La fiabilidad de los vehículos eléctricos (EVs) es crucial para el rendimiento y la seguridad de los sistemas de transporte modernos. Los motores eléctricos son la fuerza motriz en los EVs, y su mantenimiento es fundamental para un rendimiento eficiente de los EVs. Los métodos convencionales de detección de fallas en los motores a menudo tienen dificultades para capturar con precisión los patrones de vibración espacio-temporales complejos. Este artículo propone una red neuronal convolucional recurrente (RCNN) para una detección efectiva de defectos en los motores, aprovechando los avances en técnicas de aprendizaje profundo. El enfoque propuesto aplica capas de memoria a corto y largo plazo (LSTM) para capturar la dinámica temporal esencial para la detección de fallas y capas de red neuronal convolucional para extraer características locales de los datos de vibración segmentados. Este método híbrido ayuda al modelo a aprender representaciones y correlaciones complicadas dentro de los datos, lo que conduce a una detección de fallas mejorada. El desarrollo y la prueba del modelo se realizan utilizando un conjunto de datos considerable que incluye varios tipos de defectos en motores bajo diferentes escenarios operativos. Los resultados demuestran que, en términos de precisión en la detección de fallas, la estrategia propuesta basada en RCNN funciona mejor que las técnicas tradicionales de detección de fallas. El rendimiento del modelo se evalúa bajo diferentes niveles de ruido en los datos de vibración para garantizar aún más su efectividad en aplicaciones prácticas.