随着产品更新换代速度的日益加快，车间往往面临着多品种小批量加工任务，不同品种、规格的零件加工工况各异，对机床电主轴热误差预测模型的鲁棒性提出了更高要求。针对该问题，提出了一种利用河马优化算法（Hippopotamus Optimization Algorithm，HO）优化长短时记忆网络（Long Short Term Memory，LSTM）的电主轴热误差预测方法。首先，利用正弦余弦优化算法（Sine Cosine Algorithm，SCA）对Kmeans聚类算法的聚类数目K和距离度量方式进行优化，并采用皮尔森（Person）和斯皮尔曼（Spearman）相关性分析方法筛选温度敏感点。接着，将热误差敏感点的温度作为输入建立了电主轴热误差LSTM预测模型，采用HO对LSTM的隐藏层节点数、L2正则化常数、初始学习率进行优化。**，以EM6050雕铣机为对象进行了实验验证。结果显示：提出的HO-LSTM模型相比海马优化算法优化的LSTM与灰狼算法优化的LSTM模型，热误差预测的MAE分别降低了32%、42%，RMSE分别降低了11%、76%，而且优化过程的收敛速度更快；
