در این پروژه، سیستم هوشمندی برای پایش وضعیت بلبرینگ در یک تنظیمات آزمایشگاهی طراحی شده است. با توجه به این که عیوب در اجزای مختلف بلبرینگ می تواند به وجود آید، لذا سیستم بر اساس عیوب در اجزای مختلف بلبرینگ طراحی شده تا سیستم در مواقع وجود عیب در هر جزئی از بلبرینگ وجود عیب را تشخیص دهد. طیف فرکانسی سیگنال های به دست آمده از هر حالت عیب در بلبرینگ به دست پیک های مربوط به هر عیب در طیف فرکانسی آن مشاهده شده است. اما از آن جایی که هدف به دست آوردن سیستم هوشمند برای تشخیص عیب بود از ویژگی های مختلف در حوزه های متفاوت برای آموزش شبکه عصبی استفاده شده است. برای این منظور ویژگی های مختلف سیگنال های بلبرینگ های سالم و معیوب استخراج شده، سپس آنها به عنوان ورودی به شبکه عصبی داده شده تا آموزش ببیند. ویژگی ها از حوزه های زمان، فرکاس و زمان-فرکانس استخراج شده اند. سپس ویژگی هایی که شبکه را بهتر آموزش می دهند انتخاب شده اند. به منظور کاهش محاسبات و افزایش سرعت سیستم، از مداخله ی ویژگی هایی که به خوبی عیوب را دسته بندی نمی کنند خودداری شده است. نتایج نشان داد که بهترین ویژگی های به دست آمده برای تشخیص عیب بلبرینگ تنظیمات حاضر، ویژگی های حوزه ی زمان-فرکانس بوده است. درمجموع 44 ویژگی در حوزه های مختلف بررسی شده اند و برای هر کدام یک شبکه عصبی طراحی شده است. بعد از مقایسه ی نتایج این ویژگی ها 6 ویژگی برتربه عنوان شبکه عصبی نهایی انتخاب شده اند. در آخر نیز شبکه با ورودی های جدید که در امر آموزش شبکه مداخله نداشته اند تست شده است. نتایج این تست ها کمک می کند تا بهترین ساختار شبکه عصبی برای این پروژه انتخاب شود. بهترین تعداد نرون لایه ی میانی برای شبکه ی عصبی در این پروژه 43 نرون بوده است. شبکه عصبی مورد نظر با این تعداد نرون لایه ی میانی و با 6 تا از بهترین ورودی ها که از حوزه ی زمان-فرکانس بودند 98 % حالات مختلف بلبرینگ را درست تشخیص داده است.