عیب یابی ماشین آلات دوار، ارزیابی وضعیت ماشین، تشخیص علائم شروع و رشد عیب، شناسایی علت و قطعات آسیب دیده و پیشگویی میزان عمرکاری باقیمانده ماشین را ممکن می سازد. به همین دلیل از آسیب دیدگی شدید ماشین و هزینه های بالای تعمیرات جلوگیری می کند. استفاده از ارتعاشات مکانیکی ماشین ها و آنالیز فرکانسی و زمانی آنها، یکی از متداول ترین و کاربردی ترین روش ها در تعیین عیوب ماشین های دوار می باشد. از آنجایی که سیستم های هوشمند در شرایط وجود عدم قطعیت و نادقیقی عملکرد قابل قبولی دارند و با توجه به خاصیت های اصلی شبکه های عصبی، یعنی؛ تخمین قدرتمند توابع غیر خطی و قابلیت یادگیری تطبیقی و نیز خاصیت اصلی سیستم های فازی، یعنی؛ استفاده از دانش خبره در به دست آوردن رابطه بین ورودی و خروجی، از روش های هوشمند برای عیب یابی ماشین های دوار استفاده می گردد. هدف این تحقیق استفاده از ساختار هوشمند شبکه فازی- عصبی (anfis) در تشخیص عیوب اصلی ماشین های دوار از جمله، نابالانسی، ناهمراستایی، خرابی بالبیرینگ و لقی مکانیکی است. بنابراین در این تحقیق علاوه بر ایجاد مکانیزم خودکار برای تشخیص عیب، در جهت افزایش دقت و سرعت این شبکه نیز تلاش شده است. لذا در این راستا سعی شده، با استفاده از تکنیک های آنالیز اجزای اصلی (pca) ابعاد ماتریس ورودی را در حد مطلوب کاهش داده و نیز کارآیی دو شبکه anfis و شبکه عصبی چند لایه mlp در تشخیص عیوب با یکدیگر مقایسه گردید. جهت دست یابی به هدف فوق شبکه های مذکور با استفاده از بردارهای ویژگی و مشخصات استخراج شده از طیف های فرکانسی بدست آمده آموزش دیده شدند. تعداد این بردارهای ویژگی 12 عدد بود، که هر مورد طیف فرکانسی اندازه گیری شده به بازه های 100 تایی تقسیم گردید و در هر بازه ویژگی های مذکور به صورت جداگانه استخراج -شدند. نتایج نشان داد که برای 84 مورد اندازه گیری نهایی، شبکه های anfis و mlp به ترتیب دارای میانگین 91 و 78 درصد موفقیت در تشخیص درست عیوب بودند. همچنین در این تحقیق نشان داده شد که استفاده از روش pca در کاهش ابعاد داده ها، کاهش حجم محاسبات و افزایش سرعت سیستم موثر می باشد. بنابراین با توجه به نتایج بدست آمده، یکی از نکات بسیار مهم و اساسی در صنایع مختلف به خصوص صنایع سنگین را می توان، نیاز به داشتن یک سیستم عیب یاب به صورت اتوماتیک و هوشمند دانست، و از آنجایی که شبکه anfis ارائه شده در مقایسه با شبکه mlp در طبقه بندی عیوب نتایج بهتر و قابل قبول تری را ارائه می دهد، می تواند به عنوان روشی مناسب در جهت تشخیص هوشمند عیوب به کار برده شود.