El fallo de la broca es una preocupación prominente en el proceso de perforación de cualquier mina, ya que puede llevar a un aumento en los costos de minería. A lo largo de los años, la detección del fallo de la broca se ha basado en las habilidades y la experiencia del operador, que son subjetivas y susceptibles a errores. Para mejorar la eficiencia de las operaciones mineras, es necesario implementar aplicaciones de inteligencia artificial para producir un método superior para el monitoreo de brocas. Esta investigación propone un nuevo y confiable método para detectar el fallo de la broca en taladros de percusión rotativa utilizando aprendizaje profundo: una red neuronal convolucional unidimensional (1D CNN) con aceleración temporal como datos de entrada. Se perforaron 18 m de roca granítica horizontalmente utilizando un taladro de roca y brocas de carburo de tungsteno intactas. La aceleración del tiempo de las vibraciones de la broca se midió utilizando sensores de aceleración montados en la celda guía del taladro de roca. El modelo de detección de fallos de la broca se evaluó en cinco condiciones de perforación: normal, defectuosa, abrasión, alta presión y desvío. El modelo logró una precisión de clasificación del 88.7%. El modelo propuesto se comparó con tres redes neuronales de aprendizaje profundo de última generación (SOTA). El modelo superó a los métodos SOTA en términos de precisión de clasificación. Nuestro método proporciona una forma automática y confiable de detectar fallos en la broca en taladros de percusión rotativa.