A lo largo de su vida útil, un motor a reacción experimentará una serie de condiciones de salud debido a la inevitable degradación del rendimiento de sus componentes principales, y las características se desviarán de sus estados iniciales. Para mejorar la precisión de seguimiento del modelo de motor a bordo de autoajuste en las variables de salida del motor a lo largo de la vida útil del motor, se propuso en este artículo un nuevo método basado en el índice de separabilidad y el algoritmo de búsqueda inversa. Al utilizar este método, se creó un conjunto de entrenamiento calificado de redes neuronales sobre la base de la base de datos eSTORM (Modelo en Tiempo Real a Bordo de Autoajuste Mejorado), y se puede resolver el problema de que la precisión de las redes neuronales se reduce o incluso que el proceso de entrenamiento no converge. En comparación con el método de introducción de factores de memoria de muestra, el método propuesto en este artículo hace que el modelo a bordo de autoajuste mantenga una mayor precisión de seguimiento durante toda la vida del motor, y el algoritmo es lo suficientemente simple para su implementación. Finalmente, el centro del conjunto de entrenamiento generado en el proceso de cálculo del método propuesto podría utilizarse para el monitoreo en tiempo real de los parámetros de la trayectoria de gas del motor sin cálculos adicionales. En comparación con el método de ventana deslizante comúnmente utilizado, el método propuesto evita el problema de baja eficiencia del algoritmo causado por la escasez de muestras de datos anómalos.