Debido a la naturaleza compleja de un motor de ciclo variable (VCE), que tiene numerosas variables de control y modos de funcionamiento a lo largo de un amplio rango de vuelo, junto con la degradación de todo el motor, el método de redundancia analítica basado en modelos a nivel de componente puede no proporcionar una estimación precisa de los sensores. Se propone una red neuronal de sesgos de pesos variables (VWB Net) para construir la redundancia analítica del VCE. A diferencia de las redes convencionales cuyos pesos y sesgos son fijos, los pesos y sesgos variables de VWB Net son funciones de la entrada, lo que aumenta enormemente su capacidad de mapeo no lineal al integrar la información de entrada. Los sesgos variables también se pueden utilizar para eliminar rápidamente el error entre la salida real del sensor y el valor estimado en el nodo terminal. En comparación con la red BP y la red densa, VWB Net tiene menos parámetros, una velocidad de cálculo más rápida y una mayor precisión. Los resultados de simulación digital de la estimación de parámetros del VCE demuestran que los errores relativos promedio de VWB Net están por debajo del 0.27%, con una eficiencia de cálculo y parámetros al menos 166 veces superior a la de la red densa. La simulación de hardware en el bucle verifica aún más la precisión de estimación de VWB Net y el cálculo en tiempo real.