Se han elegido varios tipos de motores de turbina como la fuente de energía principal de los vehículos aéreos no tripulados (UAV) de larga duración debido a su alta eficiencia propulsiva y bajo consumo específico de combustible. Para garantizar el funcionamiento saludable de los motores de turbina de los UAV, se debe monitorear el desbalance del rotor y restringirlo a un límite preestablecido. Este artículo propone un método eficiente y físicamente interpretable para lograr el monitoreo del desbalance del rotor. Este método permite que la función de respuesta en frecuencia (FRF) informe el diseño de la red neuronal, dando lugar a la red neuronal convolucional informada por la física (PICNN). En primer lugar, la FRF proporciona un juicio cualitativo de las posiciones axiales de las partes defectuosas dominantes. Luego, la siguiente subred procede a lograr una identificación cuantitativa. Este método se demuestra en una serie de casos numéricos y en un montaje experimental de rotor de disco doble con rigidez de soporte anisotrópica. Este montaje es representativo del estado de instalación del motor en la plataforma UAV. Los resultados muestran que la PICNN puede lograr una mayor precisión en comparación con los benchmarks puramente basados en datos o en modelos. La capa PI no requiere un modelo de alta fidelidad que genere respuestas idénticas a las reales. Se demuestra la robustez frente a errores de modelado en las relaciones de rigidez y amortiguamiento. Los errores relativos alcanzados son inferiores al 1.5% en diversos conjuntos de datos experimentales.