با پیشرفت علم الکترونیک و گسترش استفاده از آن در خودرو، به منظور هماهنگی بیشتر در عیب یابی، خودروسازان و دیگر سازمانهای مربوطه، استانداردی به نام obd را به وجود آوردند. سطح بالاتر این استاندارد، obd ii می باشد. یکی از مشکل ترین قوانین در این مقررات، تشخیص بدسوزی در موتور می باشد. از آنجا که بدسوزی آلودگی شدید ناشی از موتور را به دنبال دارد و همچنین موجب آسیب مکانیکی به قطعات موتور می شود، لذا پرهیز از آن بسیار با اهمیت می باشد. به همین دلایل امروزه در بخش طراحی کنترل کننده موتور، توجه به تشخیص بدسوزی از اهمیت بسیار بالایی برخوردار است، تا خودرو بتواند مقررات obd ii را ارضا نماید. در این پایان نامه، ابتدا مدل گسسته دینامیکی غیرخطی برای فرآیند احتراق موتور در نظر گرفته می شود. در این مدل، وقوع جرقه زنی نرمال یا بدسوزی به عنوان ورودی تحریک سیستم و نوسانات سرعت میل لنگ به عنوان خروجی سیستم در نظر گرفته می شود. سرعت جاری میل لنگ متناسب با رویداد جرقه زنی جاری و پیشین و همچنین سرعتهای گذشته است. چنانچه سیستم معکوسی از سیگنال نوسانات سرعت به سیگنال وقوع جرقه زنی بدست آید، به دلیل داشتن سیگنال به نویز بهتر در سیگنال خروجی نسبت به سیگنال ورودی، تشخیص بهتر انجام خواهد یافت. به منظور شناسایی سیستم از یک شبکه عصبی دینامیکی دو لایه استفاده شده است و از آنجایی که سیگنال های جرقه زنی گذشته بر روی سیگنال جرقه زنی فعلی تاثیر گذار است، مسیر فیدبکی از خروجی به ورودی در نظر گرفته می شود. و برای آموزش شبکه از قانون پس انتشار خطا استفاده می شود. مزیت این روش نرخ نمونه برداری پایین داده است، که یک نقطه داده در هر رویداد جرقه زنی می باشد. در یک موتور چهار سیلندر این نرخ معادل یک داده در هر 180 درجه چرخش میل لنگ است که به راحتی از کنترل کننده الکترونیکی موتور بدست می آید. داده ها که شامل سیگنال رویداد جرقه زنی، نوسانات سرعت میل لنگ، میانگین سرعت و میانگین فشار مطلق مانیفولد می باشند، در شرایط مختلف کارکرد موتور گرفته شده و بر اساس این داده ها آموزش شبکه انجام می پذیرد. مطابق نتایج بدست آمده در شبیه سازیها، شبکه به خوبی بدسوزیهای مختلف را تشخیص می دهد. با توجه به نرخ نمونه برداری بسیار پایین در این روش، در مقایسه با روش های دیگر که نیاز به نرخ نمونه برداری بسیار بالایی دارند، روش مناسبی برای تشخیص می باشد.