Neue akademische Richtungen wie Data Science treiben den Wandel in vielen Bereichen voran und eröffnen neue Möglichkeiten in verschiedenen technologischen Bereichen, wie z.B. der industriellen Instandhaltung. Daher ist die Analyse von Daten zur Vorhersage von kritischen Zuständen technischer Anlagen zu einem zentralen Bestandteil für die Aufrechterhaltung von Qualität und Quantität in der Produktion geworden. Elektromotoren sind das Kernelement vieler Industrieanlagen und ihr Versagen kann enorme Schäden verursachen. Deshalb ist es wichtig, dass Fehler im Voraus mithilfe eines Datenmodells entdeckt werden. Das Ziel dieser Arbeit ist es, für die Etablierung dieses Modells die notwendigen Daten in geeigneter Qualität zu liefern. Zunächst wurden die kritischen Bauteile von Frequenzumrichter gespeisten Motoren untersucht, wobei sich die Lager als die kritischen Teile erwiesen, da ihr Zustand als aussagekräftig für den Zustand des Motors angesehen wird. Schwingungs- und Temperaturmessungen, welche die Lagerzustände am besten abbilden, sind die am besten geeigneten Sensoren für deren Überwachung. Darüber hinaus sind Maschinensteckbriefe, die spezifische Informationen über die Anlage selbst, ihre Prozesse und ihre Umgebung enthalten, für die Analyse ihrer Messungen unerlässlich. Basierend auf diesen Erkenntnissen wurden verschiedene Schwingungssensoren für unterschiedliche Anwendungsszenarien ausgewählt und in die Datenbank integriert. Die Konfiguration dieser Sensoren wurde validiert und justiert und die essenziellen Informationen für das Modell zusammengefasst. Als Ergebnis werden die korrekten Messwerte in der Datenbank gespeichert und zusätzliche Informationen bereitgestellt. Darüber hinaus wurden die Informationen für die Umsetzung von Predictive-Maintenance Modellen festgehalten. Diese Arbeit dient als Leitfaden für die Realisierung von Predictive Maintenance für Motoren sowie zur Sicherstellung der Datenqualität in der Feldebene.