Termiske fejl kan have en betydelig indvirkning på CNC-værktøjsmaskiners nøjagtighed. Fejlene kommer fra termiske deformationer af maskinelementerne forårsaget af varmekilder i maskinens struktur eller af ændringer i den omgivende temperatur. Effekten af temperatur kan reduceres ved fejlforebyggelse eller numerisk kompensation. Ydelsen af et system til kompensation af termiske fejl afhænger i det væsentlige af nøjagtigheden og robustheden af den termiske fejlmodel og dens inputmålinger. I denne artikel gennemgås først forskellige metoder til udformning af termiske fejlmodeller, inden man koncentrerer sig om anvendelsen af et adaptivt neurofuzzy-inferencesystem (ANFIS) til at udforme to termiske forudsigelsesmodeller: ANFIS ved at opdele datarummet i rektangulære underrum (ANFIS-Grid-modellen) og ANFIS ved at anvende fuzzy c-means clusteringmetoden (ANFIS-FCM-modellen). Grå systemteori anvendes til at opnå en rangordning af alle mulige temperatursensorers indflydelse på maskinstrukturens termiske respons. Alle de termiske sensorers indflydelsesvægtninger klynges i grupper ved hjælp af fuzzy c-means (FCM)-klyngemetoden, hvorefter grupperne reduceres yderligere ved hjælp af korrelationsanalyse.
En undersøgelse af en lille CNC-fræser anvendes til at tilvejebringe træningsdata til de foreslåede modeller og derefter til at tilvejebringe uafhængige testdatasæt. Resultaterne af undersøgelsen viser, at ANFIS-FCM-modellen er overlegen med hensyn til nøjagtigheden af dens forudsigelsesevne med fordel af færre regler. Restværdien af den foreslåede model er mindre end ±4 μm. Denne kombinerede metodologi kan give forbedret nøjagtighed og robusthed af et termisk fejlkompensationssystem.