煤矿风机是矿井工作人员的呼吸机，其可靠性直接影响井下生产和工人的生命安全，是重要的通风设备。目前我国对矿山设备的维修很落后，大都采用传统的定期维修方式，这种维修方式会造成维修过剩或维修不足，其结果可能是原本稳定的设备，经过维修反而更易出现故障，或设备“带病”运行造成重大事故。所以一种新的维修方式—按状态维修成为设备维修的发展方向，这种维修的特点是，没有具体的维修周期，通过对设备运行状态的实时监测，以及历史数据的分析，判断机器设备的运转状态，并对未来某段时间的设备运转状态进行预测，根据监测数据判断不同的故障类型，制定不同的维修措施。为此，进行了煤矿通风机运行状态预测方法的研究。论文通过对风机故障机理的研究提出了基于振动信号的风机运行状态的预测研究，通过对信号分析方法以及预测方法的归纳分析，同时考虑到风机振动信号的非平稳性，提出了EMD与神经网络相结合的风机运行状态预测方法。论文将传感器技术与计算机技术相结合，构建了矿井风机振动数据的实时采集系统，完成了系统软硬件设计；将LabVIEW与SQL数据库技术相结合构建了矿井风机的数据存储与管理系统，实现对实时采集数据、定周期采集数据、故障数据、诊断结果数据以及现场技术人员诊断与维修数据的有效管理，为对风机运行状态作进一步分析提供完整的历史档案；将EMD与神经网络相结合构建了基于EMD的神经网络风机运行状态预测模型，在MATLAB环境下实现了风机振动信号的EMD分解，完成了直接神经网络预测方法与基于EMD的神经网络预测方法的比较研究，结果表明后者有更好的预测准确性。