در سال‏های اخیر فن‏آوری‏های نگهداری و تعمیرات مبتنی بر شرایط، مدیریت سلامت و پیش‏بینی عیوب، تأثیر قابل توجهی بر شیوه‏های نگهداری و تعمیرات در سازمان‏های تجاری و نظامی داشته‏اند. زیرا در طراحی، پایش، نگهداری و تعمیرات سیستم‏های پیچیده (هوانوردی و فضانوردی، سیستم‏های حمل و نقل دریایی، فرایندهای صنعتی و ساخت و تولید و غیره) تغییرات چشمگیری به وجود آمده است. از آنجایی که در اکثر ماشین‏های دوار از انواع یاتاقان‏ها استفاده می‏شود و همچنین طیف وسیعی از عیوب، روی ارتعاشات این تجهیزات تأثیر می‏گذارد و این ارتعاشات در نهایت به یاتاقان‏ها منتقل می‏شوند، این پژوهش منحصراً بر تشخیص عیوب یاتاقان‏های غلتشی می‏پردازد. در این پژوهش پس از داده‏برداری آزمایشگاهی و بیان سیگنال‏ها در دو حوزه زمان و فرکانس و استفاده از روش‏های متعدد پردازش سیگنال، سیگنال نهایی به‏دست می‏آید. سپس ویژگی‏های متنوعی از این سیگنال، استخراج و در ادامه جهت ورودی طبقه‏بندی‏کننده‏ها، بهترین آن‏ها انتخاب می‏شوند. لازم به‏ذکر است، جهت استخراج ویژگی، دو روش بهینه در این پژوهش ارایه شده‏ و با انواع ویژگی‏های آماری، درست‏نمایی بیشینه و ویژگی‏های ارایه شده توسط دیگران مقایسه شده‏اند. در ادامه با استفاده از فاصله اقلیدسی دو معیار انتخاب ویژگی ارایه شد، که جهت انتخاب بهترین ویژگی‏ها برای ورودی طبقه‏بندی‏کننده‏ها استفاده شده‏اند. جهت طبقه‏بندی و تشخیص عیوب یاتاقان، انواع شبکه‏های عصبی مصنوعی شامل شبکه‏های شعاع مبنا، پیش‏خور پس‏انتشار و رقابتی مورد استفاده قرار گرفته‏اند. همچنین دو شبکه شعاع مبنا و پیش‏خور پس‏انتشار آموزش یافته با الگوریتم لونبرگ ‏ـ مارکوارت، مورد بهینه‏سازی قرار گرفته‏اند. در ادامه به دلیل استفاده از بهینه‏سازی در مراحل مختلف این پژوهش، ویرایش جدیدی از روش بهینه‏سازی زنبورعسل به نام الگوریتم زنبورعسل فازی ارائه شده است. در نهایت نشان داده شده است که روش‏های ارایه شده در این پژوهش قادرند با دقت و صحت بهتر و همچنین با هزینه محاسباتی کمتری در مقایسه با دیگر روش‏ها، تفکیک کلاس‏ها را انجام دهند.