Press felts are highly critical components of the paper machine. A degraded press felt could lead to paper web breaks, which requires the paper machine to be restarted. Moreover, a degraded felt influences the quality of the paper, leading to paper disposal. Condition monitoring aims at minimising the risk of paper web breaks, unsatisfactory paper quality and other types of production loss while maximising the useful life of the press felts. However, installing a new condition monitoring system is expensive and the installation can be difficult to fit into the scheduled maintenance stops. This thesis investigates the possibility of using existing monitoring systems instead of installing a new one. Four possible approaches of monitoring the degradation of the press felts have been explored. The identified approaches of press felt monitoring were tested by using data acquired through existing monitoring systems of the paper machine PM2 at BillerudKo-rsnäs in Karlsborg, located in the north of Sweden. The first approach is based upon process parameters. This approach could, however, not be properly investigated due to a malfunctioning sensor. The second approach revolves around the natural frequencies of the felt and the frequency changes as the felt degrades. The remaining two approaches originates from the hypothesis that felt degradation could lead to impacts as the possibly uneven felt passes the rollers. One approach is to detect these possible impacts by using the time domain feature kurtosis. The other approach is to monitor the harmonics these impacts could lead to. Neither the natural frequency nor the kurtosis approach was deemed promising, partly based on the results of the analysed data but also due to intrinsic deficiencies of these approaches. The approach based on felt harmonics did, however, exhibit indications that it might be a feasible monitoring technique. The felt harmonics approach should be further investigated. Furthermore, a python program that can synchronise data from different sources was developed. This program enables degradation features to be extracted using machine learning algorithms. However, due to the lack of vibration data and labels of the current felt condition, machine learning was not applied. / Pressfiltar är ytterst kritiska komponenter i pappersmaskinen. En nedsliten pressfilt kan orsaka pappersbanbrott vilket innebär att pappersmaskinen måste startas om. En nedsliten filt kan också påverka papperskvaliteten vilket resulterar i att papper måste kasseras. Tillståndsövervakning är ett steg närmare att kunna optimera användandet av pressfiltarna, det vill säga maximera livstiden samtidigt som risken för oplanerade stopp minimeras. Att installera ett nytt tillståndsövervakningssystem kan dock vara dyrt och installationen kan vara svår att rymmas i de planerade underhållsstoppen. Detta masterarbete utreder möjligheten att använda existerande övervakningssytem istället för att installera ett nytt. Fyra möjliga angreppssätt för tillståndsövervakning av pressfilten utforskades. De identifierade övervakningsteknikerna testades genom att använda data från existerande övervakningssystem på pappersmaskinen PM2 hos BillerudKorsnäs i Karlsborg utanför Kalix. Det första angreppssättet baseras på processparametrar. Detta angreppssätt kunde dock ej utvärderas på grund av en defekt sensor. Det andra angreppssättet kretsar kring filtens egenfrekvenser och dessas förändring när filten slits ut. Återstående två angreppssätt har sitt ursprung i hypotesen att en försämrad filt kan ge upphov till slag när den eventuellt ojämna filten passerar valsarna. Ett angreppssätt är att detektera dessa eventuella vibrationer genom tidsdomänfunktionen kurtosis. Det andra angreppssättet som använts är att övervaka de övertoner som slagen kan leda till. Varken angreppssättet baserat på egenfrekvens eller det baserat på kurtosis bedömdes lovande. Detta delvis baserat på resultaten från analyserad data men också på grund av de inneboende bristerna för dessa två angreppssätt. Det angreppssätt som baseras på filtens övertoner visade däremot indikationer på att det kan utgöra en möjlig övervakningsteknik och detta angreppssätt bör därför utforskas vidare. Vidare utvecklades ett pythonprogram som kan synkronisera data från olika källor. Programmet möjliggör applicering av maskininlärningsalgoritmer. På grund av brist på vibrationsdata och klassificering av nuvarande filttillstånd applicerades dock inte maskininlärning. / NonStopp