Der Drohne wurde für vielfältige Anwendungen eingesetzt, darunter militärische Einsatzgebiete, Luftaufnahmen und Pflanzenschutzspritzungen. Dennoch ist die Drohne anfällig für äußere Störungen, und Ausfälle von Propellern sowie Motoren treten leicht auf. Um die Sicherheit von Drohnenoperationen zu verbessern, ist eine Echtzeit-Erkennung mechanischer Störungen erforderlich. In diesem Beitrag wird ein auf Schall basierender tiefes neuronales Netzwerk (DNN)-Störungsklassifikator sowie ein Datensatz von Drohnen-Schallaufnahmen vorgestellt. Der Datensatz wurde durch Aufnahme der Betriebsgeräusche von drei unterschiedlichen Drohnen in einer schalltoten Kammer unter Verwendung von Mikrofonen erstellt. Er umfasst eine Vielzahl von Betriebsbedingungen, darunter Flugrichtungen (vorwärts, rückwärts, rechts, links, im Uhrzeigersinn, gegen den Uhrzeigersinn) sowie Störungen an Propellern und Motoren. Die Drohnen-Schallsignale wurden anschließend mit Geräuschen kombiniert, die an fünf verschiedenen Orten auf dem Universitätsgelände aufgezeichnet wurden, wobei das Signal-Rausch-Verhältnis (SNR) zwischen 10 dB und 15 dB variierte. Unter Verwendung des erfassten Datensatzes wurde ein DNN-Klassifikator, 1DCNN-ResNet, trainiert, der anhand kurzer Eingabewellenformen die Art und Lage mechanischer Störungen klassifiziert. Zur Verbesserung der Generalisierbarkeit des Klassifikators wird Multitask-Lernen (MTL) eingesetzt, wobei die Klassifikation der Flugrichtung als Hilfsaufgabe integriert wird, um das Modell zur Lernung allgemeiner Audio-Features zu befähigen. Die Tests an bisher unbekannten Daten zeigen, dass das vorgeschlagene Multitask-Modell Störungen an Drohnen erfolgreich klassifizieren kann und selbst bei geringerem Trainingsdatenvolumen die Leistung einzelner Aufgaben übertrifft.