El estado actual de la monitorización de la condición de los motores de última generación se basa en un mínimo de un punto de datos en estado estable por vuelo. Debido a la escasez de puntos de datos disponibles, existen dificultades para distinguir entre dispersión aleatoria y un fallo subyacente, lo que introduce una latencia de detección de varios vuelos. La mayor disponibilidad de hardware de adquisición de datos en los aviones modernos proporciona mediciones en vuelo muestreadas de forma continua, los llamados datos de vuelo completo. Estos datos de vuelo completo permiten acceder a suficientes puntos de datos para detectar fallos dentro de un solo vuelo, mejorando significativamente la disponibilidad y seguridad de las aeronaves. Se considera que las redes neuronales artificiales son adecuadas para el análisis oportuno de una gran cantidad de datos entrantes. Este artículo propone la cuantificación de la incertidumbre para redes neuronales artificiales, lo que conduce a una detección de fallos más confiable y robusta. Un enfoque existente para aproximar la incertidumbre aleatoria fue ampliado mediante una detección de fuera de distribución para tener en cuenta la incertidumbre epistémica. El método fue evaluado estadísticamente y se realizó una búsqueda en cuadrícula para evaluar combinaciones óptimas de parámetros que maximicen las tasas de detección de verdaderos positivos. Todos los casos de prueba se derivaron de mediciones en vuelo de un jet regional operado comercialmente. Especialmente cuando se requieren bajas tasas de detección de falsos positivos, las detecciones verdaderas positivas podrían mejorarse 2.8 veces mientras se mejoran los tiempos de respuesta en aproximadamente 6.9 en comparación con métodos que solo tienen en cuenta la incertidumbre aleatoria.