Moderne technische Systeme weisen eine hohe Komplexität auf und bestehen aus verschiedenen Bauteilen und Komponenten. Mit der Zeit, durch chemische Prozesse, Umwelteinflüsse und insbesondere durch die Nutzung verschleißen diese stetig. Ist das tolerable Maximum des Verschleißes erreicht, kommt es zu einem Ausfall, sodass die Funktionserfüllung nicht mehr gewährleistet ist. Tritt ein solcher Ausfall unvorhergesehen ein, so entstehen häufig lange Stillstandszeiten, bis notwendige Ersatzteile beschafft und das System instandgesetzt wurde. Mit der Disziplin des Prognostics and Health Management (PHM) existiert ein methodisches Gerüst, um Bauteile und Komponenten während des Betriebs automatisiert zu überwachen, den Zustand zu bewerten und den Ausfallzeitpunkt zu schätzen. Die vorliegende Dissertation knüpft an dieses methodische Gerüst an und fokussiert die Prognose des zukünftigen Verschleißverhaltens und Ausfallzeitpunkts. Gegenüber bestehenden Methoden und Algorithmen kommt jedoch dem Betriebszustand eine tragende Rolle zu. Der Verschleiß mechanischer Komponenten hängt maßgeblich von ihrer ertragenen Belastung ab. Diese kann inhärent aus der Systemnutzung resultieren, aber auch durch äußere Einflussfaktoren wie beispielsweise Umgebungstemperatur, Luftfeuchtigkeit oder Vibrationen entstehen. Zudem kann sich das Nutzungsprofil mit der Zeit verändern, sodass die zur Degradierung beitragenden Effekte ebenfalls variieren. Dieser sogenannte zeitliche Betriebszustand berücksichtigt alle Parameter, die den Verschleiß deutlich beeinflussen. In dieser Arbeit wird eine Methodik vorgeschlagen, mit der zukünftige geplante Betriebszustände in die Prognosealgorithmen einbezogen werden können, um eine genauere Schätzung bei sich verändernden Betriebszuständen zu erhalten. Der vorgeschlagene Ansatz stellt eine Ergänzung zu bestehenden Algorithmen dar, indem ein zusätzlicher Vorverarbeitungsschritt ergänzt wird. In diesem findet eine Klassifikation der Betriebszustände statt und anschließend die Prognose in den zu den Klassen gehörenden Expertenmodellen. Das heißt, dass für jede Klasse ein Prognosemodell trainiert wird, welches die Degradierung für die zugehörige Betriebszustandspopulation gut abbilden kann. Auf Basis eines Naive Bayes Classifier (NBC) zur Klassifikation und Künstliche Neuronale Netze (KNN) zur Prognose mit der Verwendung von Bootstrapping und einem Partikelfilter wird die Eignung der vorgeschlagenen Methodik nachgewiesen. Zufällig generierte Degradierungskurven aus einem Simulationsmodell zeigen den Vorteil der Berücksichtigung der geplanten Betriebszustände gegenüber deren Vernachlässigung durch bessere Ergebnisse in typischen Metriken (z. B. Mean Absolute Percentage Error (MAPE) oder Prognosehorizont (PH)). Zur abschließenden Verifikation kommen zudem reale Daten von Prüfstandversuchen an Zahnradgetrieben zum Einsatz. Um diese zu generieren, wurde in dieser Arbeit ein Prüfstand aufgebaut und mehrere Zahnradgetriebe mit verschiedenen Betriebszustandsprofilen vom Neuzustand bis zum Ausfall betrieben. Die Datenauswertung zeigt einen Trend auf, der die Beobachtungen aus den simulierten Daten untermauert. Die abschließende Diskussion rundet die Ergebnisse ab und thematisiert Herausforderungen. Durch die höhere Parameterzahl ist beispielsweise eine größere Datenbasis für das Training notwendig. Zudem besteht ein Zusatzaufwand in der Erstellung der Betriebszustandsplanung.