La predicción de series temporales relacionadas con la energía para los ejes de herramientas de máquina de control numérico por computadora (CNC) es un habilitador esencial para la transición hacia una producción autónoma e inteligente. En particular, se necesita una predicción precisa del consumo de energía para determinar el impacto ambiental de un producto y la optimización de su producción. Con este propósito, se presenta un enfoque novedoso para predecir series temporales de alta frecuencia de ejes controlados numéricamente basado en el código del programa que se va a ejecutar. El método implica un preprocesamiento simulado del código NC de entrada para determinar la aceleración, velocidad y fuerza de proceso de cada eje. Combinadas con la tasa de eliminación de material, estas variables son la entrada para un modelo de aprendizaje automático (ML) que proporciona predicciones de series temporales de alta frecuencia específicas para cada eje. En comparación con enfoques comunes, es posible hacer predicciones para el consumo variable de energía de las herramientas de máquina para cualquier trayectoria de herramienta o resolución objetivo en el dominio del tiempo. Los experimentos muestran que este enfoque logra una alta precisión cuando se dispone de una base de datos de aprendizaje robusta. Para los ejes -, -, y -, se pueden lograr errores de 0.2%, -1.09% y 0.09% para corte en aire y de 0.15%, -3.55% y 0.08% para eliminación de material. Se identifican sistemáticamente los potenciales para una mejora adicional.