Lämpövirheillä voi olla merkittäviä vaikutuksia CNC-työstökoneen tarkkuuteen. Virheet johtuvat koneen elementtien lämpömuodonmuutoksista, jotka aiheutuvat koneen rakenteessa olevista lämmönlähteistä tai ympäristön lämpötilan muutoksista. Lämpötilan vaikutusta voidaan vähentää virheiden välttämisellä tai numeerisella kompensoinnilla. Lämpövirheiden kompensointijärjestelmän suorituskyky riippuu olennaisesti lämpövirhemallin ja sen tulomittausten tarkkuudesta ja kestävyydestä. Tässä asiakirjassa tarkastellaan ensin erilaisia lämpövirhemallien suunnittelumenetelmiä, minkä jälkeen keskitytään adaptiivisen neuro-sumean päättelyjärjestelmän (ANFIS) käyttöön kahden lämpöennustemallin suunnittelussa: ANFIS jakamalla data-avaruus suorakulmaisiin aliavaruuksiin (ANFIS-Grid-malli) ja ANFIS käyttämällä sumeaa c-means-klusterointimenetelmää (ANFIS-FCM-malli). Harmaan järjestelmän teoriaa käytetään kaikkien mahdollisten lämpötila-antureiden vaikutusjärjestyksen määrittämiseksi koneen rakenteen lämpövasteeseen. Kaikki lämpöanturien vaikutuspainotukset ryhmitellään ryhmiin käyttämällä sumeaa c-means-klusterointimenetelmää (FCM), minkä jälkeen ryhmiä pienennetään edelleen korrelaatioanalyysillä.
Tutkimusta pienestä CNC-jyrsinkoneesta käytetään ehdotettujen mallien koulutustietojen tuottamiseen ja sen jälkeen riippumattomien testausdatasarjojen tuottamiseen. Tutkimuksen tulokset osoittavat, että ANFIS-FCM-malli on parempi ennustuskykynsä tarkkuuden suhteen, ja sen etuna on vähemmän sääntöjä. Ehdotetun mallin jäännösarvo on pienempi kuin ±4 μm. Tällä yhdistetyllä menetelmällä voidaan parantaa lämpövirheen kompensointijärjestelmän tarkkuutta ja kestävyyttä.