Dieser Beitrag stellt die Bedeutung von Modellen des zu überwachenden Systems im Kontext von „Predictive Maintenance“ heraus. Es wird gezeigt, dass Modelle wichtig sind, um den Systemzustand zu identifizieren und auch korrekt zu interpretieren, um so mögliche Probleme frühzeitig zu erkennen und entsprechende Instandhaltungs- bzw. Wartungstätigkeiten zu initiieren. Bei derartigen Modellen können grundsätzlich zwei Hauptkategorien unterscheiden werden. Einerseits gibt es verhaltensbeschreibende, datengetriebene Modelle, die das System als „Black Box“ betrachten und entsprechend auch als Black-Box-Modelle bezeichnet werden. Dieser Modelltyp versucht lediglich, das Systemverhalten auf Basis von Daten zu beschreiben. Dann gibt es noch verhaltenserklärende, physikalisch motivierte Modelle, die auch als White-Box-Modelle bezeichnet werden und versuchen, die interne Wirkstruktur des jeweiligen Systems zu verstehen und nachzubilden, was allgemein zu signifikanten Vorteilen bei der Interpretation von Daten führt. Jeder dieser Modellierungsansätze verfügt über Vorteile und Nachteile. Welche Form der Modellierung angebracht ist, das muss fallweise und im Kontext der konkreten Aufgabenstellung entschieden werden. Um die Vorteile beider Ansätze zu nutzen, können diese auch generell kombiniert werden. In diesem Beitrag werden die Vor- und Nachteile der einzelnen Ansätze anhand einiger Beispiele herausgestellt, wobei ein Schwerpunkt auf den verhaltenserklärenden Modellen liegt. In diesem Kontext wird speziell auch auf die modellbasierte Datenerfassung und auf die Datenanalyse, sowohl im Zeitbereich als auch im Frequenzbereich, eingegangen. Abschließend wird erläutert, was vor diesem Hintergrund unter „Virtueller Sensorik“ zu verstehen ist und wie diese genutzt werden kann, um die Systemüberwachung und Systemdiagnose zu verbessern.