Im Zuge der strukturellen Umstellung zu einer nachhaltigen Energieversorgung (Energiewende) hat der Einsatz von Windkraftanlagen in den vergangenen Jahren an Bedeutung gewonnen. Die Kosten sowohl für Errichtung als auch für Wartung und Betrieb können erheblich sein, obgleich die tatsächlichen Beträge stark von individuellen Einflüssen abhängen. Ungeachtet dessen konnte festgestellt werden, dass außerplanmäßige Wartung - oft verursacht durch Ausfall der Anlage - einen wesentlichen Anteil der Kosten ausmacht. Dies aufgrund der erhöhten logistischen Aufwände und Umsatzverluste. Infolgedessen haben sich sogenannte Condition Monitoring Systems (CMS) etabliert, welche das Verhalten der Anlage oder einzelnen Komponenten messen um diagnostische Informationen über den Zustand liefern zu können. Dadurch kann die Planung der Wartungsarbeiten verbessert, sowie eine Vorhersage und folgerichtige Vermeidung von Schäden ermöglicht werden. CMS haben Zugriff auf unterschiedliche Zeitreihendaten, die z.B. Vibration, Stromgrößen oder Leistungsgrößen beschreiben. CMS und damit verbundene Forschungsarbeiten fokussieren oft die Anomalie-Erkennung in Zeitreihen mithilfe physikalischer Modelle und verschiedener Transformationen (z.B. Wavelet Transformation). Der Einsatz von Algorithmen des maschinellen Lernens und gleichermaßen der Zeithorizont der Vorhersage (d.h. die Frühzeitigkeit des Entdeckens einer Anomalie in Bezug auf den Moment der Beeinträchtigung des Systems) bedarfen einer intensiveren Untersuchung. Der Inhalt vorliegender Arbeit soll dazu beitragen diese Lücke zu schließen, indem zwei verschiedene Algorithmen des maschinellen Lernens auf leistungsbezogene Zeitreihendaten angewandt werden um Anomalien zu erkennen und dadurch entstehende Ereignisse in zukünftigen vordefinierten Zeitintervallen vorherzusagen. Ungeachtet des technischen Charakters des Anwendungsfalls, ist die präsentierte Vorgehensweise auf jedwede Vorhersage von Zeitreihen - wie häufig im Bereich von Predictive Analytics erforderlich - anwendbar. Zunächst wurde im Zuge der Exploration der Daten auf Stationarität der Zeitreihen geprüft um alternative sowie etablierte Vorhersagemodelle wie ARIMA für die Verwendung auzuschließen. Zudem wurden neben den Zeitreihendaten auch sequentielle Daten zur Verfügung gestellt, welche das Auftreten von Ereignissen beschreiben. Aufgrund von Empfehlungen gängiger Fachliteratur wurde eine Restricted Boltzmann Maschine (RBM) mit Gauß’schen sichtbaren Knoten implementiert. Da sie ein generatives Modell ist, kann eine trainierte RBM die Wahrscheinlichkeit von einer bestimmten Menge an Eingangsvariablen, d.h. den Sensorwerten zu einem bestimmen Zeitpunkt, abschätzen. Fällt die Wahrscheinlichkeit unter einen gewissen Schwellwert, wird auf das Auftreten von Ereignissen in einem vordefinierten zukünftigen Intervall geprüft. Der zweite verwendete Algorithmus ist eine Support Vector Maschine (SVM), ein linearer Klassifikator, welcher durch supervised learning trainiert wird. Um die Leistungsfähigkeit der Methoden zu prüfen, wurde für verschiedene Zeitintervalle eine Receiver-Operating-Characteristic angewandt. Dadurch konnte nicht nur die Vollständigkeit der Vorhersagen, sondern auch die Fähigkeit möglichst frühzeitig Ereignisse vorherzusagen untersucht werden. Die Ergebnisse bestätigen, dass die Vorgehensweise für Datenanalyse nützlich ist, obwohl die Algorithmen Raum zur Verbesserung bieten (z.B. Back-propagation in der Trainingsphase der RBM oder Optimierung der Parameter). Möglicherweise erweisen sich auch weitere Algorithmen des Maschinellen Lernens als effizient. Überdies kann die gesamte Methodik im Sinne von Prescriptive Analytics erweitert werde, indem die erhaltene Prädiktion mit darauf aufbauenden Handlungsvorschlägen verbessert wird. Verknüpfungen zu (unternehmerischen) Rahmenbedingungen könnten so größeren praktischen Nutzen ermöglichen.