为了提高数控机床热误差补偿模型的预测精度与稳健性，对主成分算法在数控机床主轴热误差建模中的应用进行了研究。首先，根据主成分算法原理，提出基于主成分分析的温度敏感点选择算法和热误差建模算法。然后，以一台三轴立式加工中心为对象进行全年温度范围内的主轴热误差测量实验，并基于实验数据建立主轴热误差主成分回归（Principal Component Regression， PCR）模型。进而，将所建立的PCR模型与多元线性回归模型、BP神经网络模型和岭回归模型的预测精度与稳健性进行比对分析，实验结果表明PCR模型在该四种模型中具有最高的预测精度和稳健性，分别达到6.8 μm和2.4 μm。最后，使用所建立的PCR模型对按照转速图谱运行的机床主轴热误差进行预测，预测精度和稳健性分别为6.12 μm和3.43 μm。并将PCR模型嵌入到热误差补偿控制器中进行热误差补偿实验，以验证本文建模算法的有效性。

机床主轴系统的热特性是影响其加工精度的主要因素之一, 对主轴系统进行热特性相关分析尤为重要。以TPX6111E/3数控镗床为研究对象, 利用FLIR热成像仪和米铱激光三角测量系统, 分析不同季节条件下, 相同转速数控镗床在温升时两次所产生的热变形对比情况。实验得出结论: 因季节(即时间)不同,环境温度相差很大, 同一数控镗床相同转速条件下, 主轴各对应点的温度值相差很大; 主轴分别在X、Y方向上的热变形也不相同, 进而在加工过程中对主轴的工况条件提出了更高的要求。