Immer strengere Abgasvorschriften zwingen die Automobilhersteller ihre Motor-, Partikelfilter- und Katalysatorsteuerungen zu optimieren. Dies kann entweder durch heuristische Verfahren, oder durch eine Erfassung der Zielgrößen geschehen, sodass die heutigen Vorsteuerungen durch Regler ersetzt werden können. Da der Einsatz von Sensoren einiger essentieller Zielgrößen (vor allem der Abgaskomponenten) in kommerziellen Kraftfahrzeugen oftmals nicht möglich ist, weil sie zu teuer, zu ungenau sind, oder eine zu kurze Lebensdauer aufweisen. Aufgrund der komplizierten Natur des Verbrennungsprozesses mit zugehöriger Generierung der Emissionen gibt es keine „first principle“ Modelle mit ausreichender Genauigkeit. Somit finden datenbasierte Modelle verbreiteten Einsatz. Hierbei handelt es sich hauptsächlich um universelle Approximatoren (z.B. Neuronale Netzwerke, bilineare Systeme) welche üblicherweise Information ordnen können, aber keine hinterlegte Modellmuster detektieren. Das drückt sich in einer sehr bescheidenen Extrapolations-, aber teilweise sogar minderwertigen Interpolationsfähigkeit aus, die sich auf Grund formaler Elemente leicht erklären lässt. In dieser Arbeit beschreiben wir einen anderen, vielversprechenden Weg, der im Wesentlichen aus einer Strukturidentifikation (oder –approximation) im Funktionen und nicht im Parameterraum besteht. Dazu wird Genetische Programmierung verwendet. Prinzipiell kann somit ein aussagekräftiges physikalisches Muster erkannt werden. In der Praxis hat sich jedoch gezeigt, dass es vorteilhaft ist, Vorwissen in diese Modellbildung einfließen zu lassen und so die Freiheitsgrade einzuschränken. Ziel dieser Arbeit ist es nun physikalisches Vorwissen mit genetischen Programmen (welche rein datenbasiert sind) zu kombinieren und so Sensoren für Partikeln an einen PKW Dieselmotor zu entwickeln.