La detección/diagnóstico de fallas se ha convertido en una función crucial del sistema de gestión de baterías (BMS) debido a la creciente aplicación de baterías de iones de litio (LIBs) en aplicaciones altamente sofisticadas y de alta potencia para garantizar el funcionamiento seguro y confiable del sistema. La aplicación de Machine Learning (ML) en el BMS de LIB ha sido adoptada desde hace tiempo para la predicción eficiente, confiable y precisa de varios estados importantes de LIB como el estado de carga, el estado de salud y la vida útil restante. Inspirado por algunas de las características prometedoras de las técnicas basadas en ML sobre los métodos convencionales de detección/diagnóstico de fallas de LIB como las técnicas basadas en modelos, basadas en conocimiento y basadas en procesamiento de señales, los métodos basados en datos impulsados por ML han sido un enfoque de investigación principal en los últimos años. Este documento ofrece una revisión exhaustiva exclusivamente sobre las técnicas de detección/diagnóstico de fallas basadas en datos y en ML de vanguardia para proporcionar una referencia y dirección listas a la comunidad de investigación que apunta hacia el desarrollo de una estrategia de diagnóstico de fallas precisa, confiable, adaptable y fácil de implementar para el sistema LIB. También se explican los problemas actuales de las estrategias existentes y los desafíos futuros del diagnóstico de fallas de LIB para una mejor comprensión y orientación.