Die vorliegende Arbeit ist ein Beitrag zur Verbesserung der modellgestützten Fehlerdiagnose. Die Aufgaben der Fehlerdiagnose sind aufeinanderfolgend: Fehlerdetektion, Fehlerisolation und Fehleridentifikation. Fehleridentifikation stellt den anspruchsvollsten Schritt der Fehlerdiagnose dar. Eine genaue Schätzung kann selten erreicht werden, selbst dann, wenn eine hohe Anzahl an Messungen vorhanden ist, (Varga, 2017). Eine bessere Fehleridentifikation soll erreicht werden indem zunächst die Qualität der Messdaten verbessert wird. Das heißt, dass in dem vorhandenen Datensatz Ausreißer erkannt und entfernt werden. Die Erkennung der Ausreißer wird mit dem Nalimov Ausreißer Test durchgeführt. Dabei wird keine Annahme bezüglich der Anzahl der Ausreißer getroffen. Es kann also durchaus sein, dass in einem Cluster keine Ausreißer erkannt werden. Allerdings besteht dabei eine Begrenzung bezüglich der Anzahl der Arbeitspunkte in einem Cluster. Es wird eine minimale Anzahl von drei Arbeitspunkten vorausgesetzt. Damit die Ausreißer in dem gesamten gemessenen Drehzahl-Last-Bereich erkannt werden können wird ein Verfahren vorgeschlagen, das die Plausibilisierung aller Messdaten ermöglicht. Des Weiteren beeinflusst ein Fehler in einem System mehrere physikalische Größen. Dadurch kann eine Informationsredundanz erreicht werden. Das bedeutet, dass der Fehler sowohl anhand einer als auch einer redundanten Informationsquelle identifiziert werden kann. Die Ergebnisse weisen aber eine unterschiedliche Genauigkeit und Konfidenz der Schätzung auf. Aus diesem Grund wird ein Ansatz vorgeschlagen, der basierend auf der Redundanz der Informationsquellen einen Fehler identifizieren soll, indem die Informationsquellen instantan berücksichtigt werden.