La temperatura de los gases de escape () de un motor aeroespacial es clave para analizar con precisión la salud del motor, formular decisiones de mantenimiento y garantizar la seguridad en vuelo. Sin embargo, debido a las complejas características de rendimiento del motor aeroespacial y las limitaciones de muchos factores externos, es difícil obtener características no lineales precisas entre varios factores operativos y . Con el fin de diagnosticar y prever el rendimiento del motor aeroespacial de manera rápida y precisa, se proponen cuatro marcos de predicción de línea base impulsados por datos para . Estos marcos de línea base tomaron las condiciones operativas del motor y los parámetros de control del estado operativo como variables de entrada y como variables de salida predicha. Los datos originales se recopilaron de los datos de vuelo ACARS del motor CFM56-5B. Se entrenaron cuatro métodos típicos de aprendizaje automático, incluidos la Red Neuronal de Regresión Generalizada (GRNN), la Red Neuronal de Base Radial (RBF), la Regresión por Vector de Soporte (SVR) y el Bosque Aleatorio (RF) para desarrollar los modelos. Se validaron cuatro modelos de línea base de motores aeroespaciales comparando los datos posteriores al vuelo de otro motor. Los resultados muestran que los modelos GRNN desarrollados tienen la mejor precisión y eficiencia computacional en comparación con otros modelos, y su RE y tiempo de cálculo de CPU en el conjunto de verificación son 1.132 x 10 y 3.512 x 10 s, respectivamente. Los marcos de predicción de línea base desarrollados pueden satisfacer las necesidades de aplicaciones de ingeniería prácticas para las aerolíneas. Las metodologías desarrolladas pueden ser empleadas por las aerolíneas para predecir la línea base con el propósito de monitoreo del rendimiento del motor y gestión de la salud.