Es wird eine neue Methode zur Bewertung von Flugzeugtriebwerksüberwachungsdaten vorgestellt. Üblicherweise nutzen Prognostik- und Gesundheitsmanagement-Systeme Kenntnisse über die Verschleißprozesse bestimmter Triebwerkskomponenten sowie fachliches Expertenwissen, um die verbleibende Lebensdauer (Remaining Useful Life, RUL) vorherzusagen. Neuere datengetriebene Ansätze ermöglichen eine präzise Diagnose, ohne auf solche kostenaufwändigen Prozesse angewiesen zu sein. Allerdings fehlen den meisten dieser Ansätze in der Regel Erklärkomponenten, die das Modell-Lernen und/oder die Struktur der Daten verständlich machen. Um diese Lücke zu schließen, schlagen wir einen neuartigen Ansatz basierend auf variationaler Kodierung vor. Das Modell besteht aus einem rekurrenten Encoder und einem Regressionsmodell: Der Encoder lernt, die Eingabedaten in einen latente Raum zu komprimieren, der als Grundlage für eine selbsterklärende Karte dient, die visuell die Degradationsrate von Flugzeugtriebwerken bewerten lässt. Die Erzeugung eines solchen latenten Raums wird durch eine neuartige Kostenfunktion reguliert, die auf der Variational Inference basiert und zudem einen Strafterm für Vorhersagefehler enthält. Dadurch wird nicht nur eine interpretierbare Bewertung erreicht, sondern auch eine bemerkenswerte Prognosegenauigkeit, die die meisten state-of-the-art-Verfahren auf dem populären Simulationsdatensatz C-MAPSS der NASA übertrifft. Zudem zeigen wir die Anwendung unserer Methode in einer realen Anwendungssituation anhand von Daten echter Turbofan-Triebwerke.