ZusammenfassungDatenbasierte Schätzalgorithmen (z. B. künstliche neuronale Netze oder Support Vector Machines) sind eine robuste Alternative zu konventionellen, physikalischen Modellen für adaptive Regler. Dieser Typ Algorithmus kann anhand von empirischen Daten nichtlineare und zeitvariante dynamische Systeme identifizieren sowie zukünftige Ausgangsgrößen prognostizieren. Tiefere Kenntnisse über die Physik des technischen Systems sind somit nicht mehr notwendig, und es können einfach und schnell Modelle abgeleitet werden. Speziell für Industrieroboter eröffnen datenbasierte Schätzalgorithmen neue Möglichkeiten. So muss die nichtlineare Dynamik des Roboters je nach Pose und Last nicht durch komplexe kinematische Gleichungen berechnet, sondern kann aufgrund von Sensordaten geschätzt werden. Dies spart Berechnungszeit bei gleichbleibend hoher Modellgüte. Des Weiteren kann der Regler deutlich schneller bei geänderten Randbedingungen des Roboters, wie beispielsweise stark unterschiedlichen mechanischen Lasten am Endeffektor, adaptiert werden. In diesem Beitrag wird exemplarisch die Auslegung eines datenbasierten, modellprädiktiven Reglers sowohl für einen sechs- als auch für einen einachsigen Gelenkprüfstand diskutiert. Hierbei erfolgen der Entwurf und die Validierung des Reglers anhand einer Co-Simulation bestehend aus Mehrkörper- und Systemsimulation. Designparameter der Regelung (Größe des Modells, Trainingsdaten, Optimierer etc.) werden diskutiert. Schließlich erfolgt eine experimentelle Validierung an einem einachsigen Gelenkprüfstand.