Die Einsatzgrenzen von Industrierobotern werden durch ihre limitierte statische und dynamische Genauigkeit bestimmt. Ursächlich sind vielfältige, poseabhängige genauigkeitslimitierende Faktoren mit teils nichtlinearer Charakteristik. Bisherige physikbasierte Modelle zur Genauigkeitssteigerung sind durch vereinfachende Annahmen und Parameterabhängigkeiten limitiert. Ein vielversprechender, bislang unzureichend untersuchter Ansatz ist die annahmefreie datengetriebene Modellierung mittels maschinellen Lernens.



In dieser Arbeit werden datengetriebene Modelle durch Untersuchungen von Modelltopologien, die Identifikation von Wirkzusammenhängen sowie die Ableitung von Handlungsempfehlungen für die Genauigkeitssteigerung von Industrierobotern befähigt. Betrachtet werden geometrische, statische, dynamische sowie thermische Fehlereinflüsse. Die entwickelten Methoden zur automatisierten Datengenerierung, Modellauslegung, Konfidenzvorhersage, zum kontinuierlichen Modelltraining sowie zur Offline- und Online-Kompensation ermöglichen den effizienten Einsatz datengetriebener Modelle mit einer experimentell nachgewiesenen, arbeitsraumweiten Genauigkeitssteigerung von über 90 %.