Los vehículos exhiben modos y mecanismos de falla complejos debido a sus extremos entornos de servicio y cargas externas severas. El creciente nivel de integración en estos vehículos también está impulsando requisitos de fiabilidad más estrictos, pero los métodos convencionales para el análisis de fiabilidad requieren cálculos significativos, lo que hace necesario el uso de modelos sustitutos. En la actualidad, en el campo del análisis de fiabilidad de los impulsores de extracción de polvo de vehículos, aunque existen varios métodos de investigación, la investigación sobre el uso de modelos sustitutos para análisis relevantes aún no es perfecta. En particular, hay pocos estudios específicamente centrados en los impulsores de extracción de polvo. Este estudio estableció un modelo paramétrico de elementos finitos tridimensional de un ventilador de este tipo para simular la salida de estrés de las palas del impulsor para 500 conjuntos de parámetros. Posteriormente, se utilizaron la red neuronal de retroalimentación, la red neuronal de retropropagación y la superficie de respuesta polinómica cuadrática como modelos sustitutos para aprender la relación entre los parámetros y las respuestas de salida en estos datos. Las comparaciones de los resultados indicaron que la red neuronal de retroalimentación exhibió la mayor precisión al predecir las respuestas de estrés del impulsor del ventilador de extracción de polvo ante cambios en los valores de los parámetros. A través de un análisis comparativo de múltiples modelos sustitutos, este estudio determinó las ventajas de la red neuronal de retroalimentación en la predicción de la respuesta de estrés del impulsor. Proporciona un método más eficiente y preciso para el análisis de fiabilidad en este campo y ayuda a promover el desarrollo de la investigación en fiabilidad de los sistemas de filtración de vehículos.