隨著產品更新換代速度的日益加快，車間往往面臨著多品種小批量加工任務，不同品種、規格的零件加工工況各異，對機床電主軸熱誤差預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化算法（Hippopotamus Optimization Algorithm，HO）優化長短時記憶網絡（Long Short Term Memory，LSTM）的電主軸熱誤差預測方法。首先，利用正弦余弦優化算法（Sine Cosine Algorithm，SCA）對Kmeans聚類算法的聚類數目K和距離度量方式進行優化，并采用皮爾森（Person）和斯皮爾曼（Spearman）相關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預測模型，采用HO對LSTM的隱藏層節點數、L2正則化常數、初始學習率進行優化。**，以EM6050雕銑機為對象進行了實驗驗證。結果顯示：提出的HO-LSTM模型相比海馬優化算法優化的LSTM與灰狼算法優化的LSTM模型，熱誤差預測的MAE分別降低了32%、42%，RMSE分別降低了11%、76%，而且優化過程的收斂速度更快；