Este estudio construye un modelo de predicción de deformación térmica con una red neuronal artificial e implementa la compensación de error en tiempo real para una máquina de fresado CNC vertical de tres ejes en procesos de corte para mejorar el error térmico de la pieza de trabajo. Se instalaron 32 sensores térmicos PT-100 en partes clave de la máquina para medir la temperatura de las partes clave de la máquina en condiciones de corte reales. Se utilizan los coeficientes de correlación de Pearson para seleccionar los sensores de temperatura cruciales para construir el modelo de predicción de deformación térmica. La reducción en el número de sensores de temperatura cruciales en la construcción del modelo puede simplificar la complejidad del modelo y acelerar el tiempo de respuesta de la predicción. Este estudio construye un modelo de red neuronal de memoria a largo y corto plazo (LSTM) para predecir el error térmico de la máquina en procesos de corte. Este modelo de predicción de deformación térmica puede ser utilizado además en la compensación de error en tiempo real de la pieza de trabajo en procesos de corte. En un experimento de corte de 8 horas, las dimensiones de la pieza de trabajo muestran que, con la compensación de error en tiempo real, el error térmico en el eje X disminuye de 7 um a 3 um, el error térmico en el eje Y disminuye de 74 um a 21 um, y el error térmico en el eje Z disminuye de -64 um a -20 um. Los resultados indican que el modelo de predicción de deformación térmica y la compensación de error en tiempo real pueden reducir significativamente el error térmico y mejorar la precisión dimensional de la pieza de trabajo.