Trotz der fortschreitenden Dekarbonisierung unserer Energiequellen durch den Ausbau erneuerbarer Energien, sind konventionelle Kraftwerke wie Gas-und-Dampf-Kraftwerke ein essenzieller Teil unserer Stromversorgung, da sie beispielsweise hocheffizient Reserveleistung bereitstellen. Um einen effizienten Betrieb dieser Anlagen zu gewährleisten, ist die frühzeitige Erkennung auftretender Degradationen unerlässlich. Aufgrund dessen wird in dieser Arbeit ein neuartiger Ansatz der automatisierten Fehlererkennung durch neuronale Netze auf der Basis von simulierten Prozessdaten behandelt. Eine umfassende Literaturrecherche zu Fehlermöglichkeiten und den resultierenden thermodynamischen Auswirkungen in Gas-und-Dampf-Kraftwerken dient als Fundament für deren physikalisch korrekte Simulation. Eine enorme Menge an Simulationsdaten wird benötigt, um die einzelnen Fehlermöglichkeit in verschiedensten Anlagenbetriebspunkten darzustellen. Deshalb wird ein automatisierter Arbeitsablauf zur Datenerstellung, -aufbereitung und -validierung eingeführt. Das Erstellen von neuronalen Netzen sowie deren Optimierung durch Verbesserung der zugrundeliegenden Datenstruktur und deren Hyperparameter wird behandelt. Abschließend folgt eine statistische Evaluierung der erzielten Ergebnisse unterschiedlicher neuronaler Netze. Die trainierten Netze werden auf die Fähigkeit, einzelne wie auch kombiniert auftretende Fehler zu erkennen, geprüft. Es kann gezeigt werden, dass das entwickelte neuronale Netz in der Lage ist, die Fehler mit hoher Präzision zu erkennen, selbst wenn die simulierten Prozessdaten mit Rauschen überlagert werden, um die Streuung von realen Anlagenmessungen nachzuahmen.