La detección de fallos es un área de investigación crítica, especialmente en el sector automotriz, que tiene como objetivo evaluar rápidamente las condiciones de los componentes. Las técnicas de Aprendizaje Automático, impulsadas por la Inteligencia Artificial, representan ahora métodos de vanguardia para este propósito. Este estudio se centra en las pruebas de durabilidad de Motores Síncronos de Imán Permanente para aplicaciones automotrices, utilizando Autoencoders (AEs) para predecir y prevenir fallos. Esta estrategia de detección de fallos basada en IA emplea señales de aceleración provenientes de motores eléctricos probados en condiciones desafiantes con variaciones significativas en el par y la velocidad. Este enfoque va más allá de la detección de fallos típica en condiciones de estado estacionario. Basado en una revisión de Redes Neuronales, incluyendo Autoencoders Variacionales (VAEs), Redes Neuronales Convolucionales (CNNs) y redes de Memoria a Largo y Corto Plazo (LSTM), se compara el rendimiento de seis arquitecturas de IA: AE, VAE, 1D CNN AE, 1D CNN VAE, LSTM AE y LSTM VAE. El 1D CNN AE superó a las otras redes en la detección de fallos, mostrando alta precisión, estabilidad y eficiencia computacional. El modelo está integrado en un algoritmo para el monitoreo de fallos en semi-tiempo real. El algoritmo detecta eficazmente fallos potenciales en motores en escenarios del mundo real, incluyendo fallos en rodamientos, desalineaciones mecánicas y desgaste progresivo de componentes, previniendo proactivamente daños y reduciendo a la mitad el tiempo de inactividad del banco de pruebas.