究动态进行了回顾与总结的基础上,明确研究内容与方向。(2)对课题研究的机床结构以及机床的关键性部位进行详细的说明。(3)基于模糊聚类法-灰色关联度的基本理论,搭建实验平台,通过试验获得温度与主轴热变形的初步关系,利用模糊聚类-灰色关联度法对传感器进行筛选,选择出用于热误差建模的最佳测温点,使热误差模型中温度变量的数目减少,从而提高热误差建模效率,实现主轴系统热误差测点的优化。(4)运用有限元分析软件ANSYS Workbench 17.0对HMC500主轴系统进行热分析,得到主轴系统的温度场分布和热变形规律,并仿真计算出主轴系统的热变形。通过仿真结果与实验数据对比,其数值基本吻合,验证了模糊聚类-灰色关联度法选择关键点的有效性。(5)以数控机床主轴关键点的温度与主轴热变形量的关系为基础,运用模糊神经网络T-S建立主轴热误差预测模型,并对主轴系统热误差进行了预测。试验结果表明,模糊神经网络预测模型能够较为精准的对主轴系统热误差做出预测,为数控机床热误差的补偿提供参照。