مبنای تشخیص معایب احتمالی یک ماشین، مقایسه طیف‌های فرکانسی ارتعاشات نقاط مختلف آن با طیف‌های مرجع موجود است. استفاده از این روش عیب‌یابی مقرون به صرفه است چرا که بدون نیاز به توقف ماشین، می‌توان وضعیت نقاط مختلف آن را تحت بررسی قرار داد و همچنین فقط در مواقع لازم و با توجه به میزان پیشرفت عیوب احتمالی، می‌توان اقدام به تعمیر آن نمود. در این تحقیق، از شبکه‌ی عصبی پرسپترون چند لایه ( MLP ) و شبکه عصبی پیشخور ( FNN ) استفاده شده است. همچنین عیوب متداول در ماشین‌آلات دوار بطور جداگانه ایجاد شد و فرکانس ارتعاشی تولیدی توسط دستگاه آنالیزور ADASH 4400‎ اندازه‌گیری گردید. با معرفی چهار ویژگی ارتعاشی شامل ناهمراستایی زاویه‌ای، لقی، خرابی و نابالانسی بیرینگ بعنوان داده‌های ورودی به شبکه‌های عصبی مصنوعی، نتایج با سیگنالهای فرکانسی مرجع مقایسه گردید. ‎ ‎نتایج نشان می‌دهد که شبکه‌های عصبی MLP و FNN به ترتیب تا 73% و 78% توانایی تشخیص عیوب را دارند. بنابراین روش FNN برای پیش‌بینی و شناسایی عمر مفید قطعات دوار پیشنهاد می‌گردد. Manuscript profile