1.机床主轴热误差建模中温度敏感点组合的分区域选取方法，其特征在于，包括：S1、将机床主轴的热源区域划分为主轴区域A1、主轴箱区域A2、工作台区域A3、箱体区域A4和环境温度A5，并在区域A1～A5安装温度传感器；

S2、采用五点法对热变形量进行测量，采用温度传感器对区域A1～A5的温度场进行测量；之后计算每个温度变量与所有热变形量之间的绝对均相关系数R′；

S3、采用聚类算法对区域A1～A4的温度变量进行聚类中心数量分别为1～m的聚类，得到每个区域A1～A4在聚类中心数量为1～m下的分类簇；

S4、选取每个簇内具有最大绝对均相关系数R′的温度变量，得到每个区域A1～A4在聚类中心数量为1～m下的温度变量组合；

S5、将区域A1～A4对应的所有温度变量组合分别输入一个独立的神经网络，分别得到每个神经网络的网络输出值，并基于网络输出值计算每个温度变量组合的均方根误差和残差均值：

其中， 和RMSE分别为残差均值和均方根误差；Yt为第t次迭代的样本中的期望输出结果；Qt为第t次迭代的神经网络模型的预测结果；

S6、根据温度变量组合的均方根误差和残差均值，从每个区域的所有温度变量组合中选取一个最佳评估效果的温度变量组合；

S7、将区域A1～A4选取的温度变量组合与和环境温度变量进行合并，得到一个全局温度变量组合；

S8、采用聚类算法、绝对均相关系数R′及神经网络对全局温度变量组合进行筛选得到温度敏感点组合输出。

2.根据权利要求1所述的分区域选取方法，其特征在于，每个温度变量组合单独输入一个神经网络，得到每个神经网络的网络输出值进一步包括：将温度变量组合中设定比例的温度变量作为训练集，将余下温度变量作为测试集，并将每个温度变量组合的训练集输入一个独立的神经网络训练，之后将测试集分别输入对应的神经网络中，得到网络输出值。

3.根据权利要求1或2所述的分区域选取方法，其特征在于，S8进一步包括：S81、采用聚类算法对全局温度变量组合中的温度变量进行聚类中心数量分别为1～K的聚类，得到全局温度变量组合在聚类中心数量为1～K下的分类簇；

S82、选取每个簇内具有最大绝对均相关系数R′的温度变量，得到全局温度变量组合在聚类中心数量为1～K下的温度变量组合a；

S83、将所有的温度变量组合a分别输入一个独立的神经网络，得到每个神经网络对应的网络输出值，并基于网络输出值计算对应温度变量组合a的均方根误差和残差均值；

S84、根据温度变量组合a的均方根误差和残差均值，从所有温度变量组合a中选取一个最佳评估效果的温度变量组合a作为温度敏感点组合输出。

4.根据权利要求1所述的分区域选取方法，其特征在于，每个温度变量与所有热变形量之间的绝对均相关系数R′的计算公式为：其中，N为温度变量和热变形量的样本数量；M为热变形量的个数；ai和 分别为温度变量的第i个样本值和温度变量所有样本的均值；bij和 分别为第j个热变形量的第i个样本值和第j个热变形量所有样本的均值。

5.根据权利要求1所述的分区域选取方法，其特征在于，所述聚类算法为K均值聚类算法或模糊均值聚类算法；神经网络模型为BP神经网络、RBF神经网络或者卷积神经网络。

6.根据权利要求1或2或4或5所述的分区域选取方法，其特征在于，所述主轴区域安装传感器6个，主轴箱区域安装传感器10个，工作台区域安装传感器7个，箱体区域安装传感器

5个，环境温度安装传感器1个。

7.根据权利要求1或2或4或5所述的分区域选取方法，其特征在于，获取热变形量和温度场时，主轴测量状态从冷态到热平衡状态，主轴转速设置为2500r/min，数据采集间隔为

5s。