热误差对加工精度具有显著影响，因此需要进行精确控制。实现热误差控制的关键在于构建一个集成高精度热误差模型的鲁棒系统。深度学习模型可用于实现该目标，但此类方法仍易受到温度变量间共线性、参数手动调整以及实时补偿能力有限等问题的影响。为了解决上述难题，研究了热误差补偿在数字孪生系统中的应用，设计了热误差补偿数字孪生系统，将改进后的改进容差值用于剔除共线性剔除的热误差建模方法。构建了融合具有强收敛性能的黑猩猩优化算法与最小门控单元-注意力机制的热误差模型，为提升计算速度与超参数优化性能，为黑猩猩优化算法引入了非线性收敛因子，形成了黑猩猩优化-最小门控单元-注意力模型。结果表明，热误差模型在拟合精度、收敛速度和预测准确性方面均表现出优越性能，热误差补偿数字孪生系统将工件关键尺寸几何误差降低了约75.00%。