Um Sensorkosten zu reduzieren oder kontinuierliche Messungen erst zu ermöglichen, werden in der chemischen Industrie Softsensoren eingesetzt. Hierbei werden Prozessvariablen nicht durch physikalische Sensoren gemessen, sondern aus anderen Prozessgrößen bestimmt. Dies kann über eine physikalische Wirkkette aus wissensbasierten, parametrischen Gleichungen wie Bilanzen und thermodynamischen oder kinetischen Zusammenhängen erfolgen. Mit Hilfe von seriellen hybriden semi-parametrischen Modellen können dabei schlecht verstandene Teile einer physikalischen Wirkkette durch datengetriebene, nicht-parametrische Teilmodelle ersetzt werden [1]. Der Einfluss auf die Modellgüte, einer unterschiedlichen Aufteilung der physikalischen Wirkkette in wissensbasierte und datengetriebene Modelteile, wird in der Literatur nicht systematisch untersucht. In diesem Vortrag werden daher beispielhaft verschiedene Softsensoren im Tennessee Eastman Prozess [2] mit jeweils unterschiedlicher Abbildung der physikalischen Wirkkette betrachtet. Hierbei werden sowohl die zur Verfügung stehende Menge, als auch die Unsicherheit der simulierten Sensordaten variiert. Es zeigt sich, dass die Präzision und der Gültigkeitsbereich eines seriellen hybriden semi-parametrischen Softsensors für die untersuchten Fälle signifikant von der Aufteilung der physikalischen Wirkkette in parametrische und datengetriebene Teilmodelle beeinflusst wird.