En la industria, los motores eléctricos como el motor de inducción de jaula de ardilla (SCIM) generan energía motriz y son particularmente populares debido a su bajo costo de adquisición, resistencia y robustez. Junto con estos beneficios, tienen costos de mantenimiento mínimos y pueden funcionar durante períodos prolongados antes de requerir reparación y/o mantenimiento. La detección temprana de fallas en los SCIM, especialmente en condiciones de baja carga, ayuda aún más a minimizar los costos de mantenimiento y mitigar fallas abruptas del equipo cuando se aumenta la carga. La investigación reciente sobre estos dispositivos se centra en la diagnóstico de fallas con el objetivo de reducir el tiempo de inactividad, minimizar costos y aumentar la utilidad y productividad. El mantenimiento predictivo basado en datos ofrece un camino confiable para la monitorización inteligente, mediante el cual las señales generadas por el equipo se utilizan para la detección y aislamiento de fallas (FDI). En particular, el análisis de la firma de corriente del motor (MCSA) proporciona un camino confiable para extraer y/o explotar información discriminante de las señales para FDI y/o diagnóstico de fallas. Este estudio presenta un marco de diagnóstico de fallas que explota las características espectrales subyacentes siguiendo el MCSA y la clasificación inteligente para el diagnóstico de fallas basado en características espectrales extraídas. Los resultados muestran que las características extraídas reflejan las condiciones de falla del motor de inducción con un rendimiento diagnóstico significativo (tasa mínima de falsas alarmas) de modelos inteligentes, de los cuales el clasificador de bosque aleatorio (RF) fue el más preciso, con una precisión del 79.25%. Una evaluación adicional de los modelos mostró que RF tenía el mayor costo computacional de 3.66 s, mientras que NBC tenía el más bajo en 0.003 s. Se realizaron otras evaluaciones empíricas significativas, y los resultados respaldan la validez de la técnica FDI propuesta.