موتورهای پیشرانش به عنوان نیروی محرکه در هواپیماها و موشک های کروز مورد استفاده قرار می گیرند. از آن جا که این موتورها در یک سیکل ترمودینامیکی با هوا (به عنوان سیال کاری) کار می کنند، از نظر کارایی دارای محدوده وسیعی می باشند. با توجه به این موضوع، ارزیابی موتور از نظر ایمنی کاری و نیز اطمینان از عدم وجود عیب و خرابی در یک شرایط معین کاری بسیار مهم می باشد. آنالیز پارامترهای ترمودینامیکی روندی است که در سال های اخیر در این بحث مورد پیگیری بوده است. برای آنالیز خرابی موتور، روش های مختلفی از جمله روش تشکیل ماتریس خطا، آنالیز مسیر گاز، مدل سازی ریاضی و نیز استفاده از سیستم های هوشمند، وجود دارد. استفاده از سیستم های هوشمند و به خصوص شبکه های عصبی، بدلیل فراوانی داده ها و نیز محدوده وسیع کاری یک موتور بسیار کارا و مفید می باشد. علت دیگر این امر ماهیت احتمالی وقوع عیب است که باعث استفاده از شبکه های عصبی در این پروژه شده است. در این جا ابتدا یک مدل ریاضی موتور جت استخراج می گردد و سپس با استفاده از داده های پروازی موتور(مخصوصا در حالاتی که به همراه خرابی مشخص بوده است)، یک شبکه عصبی آموزشی، انتخاب و تست گردیده است. شبکه عصبی استفاده شده در این پروژه شبکه پرسپترون سه لایه می باشد که صرفا به دنبال گروه بندی عیوب و تشخیص حالت سالم می باشد. علت استفاده از این نوع شبکه سادگی و کارایی در گروه بندی مص عیب می باشد. نتیجه ای این رویه، تهیه یک شبکه عصبی که قابلیت تکامل جهت عیب یابی موتورهای پیشرانه را دارد، می باشد.