进给系统对于机床的性能有极其重要的影响。传统进给系统机理模型在一定程度上能有效地反映进给系统特性，但在建模过程为了简化模型便于仿真和计算，必然会忽略掉部分零件以及环境的影响，这些因素使得机理模型预测的结果与实际情况之间存在偏差，进而影响了机理模型的预测精度。为解决这一问题，提出了一种结合机理模型和CNN-BiLSTM神经网络的进给系统数字孪生误差预测方法。首先考虑了摩擦力对进给系统的非线性影响，将进给系统抽象为质量-弹簧-阻尼系统模型。并根据实验对摩擦力和进给系统机理模型参数进行辨识。然后利用神经网络对机理模型的预测与实际物理系统之间的残差进行了有效修正，以此构建了进给系统的数字孪生误差预测模型。最后利用螺旋线空间轨迹对所提方法进行验证，实验结果表明提出的误差孪生模型比传统机理模型误差预测精度提升76.04%,与同类型神经网络模型相比预测精度最高。表明本文所提方法能够有效地预测进给系统跟踪误差，提升了模型的泛化性和稳定性，为复杂系统提供了一种可靠的建模策略。