Las baterías de iones de litio (LIB) son la tecnología más avanzada para sistemas de almacenamiento de energía. Las LIB pueden almacenar energía durante más tiempo, con mayor densidad y capacidad de potencia que otras tecnologías. A pesar de eso, son sensibles a abusos y fallos. Si el sistema de gestión de baterías (BMS) opera incorrectamente o aparecen algunas anomalías, se pueden observar problemas de rendimiento y seguridad en las LIB. Los BMS también están programados de forma rígida, tienen circuitos complejos y cuentan con bajos recursos computacionales, lo que limita el uso de sistemas de pronóstico y diagnóstico que operan en tiempo real y están integrados en el vehículo. Por lo tanto, algunas tecnologías, como la computación en la nube y en el borde, enfoques basados en datos y modelos de aprendizaje automático (ML), pueden aplicarse para ayudar al BMS a gestionar las LIB. Por lo tanto, este trabajo presenta un sistema de computación en la nube y en el borde compuesto por dos enfoques de ML (detección de anomalías y clasificación de fallos) para identificar los abusos en las LIB en tiempo real. Para validar el trabajo, se utilizaron 36 celdas NMC con una capacidad nominal de 2200 mAh y un voltaje de 3.7 V para construir los experimentos segmentados en tres pasos. En primer lugar, se realizaron 12 experimentos bajo fallos, lo que resultó en una alta pérdida de capacidad. Luego, los datos se utilizaron para construir ambos modelos de ML. En el segundo paso, se aplicó el enfoque de anomalías a 12 celdas observando las anomalías de temperatura de las celdas. Luego, se aplicó la combinación de IF y RF a otras 12 celdas. El IF pudo reducir la pérdida de capacidad en aproximadamente un 45% cuando se aplicaron múltiples abusos a las celdas. A pesar de eso, este enfoque no pudo evitar algunos fallos, como la sobredescarga. Por el contrario, combinar IF y RF pudo reducir significativamente la pérdida de capacidad en un 91% para los múltiples abusos. Los resultados concluyeron que el ML podría ayudar al BMS a identificar fallos en la primera etapa y reducir la pérdida de capacidad en las LIB.