El objetivo de la investigación es desarrollar un método de restauración de información perdida basado en redes neuronales cuando fallan los sensores de objetos técnicos no lineales complejos (usando el ejemplo de los motores de helicóptero de turbina). La base de la investigación es una red neuronal autoasociativa (autoencoder), que permite restaurar la información perdida debido a la falla del sensor con una precisión de más del 99%. Se propone un método de entrenamiento modificado de la red neuronal autoasociativa (autoencoder). Utiliza coeficientes de regularización que consisten en la función de pérdida para crear un modelo más estable y común. Funciona bien en la muestra de datos de entrenamiento y puede producir buenos resultados en nuevos datos. Además, reduce el riesgo de sobreajuste cuando se adapta demasiado a la muestra de datos de entrenamiento y pierde su capacidad de generalizar nuevos datos. Esto es especialmente importante para pequeñas cantidades de datos o modelos complejos. Se ha determinado, basándose en los resultados del experimento computacional (usando el ejemplo del motor de turbina TV3-117), que la restauración de información perdida basada en una red neuronal autoasociativa proporciona un error de restauración de datos de no más del 0.45% en caso de fallas individuales y no más del 0.6% en caso de dobles fallas del evento del sensor de registro de parámetros del motor.