地铁盾构机是一种用于隧道掘进的集机、电、液、传感、信息技术于一体的专用工程机械。随着城市市政建设步伐的加快，往往需要同期多台盾构进行施工，这对盾构机的运行可靠性提出了很高的要求。盾构机的知识自动获取，进行实时故障诊断，是防止盾构故障，保障运行安全，提高挖掘效率的一个重要技术手段。在盾构的数据采集系统中存储了海量的数据，这些数据背后隐藏了大量的知识，但没有被深刻理解。数据挖掘可以从大量的数据中智能地、自动地提取有价值的知识和信息，是当前相当活跃的研究领域。本文将数据挖掘技术引入到盾构机故障诊断中，以解决盾构故障的模式识别问题。 盾构机故障诊断技术是利用盾构机的状态信息和历史状况通过分析和处理来定量识别其实时技术状态并预测异常故障的未来技术状态的一门建立在多学科基础上的综合技术。本文以三菱土压平衡盾构机为研究对象，在系统的归纳总结了现有的数据挖掘技术及分析了盾构机的工作原理、基本结构及检测数据项目的特征的基础上，针对盾构机的故障非线性的特点和神经网络所具有的很强的学习能力、适应能力和鲁棒性的优点，采用神经网络对盾构机进行故障分类。但由于特征向量的冗余，可能产生不可识别的故障，因此本文提出了应用粗糙集的数据挖掘技术对盾构的故障特征进行属性的约简。 另外，考虑到盾构状态监测系统所采集的信息以时间序列数据的形式记录在数据库中，因此本文引入了时间序列相似性进行特征模式建模，以此实现盾构故障诊断中的预测问题，并使其具有一定的机器学习能力。 最后，本文在Visual C++6.0集成开发环境中对盾构机的故障诊断系统进行了软件实现。但是数据挖掘研究正处在发展阶段，数据挖掘本身以及其在盾构故障中的应用还有许多问题值得探讨，本文的研究工作是一个尝试，相关工作还有待进一步深入。