Da datengesteuerte Methoden zur Fehlererkennung in der Bahnindustrie immer häufiger eingesetzt werden, wächst die Nachfrage nach hochwertigen Daten. Feldversuche sind jedoch oft zeitaufwendig und durch praktische Einschränkungen begrenzt. Diese Studie stellt eine Methodik vor, die Fused Deposition Modeling (FDM) 3D-Druck verwendet, um ein maßstabsgetreues Modell zur Simulation von flachstelleninduzierten Vibrationen zu entwickeln, kombiniert mit einem Long Short-Term Memory (LSTM)-basierten generativen Modell zur Erzeugung synthetischer Vibrationsdaten. Dieser Ansatz verbessert die Datenqualität, indem er Quantität, Vielfalt und Geschwindigkeit erhöht, während gleichzeitig das Datenvolumen vergrößert und der Bedarf an umfangreichen experimentellen Tests verringert wird. Das LSTM-basierte Modell generiert realistische synthetische Daten und minimiert die Abhängigkeit von arbeitsintensiven Feldversuchen, indem es ein breiteres Spektrum an Fehlerszenarien abdeckt. Durch die Beschleunigung des Datengenerierungsprozesses bietet diese Methode eine effektive Alternative im Laborumfeld und trägt zur Grundlagenforschung bei, die darauf abzielt, die Fehlererkennung und Wartungsprozesse in der Bahnindustrie zu verbessern.