Ziel dieser Master-Arbeit war es, noch unbekannte Pumpgestänge Klassifizierungsparameter neben dem aktuellen Parameter „Lastwechsel“ zu finden. Dieser war bereits aus der Literatur bekannt und wird derzeit als alleiniger Klassifizierungsparameter bei der OMV verwendet. Zusätzlich wurde die Frage beantwortet, ob andere globale Ölunternehmen auf alternative Klassifizierungsparameter zurückgreifen. Ziel war es, anhand bisher unbekannter Klassifizierungsparameter Pumpgestänge einzuteilen, um deren Einsatz zu optimieren und die Ausfallzeiten zu verringern. Mit Hilfe der Daten der Pumpgestängebrüche, die von 2016 bis 2019 bei der OMV aufgetreten sind, wurde ein Datensatz erstellt. Die Daten setzten sich aus 26 Bruch- und Bohrlochparametern zusammen, die von OMV und Montan-Universität Leoben vordefiniert wurden. Die Bestimmung neuer Klassifizierungsparameter wurde durch Visualisierungsmethoden, unüberwachtes maschinelles Lernen und überwachtes maschinelles Lernen durchgeführt. Streudiagramme wurden als Visualisierungsmethode verwendet, um mögliche Beziehungen zwischen den abgetragenen Parametern zu identifizieren. Der Datensatz wurde mit unüberwachten Lernmethoden eingeteilt, wobei die normierten Abstandswerte die Clusterqualität ausdrückten und angaben, wie effektiv die Dateneinteilung durch bestimmte Parameter war. Mit Hilfe von überwachten maschinellen Lernen wurden künstliche neuronale Netze geschaffen, die durch die „sequential forward selection method“ optimiert wurden, um die wichtigsten Parameter für das Versagen der Pumpstangen zu bestimmen. Anhand von verschiedenen Visualisierungsmethoden wurde gezeigt, dass Korrosion im Vergleich zu Bruch der dominierende Versagensgrund ist, wobei dies etwa im Verhältnis von 60 zu 40 steht. Insbesondere der Bereich rund um die Protektoren stellt einen Häufungspunkt für das Versagen der Pumpgestänge dar, vermutlich aufgrund der unzureichenden Korrosionsinspektion unter den Protektoren. Es fällt auf, dass nur ein geringer Prozentanteil der versagenden „neuen“ Pumpgestänge die vorgegebene Anzahl von 16 Millionen Lastzyklen erreicht hat. Es wird empfohlen die standardmäßige Korrosionsmessung mit Coupons auf die Bohrungen mit Pumpgestängebruch flächendeckend anzuwenden, um den Korrosionsproblemen entgegenzuwirken.Die unüberwachten Lernmethoden wie „PCA“, „k-mean-clustering“ und „hierarchical clustering“ konnten ebenfalls erfolgreich angewendet werden. Die erzielten Ergebnisse deuten auf leichte Beziehungen innerhalb des Datensatzes hin, welche vermutlich durch die Erweiterung des Datensatzes verdeutlicht würden. Auch die Anwendung des überwachten maschinellen Lernens war erfolgreich und aussagefähige Ergebnisse wurden erzeugt. Erkennbar ist ein starker Zusammenhang zwischen „failure position“ und „feature1“, somit hängt die Bruchstelle auf der Pumpstange von der gesamten Spannungs- und Gewichtsbelastung ab, die über die gesamte Lebensdauer auf die Pumpstange ausgeübt wurde. Keines der erzielten Ergebnisse erlaubt jedoch die Bestimmung neuer Klassifizierungsparameter. Der Grund liegt wahrscheinlich in der geringen Größe des Datensatzes, sodass die Eindeutigkeit und Aussagekraft der Ergebnisse verringert wird. Daher wird das „Tagging“ jeder einzelnen Pumpstange empfohlen, um einen zuverlässigeren Wert für die Anzahl der „Lastzyklen“ der gebrauchten Pumpstangen zu ermitteln.Die Marktanalyse zu alternativen Klassifizierungsparametern für Pumpgestänge wurde unter Miteinbeziehung verschiedener globaler Erdölunternehmen durchgeführt, liefert jedoch keine neuen Erkenntnisse. Trotz der detaillierten Untersuchungen konnten keinen neuen Pumpgestänge Klassifizierungsparameter ermittelt werden, vermutlich aufgrund der geringen Größe des Datensets.