矿井风机作为煤矿生产中的关键设备，是保障煤矿持续生产、井下工作人员生命安全以及矿井其他设备稳定运行的重要环节。如果矿井风机出现故障甚至严重时出现停风，将对煤矿生产带来不可估量的经济损失。因此，如何保障矿井风机的安全运行成为了工程技术人员所关注的重点问题。本文正是根据矿井风机的常见故障，设计出一套利用虚拟仪器(VI)技术为开发平台、基于人工神经网络模型为基础的故障诊断系统。首先，本文从故障诊断的国内外发展现状出发详细阐述了设备故障诊断具有的现实和长远意义。紧接着对矿井风机中包含故障信息最丰富的振动信号，进行了传统的时域、频域分析进而上升到小波及小波包理论分析。由于小波分析在时频两域都具有表征信号局部特征的能力，在分析非平稳振动信号时，低频部分具有较高的频率分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率。从而得出结论：对于非平稳的振动信号小波分析具有很大的优越性。同时利用小波分析将采集到的故障信号进行特征值提取，将得到的特征值作为训练人工神经网络的样本值。其次，介绍了人工神经网络的基本理论，对几种常见网络模型的学习性能、诊断性能进行比较，最后确定了以BPNN神经网络模型为基础的故障诊断系统。在软件设计方面，以LabVIEW为平台编写一套程序，能够完成对通风机的振动信号采集、小波包分析和特征提取等操作，进而利用LabVIEW中所搭建的神经网络模型进行故障的识别和诊断。