Die vorliegende Arbeit widmet sich der Optimierung von Autoencodern, welche zur Klassifizierung von multivariaten Echtzeit-Messdaten aus Produktionsprozessen eingesetzt werden sollen. Ziel ist die Erkennung von Zeitreihen mit Anomalien, die auf mögliche Prozessfehler hindeuten könnten. Die Güte der Klassifizierung wird von unterschiedlichen Einflussfaktoren bestimmt, von denen die wichtigsten in separaten Testreihen analysiert wurden. Mittels eines existierenden Frameworks wurden Autoencoder mit uni- oder bidirektionalen Schichten des Typs Long Short-Term Memory (LSTM) erzeugt, um Langzeit-Abhängigkeiten in den Daten zu berücksichtigen. Die Abweichung des vom Autoencoder rekonstruierten Signals vom entsprechenden Eingangssignal wurde als Maß für den Grad der Abnormalität einer Zeitreihe verwendet. Mittels eines Fehlerschwellwertes wurden die Proben als normal oder abnormal klassifiziert. Bei der Schwellwertbestimmung wurde die Schiefe der Verteilung der Rekonstruktionsfehler verschiedener Zeitreihen berücksichtigt. In einer Testreihe wurden Autoencoder mit unterschiedlichen Architekturen hinsichtlich ihrer Eignung zur Anomalieerkennung verglichen. In weiteren Experimenten wurden Techniken zur Initialisierung der Gewichtsparameter von neuronalen Netzwerken behandelt. Darüber hinaus wurden unterschiedliche Methoden zur Optimierung der maßgebenden Hyperparameter von Autoencodern untersucht. Unter Berücksichtigung der erlangten Erkenntnisse aus den zuvor genannten Versuchsreihen wurden separate Autoencoder für die zwei Hauptphasen des überwachten Prozesses optimiert und getestet. Diese wurden mit einem statistischen Tool zur Anomalieerkennung basierend auf Leistungskennzahlen kombiniert, um hybride Lernmodelle zu erzeugen. Der verwendete Datensatz wurde von Sensoren an Baumaschinen aufgezeichnet, welche zur Baugrundverbesserung mittels Rütteldruckverdichtung eingesetzt werden. Ziel dieser Arbeit war die Unterstützung laufender Forschung am Lehrstuhl für Automation, welche sich mit Methoden des maschinellen Lernens in der kombinierten Anwendung mit klassischen Methoden zur Maschinendatenanalyse befasste.