Das Thema Smart Maintenance ist für die Industrie und die Etablierung einer Smart Factory von maßgeblicher Bedeutung. Dabei spielt das Thema der vorausschauenden (prädiktiven) Diagnose & Wartung eine entscheidende Rolle. Trotz großer Bemühungen ist der derzeitige Stand in der Industrie insgesamt noch unbefriedigend. Das Vorhaben hat das Ziel, die Entwicklung von Prädiktionsanwendungen durch Bereitstellung einer wissensbasierten Autoren- und Laufzeitumgebung zu vereinfachen und zu systematisieren. Dabei hat der Autor die Aufgabe, ein Prädiktionsmodell für ein zu kontrollierendes System zu erstellen (Deklarieren und Modellieren statt Programmieren!), das dann von einem Laufzeitsystem in einen Prädiktionsprozess umgesetzt wird. Die Prädiktionsanwendung hat dadurch viele Eigenschaften und eine hohe Funktionalität, um die sich der Autor im Einzelnen nicht kümmern muss. Die Konzepte für diesen Ansatz kommen aus den Gebieten der KI, der wissensbasierten Systeme und insbesondere dem Maschinellen Lernen. Im Detail geht es um die Extraktion von Wissen aus Daten und um die Verknüpfung von explizitem symbolischen Wissen mit mustererkennenden und lernenden Verfahren. Die prädiktiven Verfahren - diese müssen natürlich programmiert (und nicht deklariert) werden - selbst kommen vor allen DIngen aus den Bereichen Computational Statistics und Machine Learning und werden in die Prädiktionsmodelle eingebettet. Für konkrete Aufgabenstellungen aus der Halbleiterindustrie sollen konkrete Prädiktionsanwendungen bereitgestellt werden.