Das sich entwickelnde digitale Ölfeld eröffnet viele neue Möglichkeiten für neue auf Daten gestützte Methoden zur Pumpenüberwachung. Elektrische Tauchkreiselradpumpen sind mit Untertagesensoren ausgestattet und liefern Daten welche für automatische Fehlererkennung verwendet werden können. Die vorgestellte Methode der automatischen Dateninterpretation mittels neuronaler Netze kann die Pumpenüberwachung erleichtern und ermöglicht effektivere Datenintegration. In dieser Arbeit wird eine Methode zur Datenanalyse und Fehlerklassifizierung beruhend auf dem Konzept der Heuristik vorgestellt. Dabei werden neuronale Netze verwendet um geeignete Dateninterpretationsmodelle zu entwickeln. Die extrahierten Datensätze wurden analysiert und gefiltert um verschiedenste Probleme bezüglich Datenkonsistenz während der Messung und des Speicherns in der Datenbank zu beheben. Dabei wurden messbedingte Ausreißer entfernt, Zeitstempel bearbeitet, logische Filter implementiert und ein Filter zur gleitenden Mittelwertbildung angewandt. Die Untertagedaten wurden mit Obertagedaten kombiniert um Bruttoproduktionsraten während messungsfreier Zeiten zu modellieren. Die Genauigkeit bei der Berechnung dieser Raten mittels neuronaler Netze beträgt 3 - 6 m3/d. Es wurden verschieden manipulierte Daten verwendet um den Effekt des Beobachters der während der Messung der Produktionsraten via Separator auftritt zu eliminieren. Zur Fehlerklassifizierung wurden neben echten Daten auch mittels Sensordaten künstlich erzeugte Datensätze verwendet. Die Evaluierung der mittels künstlich erzeugter Daten trainierten neuronalen Netze wurde mit echten Daten von Pumpenausfällen durchgeführt. Die verschiedenen Datensätze der Produktionsstätten wurden separat und in Kombination zum Trainieren der neuronalen Netze verwendet um eine Sensitivitätsanalyse durchzuführen und deren Leistung zu vergleichen. Die automatische Fehlerklassifizierung mittels Daten von Tauchkreiselradpumpen ist mit einer Genauigkeit von über 80% möglich. Abschließend wird ein Ausblick für zukünftige Forschungsarbeiten im Bereich der Fehlerklassifizierung und Früherkennung diskutiert.