Industrie 4.0 war in den letzten zehn Jahren für viele Unternehmen eine Erfolgsgeschichte, nicht zuletzt aufgrund der nach wie vor wachsenden Anzahl gewinnbringender Anwendungen. Vor allem in der Brownfield-Produktion mit Bestandsmaschinen stellt die Umsetzung von Industrie 4.0 aufgrund heterogener Anlagen- und Datenstrukturen jedoch häufig eine große Herausforderung für Unternehmen dar. Die kommunikationstechnische Anbindung von Bestandsmaschinen sowie die Identifikation und Zuordnung von Signalen zu Industrie 4.0-Anwendungen ist für Anwender häufig ein manueller und zeitaufwändiger Prozess. Im Rahmen dieser Dissertation werden Ansätze für die automatisierte Bereitstellung von Maschinensteuerungsdaten in Brownfield-Produktionssystemen entwickelt. Ziel des entwickelten Systems sind die automatisierte Extraktion von Daten aus Schnittstellen von Bestandsmaschinen sowie die Identifikation und Zuordnung angestrebter Signale für Industrie 4.0-Anwendungen aus den extrahierten Datensätzen. Dafür werden zunächst auf Basis von Open Source-Bausteinen Konnektoren für den Datenaustausch mit im Brownfield existierenden Steuerungssystemen und Kommunikationsprotokollen erarbeitet. Im darauffolgenden Schritt werden Konzepte zur automatisierten Signalidentifikation auf Basis von analytischen sowie Machine Learning-Ansätzen entwickelt. Das von beiden Ansätzen abgeleitete hybride Lösungsystem wird darauf aufbauend zusammen mit den erarbeiteten Konnektoren in ein Assistenzsystem integriert. Teil des Assistenzsystems ist ein geführter Modus, der den Anwender von der Auswahl der Datenquelle bis zur Ausgabe der Signalzuordnung durch den Bereitstellungsprozess leitet. Der Ansatz wird abschließend an ausgewählten Demonstratoren hinsichtlich seiner Funktionalität und Übertragbarkeit validiert.