Los drones son una tecnología prometedora que realiza diversas funciones, que van desde la fotografía aérea hasta la respuesta a emergencias, requiriendo métodos de diagnóstico de fallos rápidos para mantener la continuidad operativa y minimizar el tiempo de inactividad. Esto optimiza los recursos, reduce los costos de mantenimiento y aumenta las tasas de éxito de las misiones. Entre estos métodos, se han utilizado durante mucho tiempo enfoques tradicionales como la inspección visual o las pruebas manuales. Sin embargo, en los últimos años, los métodos de representación de datos, como los sistemas de aprendizaje profundo, han logrado un éxito significativo. Estos métodos aprenden patrones y relaciones, mejorando el diagnóstico de fallos, pero también enfrentan desafíos con la complejidad de los datos, las incertidumbres y las complejidades de modelado. Este artículo aborda estos desafíos específicos al introducir un método de aprendizaje de representación eficiente denominado Expansión Recurrente Aumentada del Multiverso (MVA-REX), que permite una comprensión iterativa tanto de las representaciones de aprendizaje como de los comportamientos del modelo y una mejor comprensión de las dependencias de los datos. Además, este enfoque implica la Optimización Bayesiana de la Incertidumbre (UBO) bajo la Máquina de Aprendizaje Extremo (ELM), una herramienta de entrenamiento de redes neuronales más ligera, para abordar tanto las incertidumbres en los datos como reducir las complejidades de modelado. Se involucran tres conjuntos de datos realistas registrados basados en emisiones acústicas para abordar fallos en hélices y motores de drones en condiciones realistas. El UBO-MVA Extreme REX (UBO-MVA-EREX) se evalúa bajo muchas métricas de error, métricas de matriz de confusión, métricas de costo computacional y cuantificación de incertidumbre basada en características de intervalo de confianza y predicción. La aplicación comparada con la conocida memoria a corto y largo plazo (LSTM), bajo la optimización bayesiana del error de aproximación, demuestra el rendimiento, la certeza y la eficiencia de costos del esquema propuesto. Más específicamente, la precisión obtenida por UBO-MVA-EREX, ~0.9960, supera la precisión de LSTM, ~0.9158, en ~8.75%. Además, el tiempo de búsqueda para UBO-MVA-EREX es de ~0.0912 s, lo que es ~98.15% más rápido que LSTM, ~4.9287 s, lo que lo hace altamente aplicable para tareas tan desafiantes de diagnóstico de fallos basadas en señales de emisión acústica de drones.