محورهای دوار به صورت گسترده در صنایع مختلف استفاده می شوند. یکی از عیوب متداول ترک عرضی محور می باشد. ترک عرضی در اثر ممان خمشی ایجاد شده و رشد می کند و در صورت عدم تشخیص می تواند منجر به شکست هایی پر خسارت شود . به منظور برنامه ریزی و کم کردن هزینه تعمیرات ، تشخیص ترک در محورهای دوار و پیش بینی روند خرابی و زمان شکست ، به شدت مورد نیاز است . تحقیق حاضر به ارائه ی روشی برای تشخیص ترک و پیش بینی عمر باقیمانده محور ، با استفاده از تحلیل موجک و شبکه های عصبی مصنوعی می پردازد. سیگنال های ارتعاشی با سنسور های شتاب روی تکیه گاه های محور به کمک سیستم داده برداری جمع آوری شده و فرآیند حذف نویز توسط تبدیل موجک انجام شد. با موجک بسته ای باندهای فرکانسی مختلف بررسی شدند و در نهایت انرژی باند فرکانسی شامل فرکانس2x برای سیگنال شتاب قائم تکیه گاه نزدیک ترک که توسط موجک دابوچی شش و در سطح دوازدهم استخراج شده بود ، برای تشخیص ترک محور آویزان محاسبه و معرفی شد. از شبکه عصبی مصنوعی پرسپترون چند لایه استفاده شد تا سالم بودن یا عمق ترک ، تشخیص داده شود . همچنین دو محور ترکدار با قطر 12میلی متر با ترکی به عمق 7میلی متر در حالی که یکی تحت خمش خالص و دیگری در حالت آویزان بود ، به دوران درآمدند تا در نهایت شکستند و سیگنال شتاب از دو سنسور قائم و افقی روی تکیه گاه دریافت شد. نشان داده شد، خصوصیت انرژی در فضای موجک و پیک تا پیک دامنه سیگنال بازسازی شده در چه باندهای فرکانسیی برای هر حالت ، سایز ترک و عمر باقیمانده را نشان می دهد. با کمک شبکه عصبی ، عمر باقیمانده ی محور دوار در هر دو حالت بار گذاری، با دقت قابل قبولی تشخیص داده شد. به صورت کاربردی نیز با استفاده از خصوصیت انرژی ضرایب موجک و پیک تا پیک سیگنال باز سازی شده از باند فرکانسی پنجم موجک بسته ای با موجک پایهdb6 ، در سطح دهم تجزیه از سیگنال شتاب قائم ، عمر محور آویزان با آموزش شبکه عصبی به کمک محور تحت خمش خالص تخمین زده شد. از تبدیل موجک بسته ای برای بررسی رشد ترک محور دوار نیز استفاده شد. در این پژوهش، یک مدل توسعه یافته با استفاده از یک مدل المان محدود از رفتار دینامیکی محور دوار و مدل رشد ترک پاریس استفاده شد که خروجی این مدل ، شتاب گره ی نزدیک تکیه گاه بود ، که از لحاظ کیفی ، نتایج تجربی برای تشخیص و پیش بینی عمر محور با نتایج به دست آمده از این مدل مشابهت داشتند.