A modelagem de sistemas servomecânicos é um dos principais desafios na areá de robôs manipuladores, devido a complexidade e não linearidade dos fenômenos envolvidos tornando sua modelagem de difícil concepção. Neste trabalho apresentamos uma bancada experimental original composta de um atuador linear e de um elo unidos por uma junta. Nesse contexto, por meio de medições experimentais, apresentamos duas abordagens de identificação para modelar o servossistema. A primeira abordagem, chamada de identificação de tipo caixa-cinza, busca otimizar os parâmetros do modelo dinâmico, focando principalmente na identificação dos parâmetros de diferentes modelos de atrito. No estudo utilizamos os modelos de Coulomb, Dahl e LuGre. O segundo método, de tipo caixa-preta, utiliza redes neurais artificiais (RNA) para estimar a posição e a velocidade angular futuras da bancada de testes. Os resultados indicam que os modelos de fricção que consideram o maior número de fenômenos tem as melhores performances e que as RNAs tem resultados melhores que o modelo caixa-cinza. Em particular, os modelos caixa-preta apresentaram uma melhora de 67% em termos de erro médio absoluto. Os resultados mostrados são importantes pois equivalentes digitais de sistemas mais acurados viabilizam simulações mais fidedignas em ambiente virtual.