Este artículo presenta un enfoque novedoso para detectar y aislar actuadores defectuosos en UAVs multirrotor altamente redundantes utilizando modelos de Redes Neuronales Profundas (DNN) en cascada. El marco propuesto de Detección y Aislamiento de Fallos (FDI) combina la detección de fallos basada en Memoria a Largo y Corto Plazo (LSTM) y modelos localizadores de actuadores defectuosos para lograr un monitoreo en tiempo real. El estudio se centra en un UAV multirrotor Hexadecarotor equipado con dieciséis rotores. Para abordar la complejidad del FDI resultante de la redundancia, se introduce una técnica de particionamiento basada en la dinámica del sistema. El esquema FDI propuesto está compuesto por un modelo clasificador de regiones responsable de detectar fallos y modelos localizadores de fallos que determinan con precisión la ubicación del actuador fallido. Un extenso entrenamiento y prueba de los modelos demuestran una alta precisión, con el modelo clasificador regional alcanzando un 98.97% de precisión y el modelo localizador de fallos alcanzando un 99.107% de precisión. Además, el esquema se integró en el sistema de control de vuelo del UAV, antes de ser probado tanto mediante monitoreo en tiempo real en el entorno de simulación como mediante el análisis de datos de vuelo real grabados. Los modelos exhiben un rendimiento notable en la detección y localización de fallos inyectados. Por lo tanto, utilizando modelos DNN y la técnica de particionamiento, esta investigación ofrece un método prometedor para detectar y aislar con precisión actuadores defectuosos, mejorando así el rendimiento general y la fiabilidad de los UAVs multirrotor altamente redundantes en diversos escenarios operativos.