Termiska fel kan ha betydande effekter på CNC-verktygsmaskinernas noggrannhet. Felen kommer från termiska deformationer av maskinelementen som orsakas av värmekällor inom maskinkonstruktionen eller av förändringar i omgivningstemperaturen. Effekten av temperatur kan minskas genom att undvika fel eller genom numerisk kompensation. Prestandan hos ett system för kompensation av termiska fel beror i huvudsak på noggrannheten och robustheten hos modellen för termiska fel och dess inmatningsmätningar. I den här artikeln granskas först olika metoder för att utforma modeller för termiska fel, innan man koncentrerar sig på att använda ett adaptivt neurofuzzy-inferenssystem (ANFIS) för att utforma två modeller för termisk prediktion: ANFIS genom att dela upp datarummet i rektangulära delområden (ANFIS-Grid-modellen) och ANFIS genom att använda fuzzy c-means-klustermetoden (ANFIS-FCM-modellen). Grå systemteori används för att få fram en rangordning av alla möjliga temperatursensorers inflytande på den termiska responsen hos maskinkonstruktionen. Alla värmesensorernas inflytandevikter klusteras i grupper med hjälp av fuzzy c-means (FCM)-klustermetoden, och grupperna reduceras sedan ytterligare genom korrelationsanalys.
En studie av en liten CNC-fräsmaskin används för att tillhandahålla träningsdata för de föreslagna modellerna och sedan för att tillhandahålla oberoende testdatamängder. Resultaten av studien visar att ANFIS-FCM-modellen är överlägsen när det gäller precisionen i sin prediktiva förmåga med fördelen av färre regler. Restvärdet för den föreslagna modellen är mindre än ±4 μm. Denna kombinerade metodik kan ge förbättrad noggrannhet och robusthet hos ett system för kompensation av termiska fel.