乔金丽，徐源浩，刘建琴，胡建帮

(1．河北工业大学土木与交通学院，天津 300401； 2． 天津大学机械工程学院，天津 300072)

0 引言

掘进机在服役过程中对岩体条件敏感，岩体信息不明确将直接影响智能掘进决策，造成操作参数不合理、预警不及时等问题，因此，必须保证掘进过程中的安全与效率[1-2]。为了研究掘进机掘进过程中各因素之间的相互作用影响，近年来，越来越多的人工智能技术手段开始应用于岩土工程领域。Boubou等[3]利用神经网络对地表沉降进行预测；朱北斗等[4]利用BP神经网络对掘进参数进行训练，建立了地层识别模型； Liu等[5]同样利用神经网络建立了岩体特征预测模型； 田睿等[6]利用改进的深度神经网络对岩爆烈度等级进行预测； 张天瑞等[7]通过数据挖掘技术对掘进机运行中出现的故障加以诊断，提高了诊断速度； Khamesi等[8]将最近邻聚类与梯度下降、粒子群(PSO)、帝国主义竞争(ICA)3种算法结合模糊系统反智能推测土层类别； Zhou 等[9]建立粒子群算法与支持向量机的混合模型，对TBM掘进能耗进行预测，用于帮助确定TBM的性能和效率；Yagiz等[10-12]利用粒子群、灰狼算法等基于隧洞地质条件来预测TBM的掘进速度； Masoud等[13]则用基因规划表达在Yagiz的基础上进一步做出了TBM掘进速度的拟合公式。

以上工作大都是揭示定量关系，且由于神经网络等是黑箱操作，未能清楚地表达各项因素之间的因果关系。在数据挖掘方面，关联规则可以实现直观定性描述，已经成功地应用于揭示各种领域中的因果关系[14-15]。……