В статье рассматривается метод построения нейросетевого классификатора технических состояний насосного оборудования, используемого в технологических процессах хлебопекарных производств. Исходные данные для анализа были получены с реальных подшипниковых узлов, после чего проведено имитационное моделирование типовых дефектов, включая трещины на обойме, износ ролика, повреждение сепаратора и дисбаланс ротора. В результате симуляции сформирован набор усредненных спектров виброускорения и виброскорости, отражающих характеристики как исправных, так и дефектных состояний. На основе полученных данных была обучена искусственная нейронная сеть в среде MATLAB с использованием инструментария nnstart. Архитектура сети включает один скрытый слой с 20 нейронами и выход с пятью классами состояния. Для обучения применен алгоритм масштабированного сопряженного градиента и функция потерь типа кросс-энтропии. Проведена оценка точности классификации, анализ матриц ошибок и графиков обучения. Полученные результаты подтверждают эффективность нейросетевого подхода к диагностике насосных агрегатов, а также демонстрируют потенциал использования симулированных спектров в качестве обучающих данных. Методика может быть применена при разработке интеллектуальных систем предиктивного технического обслуживания.