TBM的主驱动系统负责为刀盘旋转破岩提供强大扭矩,属于TBM的核心系统,其长期处于冲击大、振动频繁的恶劣工况下,极易出现故障,一旦出现故障往往需要长时间停机检修,严重影响施工进度,而当前对于主驱动系统大多采用定期维保来预防故障或进行故障后维修,这两种方式都具有一定局限性。本文围绕上述问题,以引松供水工程中的施工历史数据为依托,利用机器学习的方法对TBM主驱动故障预测技术展开了研究,本文的主要工作与结论总结如下:（1）围绕TBM主驱动故障预测技术研究中主驱动故障预测与故障传动链定位的任务,设计了TBM主驱动故障前掘进片段提取算法,针对TBM运行历史数据的特点,给出了TBM掘进数据预处理的标准化操作流程,在完成数据预处理后采用My SQL数据库构建了本地数据仓库。并从企业实际需求与拓宽TBM主驱动故障预测软件适用范围角度出发,基于掘进环对反映设备掘进性能的指标、各类地质下的TBM主要操作参数进行了研究。（2）对主驱动电机组电流相关性进行了分析,使用PCA、LLE及t-SNE三种数据降维算法对主驱动故障特征的可视化进行了研究,分别设计了用于构建主驱动故障预测与故障传动链定位模型输入的特征计算方法,基于该算法完成了样本集的准备,并设计了TBM主驱动故障预测技术的算法流程。（3）针对主驱动故障预测模型构建中的样本不均衡问题,提出了基于代价敏感的改进方法,同时使用10折交叉验证法及贝叶斯启发式优化算法对各类候选模型的超参数进行全局寻优,得到了各模型的最优超参数,并在测试集上对各最优模型进行了测试、评估和比较,最终选择了基于高斯核的SVM与基于切比雪夫等距离度量的KNN分别作为TBM主驱动故障预测与故障传动链定位的模型,并使用所构建的模型在TBM某日的运行历史数据集上进行了应用测试。（4）为了便于使用,利用MATLAB的App Designer软件开发平台完成了TBM主驱动故障预测软件的设计,实现了对上述各模型和算法的集成。本文研究结果表明,基于高斯核的SVM故障预测模型具有94.6%的综合准确率,基于切比雪夫等距离度量的KNN故障传动链定位模型具有90%的综合准确率。在实际应用测试中,本文所构建的模型提前2小时18分钟预测到了该故障,说明本文所构建的模型对TBM主驱动故障具有良好的预测效果。