The electrification of the automotive industry and artificial intelligence are both growing rapidly and can be greatly beneficial for a more sustainable future when combined. Induction machines exhibit many complex relationships between physical and electromagnetic properties that must be calculated in order to produce the correct quantities of torque and speed commanded by the driver. This is why calculations that depend on sensory information are often cross-monitored and supervised to prevent unsafe conditions or damage to the equipment. Safe torque estimation has a substantial role in safety which requires the fulfillment of ASIL C defined by ISO 26262. The calculation of safe torque is based on rotor temperature among other safety parameters. Traditional methods of obtaining rotor temperature include thermal models, state observers, and active parameter estimation. These methods rely on complex mathematical equations that have the risk of being incorrect and can sometimes be unfeasible in a practical environment. Naturally, we investigate whether we can embed Artificial Neural Networks in the software since we know that they can solve complex non-linear problems exceptionally well when combined with supervised machine learning. To supervise and train the network, we must first acquire the rotor temperature in an experimental setting with a temperature sensor. Then we embed the model into the software of an electrical inverter produced by Inmotion using a microcontroller framework. This way, predictions of rotor temperature can be made in a live environment without the sensor. Using the mean squared error of the output and k-fold cross-validation we can apply a corrected t-test to make a comparison and statistical evaluation of the models. The results in this research prove that a machine learning model can in fact be used to replace the current traditional state observer model that is based on stator temperature. We find that when stator and rotor temperatures are uncorrelated and different, the machine learning model is able to generalize much more accurately passing the t-test with an alpha threshold of  α  = 0.05. Results also reveal that the obtained rotor temperature can be used as reliable input for estimating safe torque by evaluating the measurements from a live motor with a realistic safety requirement. / Elektrifieringen av fordonsindustrin och artificiell intelligens växer i snabb takt där de båda har stor potential att vara välgörande för en mer hållbar framtid när de kombineras. Induktionsmotorer grundar sig på många komplicerade förhållanden mellan fysiska och elektromagnetiska egenskaper som måste beräknas för att förse rätt vridmoment och hastighet som föraren begär. Därför är ofta beräkningar som beror på sensorisk information ofta korsövervakad för att förhindra osäkra tillstånd eller skada på utrustningen. Säker vridmoment estimering spelar en stor roll i säkerhet vilket kräver ett uppfyllande av ASIL C definerad av ISO 26262. Beräkningen av denna estimering baseras bland annat på rotor temperatur och andra säkra parametrar. Traditionella metoder för att ta fram rotor temperatur inkluderar termala metoder, tillståndsobserverare och aktiv parameter estimering. Dessa metoder grundar sig på komplexa matematiska ekvationer som har en risk att vara inkorrekta och är ibland ogenomförbara i en praktisk miljö. Naturligt sett så vill vi istället undersöka om vi kan bädda in artificiella neuronnät i mjukvaran eftersom vi vet att de är exceptionellt bra på att lösa komplexa icke-linjära problem i kombination med övervakad maskininlärning. För att övervaka och träna nätverket så måste vi först erhålla rotor temperaturen i en experimentiell miljö med en temperatur sensor. Sedan så kan vi bädda in modellen i mjukvaran för en elektrisk inverterare skapad av Inmotion med ett mikrokontroller ramverk. På så vis så kan vi göra förutsägelser av rotor temperaturen utan behovet av en sensor. Genom att använda medelkvadratfelet och en form av flerstegs validering så kan vi applicera ett korrigerat t-test för att jämföra och göra en statistisk evaluering av modellerna. Resultaten i denna studie visar på att en maskininlärning modell kan användas för att ersätta den nuvarande traditionella modellen som baserar sig på stator temperatur. Vi finner att när stator och rotor temperatur och okorrolerade och olika så generaliserar maskininlärningsmodellen mycket mer exakt och klarar t-testet med en alpha gräns på α = 0.05. Resultaten visar också på att den erhållna rotor temperaturen kan användas som en pålitlig inmatning för att estimera säkert vridmoment genom att evaluera mätningar från en riktig motor med ett realistiskt säkerhetskrav.