煤矿通风机系统在矿山生产中被称为“矿井肺脏”。煤矿通风机系统可以稀释瓦斯的浓度,防止事故的发生,其工作状况、性能关系到工作人员的人身安全和生产效益。因此,通风机的安全运行成了科技人员和煤矿管理人员关注的焦点。矿井主通风机的监测、监控和故障诊断取得了前所未有的发展。本文较详细的叙述了利用虚拟仪器技术构建基于小波神经网络的通风机振动故障监测系统。由于通风机发生故障时,故障信号中往往含有大量的时变、短时冲击、突发性质的成分。考虑到小波变换处理非平稳信号的优越性,因此本文提出了基于小波分析原理的消噪和特征提取方法,首先利用基于多尺度分析理论的Mallet算法将采集到的振动信号消噪并进行多层分解与重构,对高频信号处理并进行特征提取,作为适合于神经网络的训练和检验的样本输入特征向量。利用LabVIEW和MATLAB的接口,在LabVIEW中调用.m程序,为功能的实现提供了一种较好的解决方法,也为系统实现提供了可行的途径。其次本文介绍了一种改进的自适应调节学习速率的算法对振动样本进行故障诊断,并用BP标准算法和自适应调节学习速率的改进算法进行比较,发现预测误差精度有很大提高,网络收敛速度明显加快,并且预测效果理想。最后本文将虚拟仪器技术与小波神经网络引进通风机振动测试诊断,介绍了基于LabVIEW平台开发的通风机振动故障诊断系统。在软件设计方面,编写了一组程序完成振动信号的采集、回放、存盘等操作,对振动信号的消噪处理和小波分解与重构,以及用神经网络对信号的诊断过程,详细介绍了各个功能模块的开发过程、功能说明、使用界面以及使用说明。仿真结果证明本测试系统能够满足振动信号测试和诊断的需求,为在通风机测试领域里采用先进的虚拟仪器测试技术提供了理论和实践依据。