隧道掘进机是一种专门用于隧道工程全断面开挖的大型工程机械,是集机械、电气、液压、信息、控制为一体的智能化隧道施工装备,在城市地下工程建设中起十分重要的作用。其智能化运维系统以大数据技术作为驱动,将工作现场采集得到的数据进行数据挖掘、分析处理从而预测得到所需信息,为操作与控制提供重要参考,进而保障隧道掘进机高效、平稳、安全、科学地运行。所以,利用智能化技术对隧道掘进机进行运维管理势在必行。数据建模算法对掘进过程中工况的预测十分重要,是智能化运维的核心。然而隧道掘进机工作过程中得到的数据多源且异构,现有的人工智能算法缺少关于隧道掘进机异构数据混合建模的研究,容易使得建立的预测模型不准确,为运维系统带来负面影响,间接影响工程进度,甚至会造成工程事故。为解决上述情况,本文通过改进机器学习算法、设计结构化编码等方式,实现异构数据的混合建模。于深圳地铁隧道施工数据的基础上,建立掘进工况参数预测模型,验证了算法的性能,为隧道掘进机的智能运维提供数据算法支持。本论文的主要研究工作如下:1)调研隧道掘进机数据建模与工况预测的研究现状,探讨课题研究的意义,设计异构数据混合建模的研究技术路线与方法。2)对隧道掘进机工作数据进行数据预处理,包括:数据裁剪合并、异常值检验剔除、建立特征工程,为后续建模预测做好数据基础。3)在支持向量回归的基础上,引入超球面参数化改进核函数,实现数值数据和分类数据的混合建模。用灰狼优化算法优化超参数。设计多组数值实验验证提出算法的性能。通过实际工程数据构建模型,以数值-分类混合的同环段运行数据为输入,以推进速度、刀盘转矩、总推进力为预测输出。提出方法构建的模型预测精度好于其他现有算法。4)将离散的地质数据进行插值补全,分析各掘进环段中掘进断面的地层分布;设计结构化编码方法,使地质资料适用于建模。通过实际工程数据和地质资料构建模型,以运行-地质混合的不同环段数据为输入,以推进速度、刀盘转矩、总推进力为预测输出。提出方法构建的模型预测精度好于其他现有算法。5)探究了函数型数据分析中曲线拟合的方法,在数值-分类数据混合建模基础上改进算法,实现曲线数据的预测。设计多组数值实验对提出算法性能进行验证。通过突变载荷下刀盘转速响应曲线实验的工程算例,验证了提出算法在隧道掘进的工程价值。6)基于MATLAB GUI,设计隧道掘进机异构数据建模系统。