Este estudio aborda la creciente necesidad de monitorizar y asegurar el funcionamiento fiable de los convertidores electrónicos en vehículos eléctricos (“Electric Vehicles”, EV), elementos cruciales en la transición hacia una movilidad más eficiente y sostenible. Con la rápida adopción de los EV, garantizar que estos sistemas electrónicos operen sin fallos se ha vuelto imprescindible para asegurar la seguridad del vehículo y sus ocupantes. El objetivo principal de la investigación es evaluar la efectividad del uso de técnicas de aprendizaje automático (“Machine Learning”, ML) para supervisar y detectar fallos en los convertidores de tipo “Dual Active Bridge” (DAB), componentes clave en los sistemas electrónicos de potencia para EV. Para ello, se analizan y comparan diferentes modelos de ML, incluyendo métodos tradicionales como Random Forest Classifier, Regresión Lineal, “Support Vector Machines” (SVM) y redes neuronales basadas en aprendizaje profundo (DL, Deep Learning). La metodología consiste en la obtención de datos experimentales simulando condiciones reales de funcionamiento, así como simulaciones donde se inducían distintos tipos de fallos. Estos datos se utilizan para entrenar, validar y probar los diferentes modelos. La evaluación incluyó análisis de precisión, robustez y capacidad de generalización de cada técnica. Se ha puesto a prueba este estudio llevándolo a la práctica. Modelos de aprendizaje automático han sido entrenados para la detección de fallos y se han englobado en un sistema el cual, ha sido capaz de detectar fallos en un convertidor de potencia, concretamente la topología DAB. En conclusión, las técnicas de aprendizaje automático, particularmente aquellas basadas en aprendizaje profundo, proporcionan una solución efectiva y adaptable para la supervisión inteligente de convertidores electrónicos en vehículos eléctricos. Este enfoque no solo permite detectar fallos, sino que también contribuye significativamente a mejorar la seguridad y la fiabilidad general del sistema eléctrico de los vehículos, promoviendo una movilidad eléctrica más fiable y sostenible