Die Leistungsfähigkeit von Werkzeugmaschinen wird primär durch die verbauten Spindeln determiniert. Die Spindeln werden meist als Hochgeschwindigkeits-Motorspindeln ausgeführt. Die hohen Drehzahlen führen zu hohen thermischen und kinematischen Belastungen. Die infolgedessen entstehende thermische Verlagerung ist hauptursächlich für die unerwünschte Bewegung des Werkzeugs relativ zum Werkstück (Tool-Center-Point-Verlagerung). 
Kernelement der vorliegenden Arbeit ist ein neuartiger hybrider Ansatz, der das ursachenspezifische Reduzieren der Tool-Center-Point-Verlagerung ermöglicht. Die Radialverlagerung entsteht infolge der thermischen Asymmetrie des flüssig gekühlten Gehäuses der Motorspindel. Da die Asymmetrie nur durch die Fluidführungen zu Stande kommt, kann diese konstruktiv vermieden werden. Dahingehend wird ein neuer Ansatz eingeführt, der das Quantifizieren thermischer Asymmetrie und damit erstmalig deren gezielte Vermeidung ermöglicht. Die Axialverlagerung entsteht durch eine Überlagerung von Wärmedehnung und kinematischer Verlagerung. In der vorliegenden Arbeit werden datenbasierte Ersatzmodelle konzipiert (Künstliche Neuronale Netze, Entscheidungsbaum, Random Forest), die eine steuerungsseitige Kompensation der Axialverlagerung, ausschließlich auf Basis spindelinterner Daten, ermöglichen.
Die Ansätze können nur auf Basis präziser simulativer Betrachtungen validiert werden. Das Simulationsmodell muss die gesamten thermomechanischen Zusammenhänge abbilden. Als numerische Grundlage wurde eine Kopplung aus Finite Elemente Methode und Computational Fluid Dynamics verwendet. Die Modellentwicklung war besonders herausfordernd, da keine Referenzmodelle vorliegen, die eine Motorspindel in einem derart hohen Drehzahlbereich (40.000 min−1) betrachten. Dahingehend mussten die Randbedingungen erweitert werden, um z. B. die Effekte von Taylor-Wirbeln im Spindelinnenraum zu berücksichtigen.
Verglichen mit den Messungen der Motorspindel zeigte das Simulationsmodell eine mittlere Temperaturabweichung von 1,09 °C. Durch den Ansatz zur Quantifizierung thermoasymmetrischer Temperaturfelder wurde eine Optimierung der Spindelgehäusestruktur bzw. Fluidführung vorgenommen. Damit konnte die Radialverlagerung um 86,1 % reduziert werden. Mit den Methoden der künstlichen Intelligenz wurden datenbasierte Ersatzmodelle trainiert. Mit Blick auf die Testdaten der Ersatzmodelle konnte die Axialverlagerung um 89,8 % reduziert werden.