La detección y diagnóstico de fallas (FDD) es de suma importancia para garantizar la seguridad y fiabilidad de los vehículos eléctricos (EVs). El tren motriz y el almacenamiento de energía del EV, a saber, el sistema de motor eléctrico y la batería, son componentes críticos que son susceptibles a diferentes tipos de fallas. No detectar y abordar estas fallas de manera oportuna puede llevar a malfuncionamientos del EV y potencialmente a accidentes catastróficos. En el ámbito de las aplicaciones de EV, los Motores Sincrónicos de Imán Permanente (PMSMs) y los paquetes de baterías de iones de litio han atraído una atención significativa. En consecuencia, los métodos de detección de fallas para los PMSMs y sus accionamientos, así como para los paquetes de baterías de iones de litio, se han convertido en un área prominente de investigación. Un enfoque efectivo de FDD debe poseer cualidades como precisión, velocidad, sensibilidad y rentabilidad. Las técnicas tradicionales de FDD incluyen métodos basados en modelos y métodos basados en señales. Sin embargo, los enfoques basados en datos, incluidos los métodos basados en aprendizaje automático, han ganado recientemente impulso debido a sus prometedoras capacidades en la detección de fallas. Este documento tiene como objetivo proporcionar una visión general completa de las posibles fallas en los accionamientos de motores de EV y los sistemas de baterías, al tiempo que revisa la última investigación de vanguardia en detección de fallas de EV. La información presentada aquí puede servir como una referencia valiosa para futuros esfuerzos en este campo.