مدیریت سلامت و پیشبینی عیوب به عنوان یکی از گزاره های اصلی نگهداری و تعمیرات پیشگویانه، نقش ویژه ای به منظور شناسایی، تشخیص و پیشبینی وضعیت سلامت انواع دارایی های فیزیکی ایفا می نماید. ارزیابی وضعیت سلامت انواع دارایی ها در صنعت هوایی، با هدف ارائه برنامه های نگه داشت، از طریق برآورد وضعیت زوال/ تخریب یکی از راهکارهای اساسی است. در این مطالعه، با توجه به محدودیت ها و عدم قطعیت های موجود در روش های مرسوم پیشبینی در حوزه تعیین روند زوال تجهیزات، یک مدل توسعهیافته شبکه عصبی مصنوعی با محوریت مفهوم یادگیری عمیق و مقایسه آن با سایر روش های مرسوم ارائه شد. نتایج مقایسه ای نشان داد که روش شبکه عصبی پرسپترون عمیق با دقت پیشبینی 94 درصد دارای عملکرد بالایی در تعیین روند زوال در موتورهای توربینی هواپیما در مقایسه با سایر روش های مرسوم داشته است. نتایج حاصل از این تحقیق می تواند در پیشبینی عمر مفید باقیمانده و نیز ارائه برنامه های مناسب نگه داشت در تجهیزات صنایع هوایی مورد استفاده باشد.