استُخدمت الطائرة المُسيرة في العديد من الأغراض، بما في ذلك التطبيقات العسكرية، والتصوير الجوي، ورش المبيدات الحشرية. ومع ذلك، فإن الطائرة المُسيرة عرضة للاضطرابات الخارجية، ويمكن أن تحدث أعطال في المراوح والمحركات بسهولة. ولتحسين سلامة عمليات الطائرات المُسيرة، ينبغي الكشف عن الأعطال الميكانيكية في الوقت الفعلي. تُقدّم هذه الورقة نموذجًا لتصنيف الأعطال القائم على الشبكة العصبية العميقة (DNN) يستند إلى الصوت، بالإضافة إلى مجموعة بيانات صوتية خاصة بالطائرات المُسيرة. تم بناء مجموعة البيانات من خلال جمع الأصوات الناتجة عن تشغيل الطائرات المُسيرة باستخدام ميكروفونات مثبتة على ثلاث طائرات مُسيرة داخل غرفة خالية من الانعكاسات (أنيكويك). وتتضمن مجموعة البيانات ظروف تشغيل متنوعة للطائرات، مثل اتجاهات الطيران (الأمامي، الخلفي، الأيمن، الأيسر، عقارب الساعة، عكس عقارب الساعة)، والأعطال في المراوح والمحركات. ثم تم خلط أصوات الطائرات المُسيرة مع أصوات ضوضاء تم تسجيلها في خمسة مواقع مختلفة على حرم الجامعة، بمعامل نسبة الإشارة إلى الضوضاء (SNR) يتراوح بين 10 ديسيبل و15 ديسيبل. وباستخدام مجموعة البيانات المُكتسبة، تم تدريب نموذج تصنيف DNN يُسمى 1DCNN-ResNet، والذي يصنف أنواع الأعطال الميكانيكية ومواقعها من موجات صوتية قصيرة. واستُخدم التعلم متعدد المهام (MTL)، مع إدراج مهمة تصنيف الاتجاه كمهام مساعدة، بهدف تمكين النموذج من تعلّم ميزات صوتية أكثر عمومية. وأظهرت نتائج الاختبار على بيانات غير مرئية أن النموذج المتعدد المهام المُقترح يمكنه تصنيف الأعطال في الطائرات المُسيرة بنجاح، وتفوق النماذج ذات المهمة الواحدة حتى عند استخدام كميات أقل من البيانات التدريبية.