Diese Diplomarbeit untersucht die Eignung von Datenanalyse- und Data-Mining-Methoden für den Bereich des Schwermaschinenbaus. Das Ziel dieser Methoden ist es, Informationen und Erkenntnisse aus Maschinensensordaten und Meta-Daten der Maschine zu erhalten. Dies soll eine Überwachung der Maschinenstruktur, eine vorbeugende Maschinenwartung sowie eine Effizienzanalyse der Maschine ermöglichen. Zu diesem Zweck wurden einige relevante Data-Mining Konzepte für Sensordaten evaluiert. Des Weiteren wurden die konstruktiven Besonderheiten des Schwermaschinenbaus und häufig verwendete Komponenten, wie zum Beispiel Hydraulikkomponenten, beleuchtet. Das Emporkommen cyber-physischer Systeme (CPS) ermöglicht das Erfassen, das Management und die Analyse von Sensordaten physikalischer Systeme in allen Größenordnungen. Die hier vorgeschlagene Datenanalyse ermöglicht die Lösung von inversen Problemen, die mit der Messung von physikalischen Vorgängen einhergehen. Dadurch werden Lösungen generiert, die den Gesetzen der Physik folgen. Dies ermöglicht Kausalität, als ein Maß für Signifikanz eines Ereignisses anstelle reiner Korrelation wie bei klassischen Data-Mining Konzepten zu verwenden. Diese Arbeit präsentiert das Prinzip der lexikalischen Analyse als Herangehensweise für Sensordatenanalyse. Die lexikalische Analyse vereint die Möglichkeit der Echtzeit-Lösung inverser Probleme, die Clusterbildung von Sensordaten sowie die verlustfreie Kompression der bearbeiteten Daten in einer generischen und variabel skalierbaren Art. Zur Verifikation der Funktionalität der lexikalischen Analyse wurden drei baugleiche Reclaimer verwendet. Für diese Maschinen standen Sensordaten von zwölf Sensoren zur Verfügung. Die Sensordaten wurden mit einer Abtastzeit von einer Sekunde über sechs Jahre hinweg aufgenommen. Die lexikalische Analyse stellt einen Ansatz für die Analyse von Maschinensensordaten dar, der auf physikalischen Modellen basiert.