Diese Arbeit untersucht die Kombination des maschinellen Lernens und der statistischen Datenanalyse. Das Ziel ist die Konzeption einer nicht überwachten Erkennung von Ausreißern in Echtzeit-Zeitreihendaten, die von Sensoren und Aktoren stammen. Es wird untersucht, ob und wann, die zusätzliche Anwendung von maschinellem Lernen klassischen Methoden vorzuziehen ist und wo seine Stärken und Grenzen liegen. Um eine gründliche und genaue Identifizierung von Anomalien zu ermöglichen, wird ein hybrider Ansatz untersucht. Seine Komponenten basieren auf früheren Arbeiten des Lehrstuhls für Automatisierungstechnik an der Montanuniversität Leoben, welche die Segmentierung verschiedener Phasen des industriellen Prozesses sowie die Definition von Schlüsselindikatoren (KPIs) durch Einbringen von physikalischem Vorwissen und Erfahrung umfassen. Das hybride Modell enthält die Berechnung des Interquartilbereichs zur Definition von Ausreißern sowie das Trainieren und Testen eines maschinellen Lern-Algorithmus mit optimierten Hyperparametern. Der Ansatz wurde auf Maschinendaten angewandt, die vom Rüttelstopfverfahren zum Verankern von Pfählen im Fundament von Gebäuden stammen.