隨著產(chǎn)品更新?lián)Q代速度的日益加快，車間往往面臨著多品種小批量加工任務(wù)，不同品種、規(guī)格的零件加工工況各異，對機床電主軸熱誤差預(yù)測模型的魯棒性提出了更高要求。針對該問題，提出了一種利用河馬優(yōu)化算法（Hippopotamus Optimization Algorithm，HO）優(yōu)化長短時記憶網(wǎng)絡(luò)（Long Short Term Memory，LSTM）的電主軸熱誤差預(yù)測方法。首先，利用正弦余弦優(yōu)化算法（Sine Cosine Algorithm，SCA）對Kmeans聚類算法的聚類數(shù)目K和距離度量方式進行優(yōu)化，并采用皮爾森（Person）和斯皮爾曼（Spearman）相關(guān)性分析方法篩選溫度敏感點。接著，將熱誤差敏感點的溫度作為輸入建立了電主軸熱誤差LSTM預(yù)測模型，采用HO對LSTM的隱藏層節(jié)點數(shù)、L2正則化常數(shù)、初始學習率進行優(yōu)化。**，以EM6050雕銑機為對象進行了實驗驗證。結(jié)果顯示：提出的HO-LSTM模型相比海馬優(yōu)化算法優(yōu)化的LSTM與灰狼算法優(yōu)化的LSTM模型，熱誤差預(yù)測的MAE分別降低了32%、42%，RMSE分別降低了11%、76%，而且優(yōu)化過程的收斂速度更快；