La desmagnetización de los imanes del rotor es un modo de falla significativo que puede ocurrir en máquinas síncronas de imán permanente (PMSMs). La detección temprana de fallas por desmagnetización puede ayudar a cambiar los parámetros del sistema para reducir la salida de potencia o garantizar la seguridad. En este artículo, se analizaron los efectos de las fallas por desmagnetización tanto en simulaciones como en experimentos utilizando el ejemplo de motores de drones. Se investigó un enfoque para detectar incluso fallas menores de desmagnetización que no requieren ningún esfuerzo adicional de detección. Se utilizan técnicas de aprendizaje automático (ML) para analizar los datos de corriente de fase recibidos directamente del inversor para habilitar la detección de anomalías. Para este propósito, la corriente de fase se transforma mediante la Transformada Rápida de Fourier (FFT), los datos espectrales se reducen en dimensionalidad, seguido de un algoritmo de detección de anomalías utilizando una máquina de soporte vectorial de una clase (OC-SVM). Para garantizar una inicialización simplificada del modelo de ML sin la necesidad de conjuntos de entrenamiento de unidades dañadas, solo se utilizaron datos de motores magnéticamente no dañados para entrenar los modelos de detección de anomalías. Se investigaron diferentes selecciones de armónicos considerados y diferentes métricas utilizando los datos experimentales, logrando una precisión de hasta el 99%, una especificidad de hasta el 98% y una exactitud de hasta el 90%.