Thermische fouten kunnen aanzienlijke gevolgen hebben voor de nauwkeurigheid van CNC-bewerkingsmachines. De fouten komen van thermische vervormingen van de machine-elementen veroorzaakt door warmtebronnen binnen de machinestructuur of door verandering van de omgevingstemperatuur. Het effect van temperatuur kan worden verminderd door foutvermijding of numerieke compensatie. De prestaties van een compensatiesysteem voor thermische fouten hangen in hoofdzaak af van de nauwkeurigheid en robuustheid van het thermische foutmodel en zijn ingangsmetingen. In dit artikel worden eerst verschillende methoden voor het ontwerpen van thermische foutmodellen besproken, waarna de aandacht wordt toegespitst op het gebruik van een adaptief neuro fuzzy inference systeem (ANFIS) om twee thermische voorspellingsmodellen te ontwerpen: ANFIS door de dataruimte op te delen in rechthoekige subruimten (ANFIS-Grid model) en ANFIS door gebruik te maken van de fuzzy c-means clustering methode (ANFIS-FCM model). Grijze systeemtheorie wordt gebruikt om de rangorde van de invloed van alle mogelijke temperatuursensoren op de thermische respons van de machineconstructie te verkrijgen. Alle invloedwegingen van de thermische sensoren worden geclusterd in groepen met behulp van de fuzzy c-means (FCM) clustering methode, de groepen worden vervolgens verder gereduceerd door correlatie-analyse.
Een studie van een kleine CNC-freesmachine wordt gebruikt om trainingsgegevens te leveren voor de voorgestelde modellen en vervolgens om onafhankelijke testdatasets te leveren. De resultaten van de studie tonen aan dat het ANFIS-FCM-model superieur is wat betreft de nauwkeurigheid van zijn voorspellend vermogen met het voordeel van minder regels. De restwaarde van het voorgestelde model is kleiner dan ±4 μm. Deze gecombineerde methodologie kan zorgen voor een verbeterde nauwkeurigheid en robuustheid van een compensatiesysteem voor thermische fouten.