در دهه های اخیر کاربرد توربین های گازی در صنعت از رشد چشمگیری برخوردار بوده است. این مسئله اهمیت حفظ و نگهداری بهینه آنها و جلوگیری از بروز هرگونه اختلال در عملکرد این سیستم ها را به وضوح روشن می نماید. بدین منظور در سالهای اخیر در حوزه بهینه سازی فرآیند کنترل این تجهیزات صنعتی و جلوگیری از وقوع هرگونه خطا در عملکرد آنها و نیز تشخیص به هنگام خطای ایجاد شده تلاش های بسیاری صورت گرفته است. در یک نگاه کلی مطالعات موجود در زمینه سیستمهای تشخیص خطا را می توان به دو شاخه روش های کلاسیک و هوشمند طبقه بندی نمود. در سالهای اخیر استفاده از روشهای هوشمند مانند سیستمهای فازی، شبکه های عصبی و الگوریتم ژنتیک به دلیل عملکرد بهتر آنها در تشخیص خطا مورد اقبال بیشتری قرار گرفته است. توسعه سیستم تشخیص و جداسازی خطا در این پایان نامه در دو بخش صورت گرفته است. ابتدا با تعریف چند حالت رایج خطا در یک مدل ساده توربین گازی تک محوره، یک سیستم جداساز خطا با استفاده از شبکه عصبی پرسپترون چندلایه طراحی گردیده و حالات مختلف خطا به درستی و در زمان مناسب (چند ثانیه) تشخیص داده شده است. در ادامه مدل نسبتا پیچیده ای از یک توربین گازی صنعتی معرفی شده و خطاهای گوناگون تعریف شده در مدل مورد بررسی قرار گرفته و با استفاده از ساختارهای شبکه عصبی مختلف، مدلسازی جدیدی از سیستم صورت گرفته است. در این بخش با افزودن ساختارهای دینامیکی به ورودیهای موثر مدل، قابلیت شبکه عصبی در یادگیری کامل تغییرات نقطه کار سیستم اثبات شده است. در ادامه با مقایسه خروجیهای دو مدل، مانده های مورد نیاز تشکیل شده اند و با استفاده از سیستم مقایسه کننده، نوع خطای ایجاد شده در مدل توربین تعیین شده است. در نهایت با ارزیابی سیستمهای توسعه داده شده، توانایی شبکه های عصبی در پایش عملکرد توربینهای گازی به خوبی نشان داده شده است. همچنین با ارائه تحلیلی دقیق از مانده ها، در مورد زمان پاسخ دهی سیستم در شرایط کاری مختلف اظهارنظر شده است.