Enfocándose en la identificación de la estabilidad de sistemas dinámicos, se propone en esta investigación un modelo híbrido de red neuronal para el fenómeno de la pérdida de rotación en un compresor axial. Basado en la fusión de datos de la amplitud del modo espacial, la propiedad no lineal se caracteriza bien en la extracción de características de la pérdida de rotación. Este método de procesamiento de datos puede evitar eficazmente el reconocimiento inexacto de sensores de medición únicos o múltiples que dependen únicamente de la presión. Con el análisis del modo espacial, se mostró una característica caótica en el desarrollo de la amplitud con el primer modo espacial. Con el requisito de revelar la esencia de este sistema dinámico, se adoptó una red neuronal híbrida de función de base radial (RBF) para representar las propiedades del sistema mediante el aprendizaje de inteligencia artificial. Combinando las ventajas de los métodos de K-means y Descenso de Gradiente (GD), se estableció el modelo de fusión Chaos-K-means-GD-RBF basado en la reconstrucción del espacio de fases de la secuencia caótica. En comparación con los dos métodos mencionados anteriormente, la precisión de cálculo se mejoró significativamente en el modelo híbrido de red neuronal. Al adoptar la estrategia de identificación de entropía de muestra global y criterio de cociente de diferencia, se puede sugerir una advertencia de inicio con anticipación de 12.3 revoluciones (296 ms) con una predicción de múltiples pasos antes de la llegada de la pérdida.