Im vorliegenden Vorhaben sollen dezentral lauffähige Machine Learning (ML) Algorithmen für Embedded und Edge Devices entwickelt werden. Die Auswahl und der Einsatz von ML-Algorithmen hängt wesentlich vom Ziel, den zur Verfügung stehenden Informationen und damit von der Anwendung ab. Die in diesem Vorhaben betrachteten Use Cases sind die intelligente Qualitätsprädiktion von Profilummantelungsmaschinen und die vorausschauende Wartung von ausfallkritischen Komponenten in fördertechnischen Anwendungen, wie z.B. Schlupf von Reibrädern und Antriebsriemen durch Verschleiß oder Schäden an Lagern und Getrieben. Diese beiden Use Cases befinden sich auf Maschinen- bzw. Komponentenebene. Daher muss der Einsatz von ML auf den begrenzten Ressourcen der Komponente (Embedded Device) bzw. der Maschine (Edge Device) erfolgen, um die ML-Technologien in die Produkte und in die Produktionsmaschine zu bringen. Ein wesentliches Ziel dieses Vorhabens ist daher die Entwicklung und Umsetzung von Lernverfahren in verteilten, eingebetteten Systemen unter Berücksichtigung von Ressourcenbeschränkungen. Ausgangspunkt hierfür sind Daten und aus multimodalen, aktiven Sensorsystemen mit eingebetteten, realzeitfähigen Datenanalysemethoden, die mit ML-Methoden aufgewertet werden. Diese Daten sollen lokal in der Maschine oder der Komponente weiterverarbeitet werden und damit eine datenzentrierte Automation des Maschinen- und Anlagenbaus entwickelt werden.