随着全世界人均生存空间的不断减少,人类发明了各种设备来扩展生存空间,其中最具有代表性的机械便是盾构机。盾构机是一种具有多系统、多驱动源的复杂大型隧道掘进装备。但是由于它的结构比较复杂、工作环境相对比较封闭,盾构机在工作过程中极易发生各种故障,封闭的结构让盾构机的修理工作及其困难。由此,需要一种可以在第一时间甚至在故障发生前便能预测故障发生部位的方法,来提高工作效率,减少经济损失。本文将神经网络与盾构机相结合,构造一种新式的基于神经网络的盾构机故障诊断系统。为了提高盾构机故障诊断的准确性及效率,提出了基于反向特征消除的ELM盾构机故障诊断方法。针对盾构机运行数据维数多、数量大的特点,引入反向特征消除(Reverse feature elimination,RFE)方法进行数据降维,消除冗余维度,解除特征间的相关性。考虑到神经网络故障诊断速度慢且效率低,基于极限学习机构建了ELM神经网络分类器模型进行盾构机故障诊断。基于现场施工数据的仿真结果表明,该方法显著提高了盾构机故障诊断的精度和效率,具有良好的工程应用价值。