Como una tendencia tecnológica moderna, los vehículos aéreos no tripulados (VANT) se utilizan ampliamente en diversas aplicaciones. El propósito principal de los sistemas de monitoreo de condiciones, el diagnóstico proactivo de fallas, es esencial para garantizar la seguridad de los VANT en estas aplicaciones. En esta investigación, los sistemas de monitoreo de salud adaptativos realizan diagnóstico y clasificación de fallas en el balanceo de las hélices. Parece haber una imprevisibilidad bidireccional dentro de cada uno, y este documento propone un esquema híbrido basado en wavelet discreto transformado y una red neuronal profunda (DNN) con múltiples capas ocultas para compensarlo. Se extraen datos etiquetados de alta calidad, a gran escala y completos de un cuadcóptero en vuelo estacionario incorporado con un sensor acelerómetro a través de trabajo experimental. Se investigó una estrategia de diagnóstico inteligente basada en datos. Se adquirieron características estadísticas de un análisis de multi-resolución de seis niveles no estacionario en tres ejes. Se adoptaron dos métodos importantes de selección de características para minimizar el tiempo de cálculo y mejorar la precisión de clasificación al progresar hacia un modelo de inteligencia artificial (IA) para el diagnóstico de fallas. El enfoque sugerido ofrece un potencial excepcional: el sistema de detección de fallas identifica y predice fallas con precisión, ya que la precisión de clasificación del 91% resultante supera las estrategias actuales de diagnóstico de fallas de última generación. El modelo propuesto demostró aplicabilidad operativa en cualquier VANT multirrotor de elección.