A medida que los vehículos eléctricos (VE) crecen, el diagnóstico de fallos en su motor de tracción se vuelve más importante para tener un rendimiento y seguridad óptimos. Los métodos tradicionales de detección de fallos sufren principalmente de altas tasas de falsos positivos y falsos negativos, complejidad computacional y falta de transparencia en los métodos de toma de decisiones. Además, los modelos existentes también son pesados e ineficientes. Se presenta un marco ligero para el diagnóstico de fallos en motores de tracción de VE con la ayuda de Eliminación Recursiva de Características con Validación Cruzada (RFE-CV), optimización de parámetros y preprocesamiento en profundidad. Además, optimizamos los modelos y su combinación a un Clasificador Híbrido de Votación Suave. Estas técnicas se aplicaron a un conjunto de datos de 40,040 entradas que habían sido simuladas por un modelo de Variador de Frecuencia (VFD). Evaluamos ocho modelos de aprendizaje automático, y nuestro Clasificador de Votación Suave propuesto tiene la mayor precisión de prueba del 94.52% y una puntuación Kappa de 0.9210 en rendimiento diagnóstico. Además, el modelo tiene un uso mínimo de memoria y baja latencia de inferencia. Además, se utilizaron Explicaciones Locales Interpretables Independientes del Modelo (LIME) para mejorar la transparencia y obtener una comprensión de las decisiones tomadas a través del Clasificador de Votación Suave. También, el marco fue validado por un conjunto de datos adicional del mundo real, confirmando aún más su robustez y consistencia en el rendimiento para diferentes condiciones, lo que indica la generalizabilidad del marco en aplicaciones del mundo real. Se encontró que RFE-CV es muy efectivo en la selección de características y ayuda a construir un modelo de votación en conjunto ligero y rentable para mejorar el diagnóstico de fallos en motores de tracción de VE, superando su insatisfactoria transparencia, precisión y eficiencia computacional. Finalmente, contribuye al desarrollo de sistemas de VE más seguros y confiables a través del desarrollo de modelos supervisados en menos características para dar un tiempo de computación que sea un poco más ligero sin comprometer su rendimiento diagnóstico.