牟 松，段文军，庄元顺，刘绥美，章 峰

（1.中铁工程服务有限公司，四川成都610083；2.电子科技大学计算机科学与工程学院，四川成都611731）

目前盾构机的运行状况分析主要取决于决策人员的经验判断，而在工程进行过程中，决策人员难以对复杂的信息和数据进行快速而准确的分析，并且这种凭借工程经验进行参数调节的方法对于不同地质条件下的挖掘效率不能保证。

为了改善上述情况，很多学者对如何高效优质地完成盾构施工这一问题进行研究，并有了一定的研究成果。崔福义等［1］基于杭州地铁1 号线盾构法施工工程，调整隧道结构施工事故预防和处理措施的设计，有效保证盾构机的顺利掘进。倪振利［2］运用辅助决策系统实现了对施工过程中的优化控制。李守巨等［3］根据盾构机掘进的历史观测数据，提出了盾构机掘进决策支持系统。然而，受地质条件、线路设备、工程状况等影响，相对于理论情况，实际的工程状况更加复杂，需要加强模型的泛化能力。

同时，基于机器学习的盾构机参数预测方法已经成为一个研究热点，相较传统方法更为准确。周斌等［4］和陶冶［5］通过应用支持向量机算法，建立了复合地层盾构机推进速度的预测数学模型，提高盾构机的工作效率。丁海英［6］提出了盾构掘进参数类比设定法，通过对历史的数据进行聚类，实现了对掘进参数的提取和自动匹配。郝用兴等［7］通过将差分进化算法与神经网络算法（Back Propagation，BP）相结合，对盾构机推进液压系统进行故障诊断。……