Maschinelles Lernen (ML) hat wesentlich zur Entwicklung fortschrittlicher Prozess- und Zustandsüberwachungs- systeme in der Fertigung beigetragen. Sie ermöglichen die Überwachung und Analyse von Anlagen und Prozessen in Echtzeit, um Abweichungen zu erkennen und mögliche Ausfälle vorherzusagen. Da ML-Anwendungen zunehmend von der Forschung in die Praxis übergehen, stellt sich die Frage nach ihrer dauerhaften Zuverlässigkeit in der Produktion. Der Trainingsdatensatz eines ML-Modells erfasst nur eine Momentaufnahme des Fertigungsprozesses. Während der Nutzungsphase des ML-Modells kommt es in der Umgebung zu Veränderungen, wie z.B. Werkzeug- und Maschinenverschleiß, alternden oder defekten Sensoren sowie Änderungen im Fabriklayout und in der Maschinenaufstellung, die im Trainingsdatensatz nicht erfasst sind. Dieses Szenario wird als Konzeptdrift bezeichnet und in akademischen Studien oft vernachlässigt. Konzeptdrift führt zu einer Leistungsverschlechterung des ML-Modells, die für die Maschinen- oder Anlagenbediener/-innen nicht offensichtlich ist und zu nachgelagerten Problemen führen kann, wenn sie nicht richtig adressiert wird. Prozessmodelle für industrielle ML-Projekte wie CRISP-ML(Q) berücksichtigen dieses Problem, bieten aber keine konkreten Richtlinien für die Implementierung von Mechanismen, um Konzeptdrift zu erkennen oder entgegenzuwirken. Motiviert durch diese Lücke, analysiert diese Dissertation Methoden zur Erkennung von Konzeptdrift im Kontext von ML-Anwendungen für die Prozess- und Zustandsüberwachung in der Fertigung, mit dem Ziel, die Zuverlässigkeit und Akzeptanz der ML-Anwendungen zu verbessern. Zunächst werden eine Literaturrecherche und Experteninterviews durchgeführt, um Erkenntnisse über den Umgang mit Konzeptdrift in Forschung und Praxis zu gewinnen. Daraufhin wird ein Framework abgeleitet, das die Überwachungsphase des CRISP-ML(Q)-Prozessmodells für die Zieldomäne konkretisiert, indem aktive und passive Strategien zur Erkennung von Konzeptdrift zusammen mit Entscheidungskriterien skizziert werden. Bestehende Strategien zur Erkennung von Konzeptdrift beruhen häufig auf Zwei-Stichproben-Tests unter der Annahme unabhängiger und identisch verteilter Daten, eine Annahme, die sich in den betrachteten Anwendungsfällen als ungültig erweist. Daher wird eine Vorverarbeitungsmethode namens Localized Reference Drift Detection (LRDD) für den Vergleichsdatensatz vorgeschlagen. Das entwickelte Framework und die LRDD-Methode werden anhand von drei Fallstudien auf ihre Anwendbarkeit und Leistungsfähigkeit hin überprüft. In der ersten Fallstudie wird ein Szenario zur Überwachung des Werkzeugzustands untersucht. Es wird gezeigt, wie Schwankungen in den Betriebsbedingungen die Leistung des ML-Modells beeinträchtigen und wie das Framework Drifts zuverlässig erkennen kann, wobei LRDD zur aktiven Erkennung von Konzeptdrift eingesetzt wird. In der zweiten Fallstudie wird der Anwendungsfall der Prozessüberwachung beim Fräsen analysiert. Es wird gezeigt, dass Konzeptdrift aufgrund der Alterung der Maschinenkomponenten zwischen den Versuchsläufen vorhanden ist. Die Drift wird durch aktive Konzeptdrift-Erkennung zuverlässig erkannt. In der dritten Fallstudie wird ein Anwendungsfall für die Zustandsüberwachung in einer Pigmentproduktionslinie in einem Unternehmen implementiert. In der Fallstudie wird eine passive Konzeptdrift-Erkennung implementiert. Es wird gezeigt, dass die passive Konzeptdrift-Erkennung in Verbindung mit einer automatischen Neutrainierung eine effektive Zustandsüberwachung ermöglicht. Insgesamt bietet diese Dissertation Lösungsansätze für den Umgang mit Konzeptdrift im Fertigungsbereich. Die vorgeschlagenen Methoden und Entscheidungskriterien können entweder direkt auf bestehende Anwendungsfälle angewendet werden oder als Inspiration und Anleitung für Anwendungsfälle dienen, die über den Rahmen der Fallstudien hinausgehen.