随着城市现代化建设速度的增快,地铁隧道工程也在快速发展。盾构机是挖掘隧道的主要工具。由于盾构机结构比较复杂、工作的环境相对恶劣,它的部件容易发生各类故障。有些故障将会直接影响整个设备的正常运行,如果能够在故障发生的第一时间发现并采取相应的维修手段,可以延长设备寿命、提高工作效率、减少经济损失,因此,对盾构机故障诊断的研究具有重要意义。近年来,人工神经网络理论与应用研究已发展成为一个国际前沿研究邻域,也为故障诊断提供了一个新的研究方向。本文通过对盾构机的结构特点、故障特性及产生机理的分析,将神经网络引入到故障诊断研究中。针对SOM神经网络和BP神经网络的优缺点,采用串联的方式将它们组合起来形成SOM-BP网络,提出基于SOM-BP网络的盾构机故障诊断方法,并构建了诊断模型。利用实际工程中的故障数据对模型进行训练和测试,分析故障诊断结果。并将其与单一的BP神经网络和SOM神经网络进行对比,实验结果表明经过组合后的网络能有效提高故障诊断的准确率,并且加快了网络收敛的速度。但是,SOM-BP网络的性能容易受到网络连接权值和阈值的影响,针对这个问题,本文提出基于粒子群算法优化SOM-BP网络的诊断方法,并构建了诊断模型。利用样本数据对其进行仿真研究,结果表明了该方法的有效性,能够实现对盾构机故障的诊断。通过与采用SOM-BP网络诊断方法的诊断结果对比,表明了优化后的方法诊断正确率更高,收敛速度更快,网络性能更好。最后将优化后的SOM-BP故障诊断模型应用到盾构机监控系统中,开发了一个故障诊断模块,并利用模拟数据对其功能进行了测试,测试结果表明,该故障诊断模块能很好地识别出盾构机的故障,适用于盾构机掘进过程中的故障监测和诊断,提高了工作效率,降低了维修成本。