随着自动化生产程度的提高,数控机床成为工业发展和技术进步不可或缺的力量。在高质量要求的情况下,数控机床加工精度的高低直接反映了一个国家的加工制造水平。在影响机床加工精度的众多误差源中,热致误差可占总误差的40%-70%,数控机床主轴热误差的建模及补偿技术能够有效地提高机床的加工精度。主轴热误差的测量、温度敏感点的选取以及热误差模型的建立是实施热误差补偿的前提条件。本文以立式加工中心为分析对象,对数控机床主轴热误差建模相关技术进行了研究。在积极借鉴、吸收相关理论和研究成果的基础上,展开了主轴热误差测量的研究工作。首先,根据实际情况合理选用温度传感器、位移传感器及相应的数据采集板卡等采集模块;然后,根据主因素策略、最少布点策略等布置温度传感器的安装位置,基于ISO230-3的“五点法”进行位移传感器的安装布置;最后,设计不同实验工况方案并进行温度场和热误差的测量实验。针对不同热源区域对主轴热误差影响程度不同的问题,提出了一种考虑整机热源区域的多理论综合方法进行温度敏感点组合的选取。根据对主轴热变形影响程度的不同将机床分为五个热源区域,使用基于相关分析的K均值聚类算法对温度变量进行聚类、筛选以获得各热源区域对应不同K值的关键温度变量组合,其中设置K的取值范围能够有效的解决K均值聚类算法中存在的K值的不确定性问题。基于获得的各热源区域关键温度变量组合再次使用多理论综合方法进行全局优化温度敏感点组合的选取。BP神经网络模型被用来建立温度变量与热变形量之间的内在联系,残差均值(RMV)和均方根误差(RMSE)用于模型结果的评估以更加直观的选择最有利于热误差建模的全局优化温度敏感点组合。针对不同温度变量对主轴热误差影响程度的不同,提出了一种基于加权集成的温度敏感点组合选取和热误差建模方法。设置K的取值范围,基于相关分析法和K均值聚类算法进行数据分析,针对不同的关键温度变量组合,使用BP神经网络建立热误差模型,并为不同模型的预测输出分配权值,通过权值优化获得最优权值组合。将最优权值组合中的各个权值及其对应的温度敏感点组合、热误差模型分别进行加权集成即可获得所需加权集成温度敏感点组合及加权集成热误差模型,其中加权集成温度敏感点组合作为热误差模型输入使用,而加权集成热误差模型可用于最终的热误差建模,同一方法获得的结果但应区别使用。加权集成温方法不仅避免了使用单一BP神经网络可能存在的局部极值的问题,也能够很好的减少甚至消除温度变量共线性的不利影响,而且不同实验工况下的测试验证结果也反映了该加权集成方法的有效性。在获得温度敏感点组合的基础上,进行数控机床主轴热误差建模研究。考虑温度变量与热变形量之间的非线性关系以及径向基函数(RBF)神经网络优秀的非线性映射能力、无局部极值问题等优点,建立了基于CSO算法优化的RBF神经网络热误差模型。RBF神经网络负责热误差建模,群体智能优化算法则用来优化RBF神经网络的初始结构参数以提高模型的预测性能。不同工况下的验证试验证明了CSO-RBF神经网络用于数控机床主轴热误差建模的可行性及其所具有的良好的预测精度和鲁棒性。