Los drones se utilizan cada vez más en varias industrias, incluyendo rescate, lucha contra incendios y agricultura. Si el motor conectado a la hélice de un dron se daña, existe un riesgo de que el dron se estrelle. Por lo tanto, para prevenir tales incidentes, se requiere una herramienta de predicción precisa y rápida de las vibraciones del motor en los drones. En este estudio, se recopilaron datos de vibración normales y anormales del motor conectado a la hélice de un dron. El período y la amplitud de las vibraciones son consistentes en las vibraciones normales, mientras que son irregulares en las vibraciones anormales. Los datos de vibración recopilados se utilizaron para entrenar seis técnicas de red neuronal recurrente (RNN): memoria a corto y largo plazo (LSTM), atención-LSTM (Attn.-LSTM), LSTM bidireccional (Bi-LSTM), unidad recurrente con compuertas (GRU), atención-GRU (Attn.-GRU) y GRU bidireccional (Bi-GRU). Luego, se analizó el tiempo de ejecución de la simulación que tomó cada técnica de RNN para predecir las vibraciones y la precisión de las vibraciones predichas para comparar el rendimiento del modelo RNN. Basándose en los resultados de la simulación, las técnicas Attn.-LSTM y Attn.-GRU, que incorporan el mecanismo de atención, tuvieron la mejor eficiencia en comparación con las técnicas convencionales LSTM y GRU, respectivamente. El mecanismo de atención calcula la similitud entre el valor de entrada y el valor a predecir de antemano y refleja la similitud en la predicción.